多模态大模型的兴起，正推动游戏行业从辅助性的“效率工具”阶段，加速迈向“AI 原生设计”的产业变革深水区。然而，AIGC 在游戏领域的规模化应用仍面临严峻挑战：如何实现游戏高标准的美学要求？如何降低设计师 AIGC 能力的使用门槛？如何将模型能力融入现有内容生产管线？这些问题若无法突破，AIGC 将始终徘徊于外围应用的“玩具”阶段，难以真正成为支撑核心生产流程的“工业级工具”。本次分享将系统拆解腾讯在 AIGC X 游戏领域的技术突破与落地经验，并呈现多个实际项目中的经验教训与标准化方法论，帮助开发者理解 AIGC 如何从“演示 Demo ”跃迁为“生产级工具”。

演讲提纲

1. 游戏创作的痛点与 AIGC 的机遇

• 游戏行业的核心挑战
• 头部游戏公司的 AIGC 布局

2. 生成式大模型赋能游戏的核心技术

• 游戏图像生成：如何满足游戏高美学标准诉求？
• 生图应用：游戏原画生成
• 游戏视频生成：如何提升游戏概念认知？
• 生视频应用：首尾帧生视频和角色多视图

3. 未来展望：交互式视频生成技术让玩家“画出”全新游戏世界

您认为，这样的技术在实践过程中有哪些痛点？

• 算力成本问题，需要更长的时间线上摊薄
• 腾讯的游戏主要集中在精品游戏，对于小游戏厂商不一定可以直接借鉴落地

演讲亮点

• 游戏领域图像和视频大模型，效果行业 SOTA ；完整的游戏 AIGC 能力矩阵，完备性业界领先
• 在腾讯的头部游戏项目组得到验证和检验，行业最佳实践

听众收益

• 了解头部游戏公司的 AIGC 技术落地方法论
• 预判游戏行业与 AIGC 融合的未来发展方向

AIGC 技术的迅猛发展已渗透到动漫制作的各个环节，从原画设计、分镜开发，到概念视频与特效生成等等。本次分享我将首先介绍如何利用 AIGC 改造传统 3D 制作流程，探索替代和优化的可能性。接着结合真人短剧动漫转制的实际案例，重点解析如何借助最新模型与工具实现高水准的 3D 国漫风格转制，并探讨在项目实践中技术团队与制作团队的高效协作模式。最后，将呈现从短剧剧本到动漫视频的完整流程及方法论。整个分享将基于前沿技术进展，结合具体应用场景，为从业者提供从算法应用、工程实践、成本分析等多维度的展示与剖析。

演讲提纲

1. 3D 儿童动漫 MV 制作实践

• 如何利用生图、生视频技术改造传统的 3D 动漫制作流程
• 技术难点及新方案展望

2. 真人短剧动漫转制相关实践

• 如何利用生图、生视频技术实现高水准的真人动漫转制，解决角色一致性、快速运动镜头等难点
• 如何和制作团队高效合作

3. 短剧剧本到动漫视频的全流程探索

• 从短剧剧本到动漫视频的整体流程
• 如何利用 Agent 降低制作门槛，提高制作效率

4. 未来展望

您认为，这样的技术在实践过程中有哪些痛点？

• 搭建复杂工作流带来的技术优势有窗口期，需要合适的切入点并考虑投入产出比

演讲亮点

• 如何在已有的模型能力边界上找到业务切入点
• 不涉及大模型训练，提供适合中小团队参考的模型应用和落地实践

听众收益

• 了解最新 AIGC 技术和与动漫制作结合的实践
• 提供多模态 AIGC 技术在业务工程落地的思路

随着技术的不断进步，动画制作的效率和质量都在大幅提升。本次演讲我将介绍 AniSora 动画视频生成技术与应用，包括高质量数据处理管线、可控生成模型和针对动画特性定制的评测基准。我还将分析 AI 生成技术在动画创作中的应用前景与落地难点，探讨 AI 如何重塑动画生产力，助力动画内容规模化、高质量产出。

演讲提纲

1. Sora 时代动画视频生成技术的问题和挑战

• 视频生成技术发展背景
• 视频生成关键技术框架
• 动画视频生成的核心技术问题

2. AniSora 解决动画视频生成问题的思路

• 数据集构建，对于模型效果决定性因素的细节
• 模型方案，面向动画效果和艺术设计的 Pipeline
• benchmark 评估模型好坏的重要指标和难度
• 动画模型的强化学习

3. 技术应用—长视频制作相关落地挑战

• AI 长视频制作的流程
• 人物、场景一致性技术挑战
• 图像生成解决一致性的核心问题
• 物理效果生成问题分析和解决思路
• 可控性问题和多模态交互，细节控制和易用性的权衡

5. 动画视频智能创作的未来

• 技术迭代方向和阶段预测分析
• 长视频 AI 创作行业发展趋势分析
• 多镜头生成 vs multi-agent 辅助创新

您认为，这样的技术在实践过程中有哪些痛点？

• 角色一致性问题
• 多模态引导的复杂调用问题，需要统一的 AI-Director 辅助规划

演讲亮点

• 首个专门面向动画视频生成的解决方案
• 针对艺术家的诉求，对模型交互方式进行的调整
• 对于动画短剧的创作方式

听众收益

• 动画视频生成技术的特点和挑战
• 工业化落地当前的能力进展以及未来技术发展的展望

在大语言模型（LLM）迅猛发展的时代，语音技术正迎来新一轮变革。本次演讲将系统梳理语音模型从传统架构走向端到端融合的演进路径，深入分析语音表征的不同形式与模型设计的关键思路，涵盖语义与声学 token 的权衡、多尺度解码结构、训练策略等重要议题。同时，我们也将直面实践中诸如数据差异、推理效率、模态对齐等核心挑战，并分享以 Step-Audio2 为代表的先进端到端语音模型在实际部署与落地中的实践经验。无论您是对语音技术前沿感兴趣的研究者，还是关注语音大模型落地应用的工程师，本次演讲都将为您提供有价值的技术洞察与实践参考。

演讲提纲

1. 语音技术在 LLM 时代的演进

• 传统语音模型的发展与局限
• LLM 时代为语音模型带来的新范式
• 端到端语音模型的必要性与优势

2. 端到端语音模型关键技术

• 语音表征
  • 连续表征 vs 离散表征
  • Semantic Token vs Acoustic Token
• 模型架构
  • 级联 vs 半端到端 vs 端到端
  • Audio Decoder 结构剖析
  • 文本模态对齐机制
  • 全双工机制
  • 外部知识接入和模型规划执行
• 训练策略：Pretrain → Midtrain → SFT → RL 的全流程优化

3. 如何评估端到端语音模型

• 音频理解能力评估
• 语音合成质量评价
• 对话交互的自然性与一致性

您认为，这样的技术在实践过程中有哪些痛点？

• 语音数据的采集、处理与合成相较于文本模态更为复杂，质量控制和标注成本高昂
• 语音 token 率远高于文本，导致序列长度急剧增加，对模型架构设计与推理效率提出严峻挑战
• 如何在跨模态对齐中兼顾语言理解与情感表达，确保模型兼具“智商”与“情商”，仍是一个开放问题

演讲亮点

• 以 Step-Audio2 为例，分享 SOTA 端到端语音模型的使用、部署与落地最佳实践
• 揭秘模型设计背后的一线 know-how

听众收益

• 深入了解语音 LLM 的前沿技术发展趋势
• 获得端到端语音模型从理论到实践的系统知识，助力相关研发与应用落地