<mark id="oztn4"></mark>
0
| 本文作者： 小七 | 2026-07-03 20:48 |
7月3日，在2026全球數(shù)字經(jīng)濟(jì)大會人工智能融合應(yīng)用發(fā)展論壇，生數(shù)科技創(chuàng)始人朱軍發(fā)表題為《通用世界模型，推動數(shù)字世界與物理世界統(tǒng)一的新范式》的主題演講，并正式發(fā)布面向?qū)崟r交互場景的新一代模型——Vidu S1 實(shí)時交互模型。大會期間，北京軟件和信息服務(wù)業(yè)協(xié)會（BSIA）正式發(fā)布《2025年北京市數(shù)字經(jīng)濟(jì)標(biāo)桿企業(yè)評價報告》，生數(shù)科技憑借在技術(shù)創(chuàng)新與產(chǎn)業(yè)應(yīng)用方面的突出表現(xiàn)，成功入選“新模式新應(yīng)用標(biāo)桿企業(yè)”。
Vidu S1 實(shí)時交互模型，提供實(shí)時可交互的新一代視頻生成能力，推動AI視頻從“生成一段內(nèi)容”，邁向“持續(xù)進(jìn)行互動”。
模型支持實(shí)時視頻通話和語音控制視頻走向，用戶不僅能通過語音控制數(shù)字人的行為，還能實(shí)現(xiàn)無限時長連續(xù)互動。同時，Vidu S1支持540P (960x540)高清分辨率、25FPS幀率（最高支持42FPS），可基于真人、動漫、萌寵等任意初始形象及個性化音色，快速創(chuàng)建專屬交互角色，為用戶帶來更自然、流暢、更具沉浸感的實(shí)時互動體驗。
語音指令實(shí)時跟隨，從離線生成到實(shí)時回應(yīng)，讓數(shù)字人真正“聽懂”用戶
傳統(tǒng)視頻大模型通常采用“輸入提示詞—等待生成—播放結(jié)果”的離線模式。視頻生成后，內(nèi)容和走向基本固定，如需調(diào)整動作或劇情，只能重新輸入提示詞生成，人與視頻仍是離線的“生成與觀看”關(guān)系。
Vidu S1 打破了這一邊界。用戶可以在視頻通話過程中持續(xù)輸入語音，模型則結(jié)合語音內(nèi)容、對話上下文和當(dāng)前畫面狀態(tài)，實(shí)時生成角色的后續(xù)內(nèi)容和動作。
與此同時，Vidu S1也讓數(shù)字人從“語音驅(qū)動口型”，進(jìn)一步走向“語音控制行為”。
不同于傳統(tǒng)數(shù)字人依賴“音頻驅(qū)動口型＋預(yù)設(shè)動作庫”，Vidu S1 采用實(shí)時視頻生成技術(shù)，將語音從驅(qū)動嘴型的音頻信號，升級為控制角色視覺行為的實(shí)時指令。模型不僅能夠生成與語音同步的口型，還能理解語義、意圖與情緒，實(shí)時生成相匹配的表情、眼神、手勢、身體姿態(tài)及全身動作，讓數(shù)字人從“會說話的虛擬形象”，進(jìn)化為能夠理解用戶、即時回應(yīng)并持續(xù)互動的生成式角色。
無限時長實(shí)時生成，讓視頻在互動中持續(xù)演化
傳統(tǒng)視頻生成模型通常一次生成一段 3s-30s 的固定時長的視頻。視頻生成過程中，用戶難以在過程中加入新的指令，實(shí)時改變后續(xù)畫面。
Vidu S1 采用自回歸擴(kuò)散模型 (AR + Diffusion) 路線，不再一次性生成完整視頻，而是基于已經(jīng)生成的歷史畫面，結(jié)合當(dāng)前語音指令和對話上下文，持續(xù)預(yù)測并生成后續(xù)內(nèi)容。當(dāng)用戶發(fā)出新的語音指令時，模型可以實(shí)時理解并調(diào)整角色的表情、動作及后續(xù)視頻走向，使視頻從預(yù)先確定的固定內(nèi)容，轉(zhuǎn)變?yōu)橐粋€持續(xù)生成、實(shí)時響應(yīng)、動態(tài)演化的交互過程。
除了交互式實(shí)時生成，Vidu S1 還首次實(shí)現(xiàn)了無限時長的實(shí)時視頻生成。即使連續(xù)生成數(shù)小時，畫面仍能保持穩(wěn)定，不會漂移或崩壞。
實(shí)現(xiàn)長時間連續(xù)互動，僅僅“持續(xù)生成”還不夠。模型還需要在長時間運(yùn)行中同時保持角色身份穩(wěn)定、動作自然連貫，并能夠持續(xù)接收用戶指令、實(shí)時做出響應(yīng)。Vidu S1既能在長時間生成中保持角色形象穩(wěn)定、動作自然連貫，也能持續(xù)接收用戶語音指令并實(shí)時作出響應(yīng)，率先實(shí)現(xiàn)無限時長的生成式視頻互動。
自定義角色，無需建模與訓(xùn)練，一張圖片即可創(chuàng)建實(shí)時交互角色
傳統(tǒng)數(shù)字人的創(chuàng)建通常需要上傳多張圖片或視頻素材，并經(jīng)過建模、角色綁定、口型適配和單獨(dú)訓(xùn)練，制作周期較長。
Vidu S1采用純生成式技術(shù)路線，無需針對每個角色進(jìn)行離線建模和訓(xùn)練。用戶只需上傳一張初始圖片，模型即可理解角色的身份、外觀和視覺風(fēng)格，并實(shí)時生成角色的口型、表情、動作和身體姿態(tài)。
論是真人、動漫角色還是萌寵形象，都可以快速轉(zhuǎn)化為可實(shí)時互動的生成式角色。同時，Vidu S1支持自定義音色，實(shí)現(xiàn)視覺形象與聲音身份的統(tǒng)一。
數(shù)字角色的創(chuàng)建方式由“上傳素材后等待訓(xùn)練”，轉(zhuǎn)變?yōu)椤吧蟼鲌D片后直接互動”，大幅降低個性化實(shí)時角色的創(chuàng)建門檻。
540P·25FPS 實(shí)時交互，打造視頻通話級體驗
實(shí)時交互不僅要求模型是流式生成，也要求在實(shí)時生成的前提下，生成分辨率和幀率。
Vidu S1面向?qū)崟r交互場景，對模型加速、推理引擎和集群部署策略進(jìn)行協(xié)同優(yōu)化，實(shí)現(xiàn)540P (960x540)高清分辨率、25FPS（最高支持42 FPS）流暢幀率的實(shí)時視頻生成。
在模型側(cè)，Vidu S1 基于生數(shù)科技的 TurboDiffusion [1] 推理加速框架通過少步生成、低比特注意力SageAttention [2]、稀疏注意力 SLA [3] 和 SpargeAttention [4] 等推理優(yōu)化技術(shù)，大幅降低單幀生成所需的計算成本，在消費(fèi)級顯卡上就可以實(shí)現(xiàn) 540P 分辨率、25FPS（最高支持42 FPS）實(shí)時生成。
在系統(tǒng)側(cè)，Vidu S1 基于生數(shù)科技的 TurboServe [5] 推理部署引擎，實(shí)現(xiàn)高效的推理請求調(diào)度。系統(tǒng)持續(xù)記錄用戶輸入、角色狀態(tài)和歷史畫面，并根據(jù)交互狀態(tài)動態(tài)調(diào)度計算資源。
通過模型推理與流式服務(wù)的協(xié)同優(yōu)化，Vidu S1 實(shí)現(xiàn)了從“把視頻生成得更快”，到“讓視頻持續(xù)在線、穩(wěn)定輸出、實(shí)時響應(yīng)”的關(guān)鍵跨越。
540P 與 25FPS（最高支持 42 FPS） 不只是畫質(zhì)和幀率指標(biāo)，更標(biāo)志著實(shí)時視頻生成開始具備進(jìn)入視頻通話、互動直播、實(shí)時陪伴、互動游戲及XR等場景的技術(shù)基礎(chǔ)。
隨著視頻大模型持續(xù)發(fā)展，行業(yè)競爭正從畫質(zhì)、時長、速度等單點(diǎn)能力比拼，走向實(shí)時性、可控性與交互性的系統(tǒng)競爭。
Vidu S1 的發(fā)布，讓視頻不再只是預(yù)先生成、離線觀看的固定內(nèi)容，而成為能夠理解指令、實(shí)時響應(yīng)并持續(xù)演化的交互載體。
未來，Vidu S1 可廣泛應(yīng)用于AI情感陪伴、AI虛擬偶像、互動直播、游戲NPC、品牌數(shù)字人、智能客服、在線教育及XR等場景，推動數(shù)字角色從一次性內(nèi)容資產(chǎn)，升級為長期在線、持續(xù)互動的智能入口。
從生成一段視頻，到創(chuàng)造一個能夠持續(xù)互動的角色；從離線內(nèi)容輸出，到實(shí)時雙向交流，Vidu S1進(jìn)一步拓展了視頻大模型的能力邊界，推動AI視頻生成邁入實(shí)時交互的新時代。
Vidu S1 已開啟內(nèi)測，用戶可自定義初始圖像并進(jìn)行實(shí)時互動體驗：
線上體驗地址：https://www.vidu.cn/vidu-stream
API體驗地址：https://platform.vidu.cn/live/landing
APP體驗方式：在手機(jī)應(yīng)用商店搜索「Vidu AI Pro」下載最新版本，進(jìn)入APP內(nèi)點(diǎn)擊「Vidu S1」即可體驗
[1] TurboDiffusion: Accelerating Video Diffusion Models by 100-200 Times.
[2] Sageattention: Accurate 8-bit attention for plug-and-play inference acceleration.
[3] Sla: Beyond sparsity in diffusion transformers via fine-tunable sparse-linear attention.
[4] Spargeattention: Accurate and training-free sparse attention accelerating any model inference.
[5] TurboServe: Serving Streaming Video Generation Efficiently and Economically.
