内容摘要：7月3日，在2026全球数字经济大会人工智能融合应用发展论坛上，生数科技创始人朱军发表《通用世界模型，推动数字世界与物理世界统一的新范式》主题演讲，正式推出面向实时交互场景的新一代模型——Vidu S

7月3日，实时交互在2026全球数字经济大会人工智能融合应用发展论坛上，生数时代生数科技创始人朱军发表《通用世界模型，科技推动数字世界与物理世界统一的发布新范式》主题演讲，正式推出面向实时交互场景的动视新一代模型——Vidu S1 实时交互模型。同期，频生北京软件和信息服务业协会（BSIA）发布《2025年北京市数字经济标杆企业评价报告》，成迈生数科技凭借卓越的向新技术创新与产业落地能力，荣膺“新模式新应用标杆企业”。实时交互

Vidu S1 的生数时代核心突破在于将视频生成从“单向内容生产”升级为“双向实时互动”，标志着 AI 视频技术迈入实时交互的科技新阶段。

核心亮点：从“生成”到“对话”的发布范式转移

Vidu S1 支持实时视频通话与语音控制视频走向，用户可通过语音指令实时操控数字人行为，动视实现无限时长的频生连续互动。

• 高清流畅体验：支持 540P (960x540) 高清分辨率，成迈帧率高达 25FPS（最高支持 42FPS）。
• 多风格适配：基于真人、动漫、萌宠等任意初始形象及个性化音色，快速构建专属交互角色。
• 沉浸式交互：提供更自然、流畅且具沉浸感的实时互动体验。

技术突破一：语音指令实时跟随，让数字人真正“听懂”

传统视频大模型多采用“输入提示词—等待生成—播放结果”的离线模式，内容固定且缺乏互动性。Vidu S1 打破了这一局限：

1. 实时响应：在视频通话中，用户持续输入语音，模型结合语音内容、对话上下文及当前画面状态，实时生成角色的后续动作与内容。
2. 行为控制升级：从传统的“音频驱动口型”进化为“语音控制行为”。Vidu S1 不仅同步口型，更能理解语义、意图与情绪，实时生成匹配的表情、眼神、手势及全身姿态。
3. 智能角色进化：数字人从“会说话的虚拟形象”转变为能理解用户、即时回应并持续互动的生成式角色。

技术突破二：无限时长实时生成，视频在互动中持续演化

传统模型通常生成 3s-30s 的固定片段，难以中途干预。Vidu S1 采用 自回归扩散模型 (AR + Diffusion)技术路线：

• 动态预测：基于历史画面，结合当前语音指令和上下文，持续预测并生成后续内容。
• 实时调整：用户发出新指令时，模型实时调整角色表情、动作及剧情走向，使视频成为持续生成、实时响应、动态演化的交互过程。
• 无限时长稳定：首次实现无限时长的实时视频生成。即使连续生成数小时，画面依然保持稳定，无漂移或崩坏现象。
• 身份与动作一致性：在长时间运行中，同时保持角色身份稳定、动作自然连贯，并持续接收指令实时响应。

技术突破三：零建模创建，一张图片即可生成实时交互角色

传统数字人创建需上传多素材、建模、绑定、训练，周期长门槛高。Vidu S1 采用纯生成式技术路线：

• 极简创建：无需离线建模与训练，仅需上传一张初始图片。
• 智能理解：模型自动理解角色身份、外观及视觉风格，实时生成口型、表情、动作及姿态。
• 全风格支持：真人、动漫、萌宠均可快速转化为实时交互角色。
• 视听统一：支持自定义音色，实现视觉形象与声音身份的完美统一。
• 门槛降低：将创建方式从“上传素材后等待训练”转变为“上传图片后直接互动”。

技术突破四：540P·25FPS 实时交互，打造视频通话级体验

实时交互不仅要求流式生成，更对分辨率和帧率有严苛要求。Vidu S1 通过模型加速、推理引擎与集群部署的协同优化，实现了 540P (960x540) 高清分辨率、25FPS（最高 42 FPS）的流畅体验。

1. 模型侧：TurboDiffusion 推理加速

基于生数科技 TurboDiffusion [1]框架，集成多项推理优化技术：
* 少步生成
* 低比特注意力 SageAttention [2]
* 稀疏注意力 SLA [3]
* SpargeAttention [4]

这些技术大幅降低单帧计算成本，使得在消费级显卡上即可实现 540P/25FPS 的实时生成。

2. 系统侧：TurboServe 高效部署

基于 TurboServe [5]推理部署引擎，实现高效请求调度：
* 持续记录用户输入、角色状态及历史画面。
* 根据交互状态动态调度计算资源。

通过模型与系统的协同优化，Vidu S1 实现了从“生成更快”到“持续在线、稳定输出、实时响应”的关键跨越。

行业意义与应用前景

540P 与 25FPS（最高 42 FPS）不仅是画质指标，更标志着实时视频生成已具备进入视频通话、互动直播、实时陪伴、互动游戏及 XR等场景的技术基础。

随着视频大模型发展，行业竞争正从画质、时长、速度的单点比拼，转向实时性、可控性与交互性的系统竞争。Vidu S1 让视频从预先生成的固定内容，升级为能理解指令、实时响应并持续演化的交互载体。

未来应用场景：
* AI 情感陪伴
* AI 虚拟偶像
* 互动直播
* 游戏 NPC
* 品牌数字人
* 智能客服
* 在线教育
* XR 场景

Vidu S1 推动数字角色从一次性内容资产，升级为长期在线、持续互动的智能入口。

体验方式

Vidu S1 已开启内测，用户可通过以下方式体验自定义初始图像及实时互动：

• 线上体验：https://www.vidu.cn/vidu-stream
• API 体验：https://platform.vidu.cn/live/landing
• APP 体验：在手机应用商店搜索「Vidu AI Pro」下载最新版本，进入 APP 点击「Vidu S1」即可体验。

---

参考文献：
[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.