Vidu S1（生数实时交互视频模型）

Vidu S1 是生数科技（Shengshu）推出的视频生成模型。与常见的「写一段提示词、等一段成片」的模型不同，它实时生成画面，并把语音指令直接作为控制输入^[1]。2026 年 7 月 3 日，生数在北京全球数字经济大会的人工智能论坛上发布了这一模型^[2]。

一张图片就能开始的对话

使用前，用户只需上传一张图片，系统就把它变成一个可以交互的角色，既不需要为每个角色单独建模，也不需要微调^[2]。此后模型不会在某个固定时长上停下：公司称它可以一直生成下去，不会出现长时间生成中常见的画面模糊或漂移^[1]。输出为 540p 视频，最高 42 帧每秒，运行在普通消费级显卡上^[1]。生数称它是第一个支持不限长度视频交互的生成模型^[2]。

自回归扩散

公司把这条技术路线称为「自回归扩散（autoregressive diffusion）」：每一段画面，都是由已经生成的帧、当前的语音指令和对话上下文共同预测出来的^[2]。名字里的两个词各指一件熟悉的事。自回归模型一次只生成序列中的下一小段，再把这段结果送回输入端作为下一步的依据，语言模型逐词写句子用的就是这个办法；扩散模型则从噪声出发，一步步去噪，直到显出清晰的样本。两者合在一起，就是每生成下一段视频时都在做去噪，而条件既包括此前已经生成的画面，也包括用户刚刚说出口的那句话。正因为条件里同时有过去的帧和当下的指令，画面的连续性和对语音的响应来自同一个机制。

速度从哪里来

系统由生数的两个组件搭成：TurboDiffusion 推理框架和 TurboServe 服务引擎^[1][2]。加速本身来自几项技术：少步生成、低比特的 SageAttention、名为 SLA 的稀疏注意力，以及 SpargeAttention^[2]。少步生成指的是用少数几次去噪就得到可用的画面，而不是像通常的扩散模型那样走上几十步。稀疏注意力的一般思路是跳过注意力计算中权重小到可以忽略的部分，只计算真正起作用的关联，从而省下算力，同时对最终看到的画面影响不大。

打算用在哪里

生数把 S1 定位在屏幕对面有一个真人、需要实时回应的场景：视频通话、互动直播、游戏中的非玩家角色（NPC）、品牌数字人、客服，以及扩展现实（XR）^[2]。在这些场景里，模型交付的不是一部做好的片子，而是一个必须马上回应、并且要一直回应下去的参与者。

在视频生成中的位置

多数视频生成模型瞄准的是一段有边界的产物：输入提示词，输出固定长度的片段。S1 的不同之处在于把实时速度、语音控制和开放式时长放在一起，使生成从一次渲染任务变成更接近对话的东西。发布论文把 Jintao Zhang、Kai Jiang、Jintao Chen 和 Xu Wang 列为共同第一作者^[1]。