生数科技发布实时交互模型 Vidu S1

背景

视频生成模型过去主要以离线方式工作：用户写一段提示词或上传一张图片，模型在服务器上计算一段时间，返回一小段视频。这种方式适合制作素材，却难以支撑你来我往的对话，因为交互要求画面在对方还在说话的时候就跟着变。让虚拟形象动起来、开口说话则是另一条技术路线：传统做法先建立三维模型，再做骨骼绑定（rigging），再做驱动，每个形象都要单独处理，成本高、周期长。Vidu S1 的做法是把这两件事合成一件。

发布

2026 年 7 月 3 日，生数科技（Shengshu）在创始人朱军（Zhu Jun）主讲的主题演讲中发布 Vidu S1^[1]。公司把这次发布描述为一次转变：从离线生成一段视频，转向持续的实时交互^[1]。描述该模型的论文在同一天出现在 arXiv 上，编号为 2607.03118^[2]。同一场活动上，北京软件和信息服务业协会把生数科技评为新模型、新应用方向的示范企业^[1]。

使用中的样子

它被放在视频通话的场景里使用：模型接收语音输入，并据此改变角色的表情、手势和肢体动作^[1]。驱动画面的是说话本身，而不是事先写好的脚本或逐帧调整。模型以 540p 分辨率、每秒 25 帧运行，峰值可达每秒 42 帧^[1]。540p 低于常见高清视频的 1080p，每秒 25 帧则接近普通视频的播放帧率；这组数字指向的是一幅要持续流动的画面，而不是某一帧的极致清晰度。

角色的创建成本被压得很低：只要上传一张图片，就能得到一个可用的角色，不需要建模、骨骼绑定或单独训练^[1]。公司还称，即使连续生成数小时，画面仍能保持稳定^[1]。长时间连续生成时画面逐渐漂移、变形，是生成模型常见的难点，因此在这里稳定性和分辨率同样关键。

意义

按公司的说法，这次变化的实质是从离线制作一段视频，转为与画面中的人实时互动^[1]。如果这条路成立，视频生成就会从为后期提供素材，转向需要即时反应的场景——产出的是对话，而不是一次渲染。它同时降低了角色的门槛：起点从一套三维资产和一套绑定，变成一张图片^[1]。

Vidu S1 因此可以看作把视频生成当作界面而不是渲染器的一条路线：模型是用来对话的，运行在接近对话的速率上，而不是提交一个任务、过一会儿再回来取结果^[1]。