大家刷直播或者找客服的时候,有没有遇见过那种所谓的AI主播?
表面上看着挺像那么回事儿,但只要我稍微问深一点,或者中间突然插嘴,完了,卡壳了。
接着,它就像个机械读稿机一样,继续自顾自地念台词。
但是咱们试想一下如果有一天,屏幕里这个 AI 真的活过来了呢?
最近 Vivix 新出的两款模型 A1 和 W1,正在将这种设想变成现实!
这两个模型生成的 AI 角色直接摆脱了以前人形立牌一样的机械感,第一次让我觉得屏幕里的 AI 变成了活生生的人~
地址在这儿: vivix.ai
1秒接话!
咱们先看看以前的数字人是怎么工作的。
绝大多数数字人主播的实现方式,都需要分三步走。
第一步是ASR(语音识别),把你说话的声音转成文字;第二步是LLM(大模型思考),生成对应的文本答案;第三步是TTS(语音合成),把文字再变回声音,最后强行把嘴型给贴上去。
这样做虽然能让 AI 角色做出回答,但缺点非常明显。
一个是生成延迟太长,中间要过好几手,再就是非常别扭,AI 角色的动作、表情和嘴型,很难完全对得上。

听到这儿你可能会好奇,现在的 AI 生成视频都这么厉害了,为什么不能直接用到数字人身上呢?
其实很多公司也在试,但问题是,这种视频生成对算力的要求实在是太高了,根本做不到实时给你反馈。
这就导致有些数字人虽然看起来很自然,但实际上只能在那里无限循环重复。
而 Vivix 这次发布的 A1 模型,正是在尝试解决这些实时交互中的难题。
AI 角色不仅能实时回答你的问题,甚至可以在一秒钟之内,完成画面的实时生成。
可能这么单说你觉得有点抽象,但是咱们只要看看下面几个案例,你就会发现这个突破到底有多大了。
以往的 AI 数字人,别说实时互动了,光是想让它动动全身、换个场景,都难如登天。
绝大多数只能被死死固定在镜头前,靠几套预设好的手势来回摆弄。
而 Vivix A1 模型生成的 AI 角色,直接做到了全身交互。
它让 AI 角色的能力,不再局限于固定机位,彻底扩展到了全身的动作、空间里的走动,甚至是直接跟周围的物品产生互动。
在 Vivix A1 里面,语音、文字还有图片,不再是开场时一次性设定、全程不变的固定条件,可以在互动过程中随时喂给它。
在直播电商场景中,虚拟主播能够根据用户反馈实时调整讲解内容,灵活过款,或随时切换到其他商品。
还有一点让我印象特别深,Vivix-A1 生成的角色动作足够丰富自然,不会走着走着突然乱蹦、动作崩掉。
当然,真要论画质的细腻程度,顶尖的离线视频模型还是更有优势。
但在边聊边生成的实时互动里,能把画面做到这么流畅清晰,已经是在颠覆行业规则了。
而 Vivix 真正的杀招,可不止这一个 A1 模型。
无限扩展
如果说 A1 是创造了一个会呼吸的顶流演员,那 Vivix 推出的另一个模型 W1,就相当于是帮你创造了一个可以沉浸式体验的世界。
这东西要是普及了,咱们平时玩游戏、看剧的体验,就完全不一样了!
不知道你有没有玩过那种互动影视游戏?比如《底特律:变人》。
以前玩这种游戏,说白了都是在做选择题,路线和结局全被编剧给死死框住了。

但有了 W1,以后的游戏可能就直接没有剧本这一说了!
镜头瞬间切换,画面、配音、包括背景音乐,全部实时给你跑出来。
比如这样:
故事怎么发展、主角是生是死,全看你下一句想怎么折腾。
你每玩一次,都是在亲手导演一部独一无二的顶级大片!

W1 真正颠覆行业的地方,是它把过去必须分开处理的多模态参考、流式生成和原生交互,全部塞进同一个模型里搞定了!
当然,你可能会好奇,既然要实时处理这么多东西,它跑起来得有多卡啊?
其实 Vivix 专门优化了算法,从底层重新给模型提速。
只有这样,它才能在秒级响应的同时,保住顶级的画面和剧情连贯性。
瞬间生成未来
以前像 DiT 这类主流的视频生成架构,都是离线模式。
你给它一个完整的提示词,它在后台慢慢算,把整段视频一口气跑完。这种方式画质虽然高,但前提是生成的目标在刚开始就已经定好。
但实时交互,直接把这个前提给干掉了。
你在看视频的过程中随时可能说话、打断它,甚至临时改变角色的行为。
这就要求模型不仅要记住过去,理解现在,还要瞬间生成未来。
带来的数据吞吐量是难以想象的,文本交互通常以每秒几个到几十个 Token 的规模处理。
而实时音视频场景需要持续处理视觉、音频等多模态信息流,Token 吞吐量可能达到前者的 10³–10⁴ 量级。
要在毫秒级的超低延迟下,跑这么庞大的数据量,旧架构根本扛不住。
Vivix 必须从底层对模型架构、交互方式和基础设施,进行一场全面的重构!
第一,在模型架构与交互层。
Vivix 摒弃了传统的“离线生成”和“先把音视频转成文字再给 AI 思考”的繁琐链路。
它建立了一套原生多模态统一的流式架构。无论是你的语音、文字,还是新的图片、场景上下文,都会被作为原生信号直接喂进模型。
在W1 模型里,不仅能做到一秒内实时反应,还能同步协调动作、对白、背景音效、镜头调度乃至剧情发展。

第二,在训练与推理架构层(Infra)。
如果只有好模型,没有极致的 Infra(基础设施),这种技术就只能是实验室里烧钱的 Demo。而 Vivix 在 Infra 上的壁垒,直接决定了它能不能真正规模化应用:
训练端:Vivix 重构了整个管线,实现了原生 2K 10bit 长视频训练。配合他们自研的 Sparse Attention(稀疏注意力机制)对时空特征的极致压缩,激活参数 30B 的视频模型,在一个月内就能完成稳定训练。
推理端:Vivix 完成了 FP4 无损推理。在架构层面,支持快思考和慢思考模式,让“打断”等能力变成了原生体验。
过去一年,Vivix将实时视频推理成本在过去一年内降低 2 个数量级,目前已接近云游戏、音乐会员和流媒体服务的成本区间,数量级显著低于目前的头部视频生成模型。
普通人真正能用得起了。
第三,在数据平台层。
实时交互模型不仅要学会下一秒发生什么,还要学会人类介入后,内容怎么变。
这种数据市场上根本买不到。
所以 Vivix 从成立的第一天起,就围绕着 观测—交互—生成 搭建了独家的数据三元组,并且积累了大规模的精标数据。
再通过几十个专项训练的专家模型,组成了全自动化的数据处理管线。
当然,作为一项前沿技术的探索,它肯定还有提升空间。
A1 在处理一些极高速的复杂动作、大范围跑动,或者是非常精细的手部抓取时,偶尔还是会出现动作不一致或者物理逻辑的小偏差。
而 W1 实时生成的画面质感也仍有提升的空间。
但瑕不掩瑜,Vivix 作为最早押注实时交互技术的厂商,相信随着模型的迭代,这种全新的交互式 AI 视频,绝对会彻底改写我们未来看电影、玩游戏、甚至跟AI角色相处的方式。
说到这里,我也挺好奇的,如果这种实时互动随叫随应的 AI 技术真的彻底成熟了,你最想拿它来做什么?
欢迎在评论区留下你的脑洞,咱们一起聊聊!









发评论!每天赢奖品
点击 登录 后,在评论区留言,系统会随机派送奖品
2012年成立至今,是国内备受欢迎的设计师平台,提供奖品赞助 联系我们