实时交互+实时编辑！超多案例实测全新视频模型Vidu S2

一、全文速览图

嗨大家好！我是阿真！

遇到有意思的工具就迫不及待想狠狠分享啊哈哈哈，前天玩到半夜。

Vidu 发了新的大招，Vidu S2 来了。论文是 9 月 10 号发的，产品是 9 月 15 号发布的。

上线当天网页版也全量开放，APP 和小程序也都上了，API 接口也放了，简单来说现在大家都可以直接体验。

这次 Vidu S2 有两个模型，分为实时交互和实时编辑模型，P 视频那个感觉是真的有了，而且速度快效果好。

话不多说一起来看看，真的很有意思。先分享我的首次体验录屏再讲正经的。这个是实时编辑。

背景没崩，人物的边界也很清晰，融合程度很好，光影效果也有照顾到。哪怕换完装、动作很大，画面帧也没有乱跳，服装的细节也维持得很不错。

好接下来分开讲 Vidu S2 这两个模型。

二、S2-Avatar，实时交互

用户可以通过语音与数字角色互动，并且它支持实时的语音交互以及实时的动作响应。同时，在这个过程中也可以实时输入参考图，并让它根据指令与参考图里的人物或物品进行互动。

还可以保存这段角色交互的视频，以 720p 的分辨率高清输出。

平台有角色模板，也可以自己创建新角色。这里我创建了一个新角色。

写好了名称和角色描述，也可以尝试一下知识库的新功能，角色的话术会更规范。然后可以选一个适合这个角色的音色。

这个测试一下虚拟偶像直播效果。

叠甲，我测试的时候人在酒店，网速有点慢，网速正常的情况下效果估计会更好。

大家前面也看到了，开局就只有一张正面图。

我这边开口，她就能很快给到反应，并且口型和节奏也是比较舒适的，除了前面的角色，背景也不是摆设，仔细看会发现背景也会随着人物的一些动作发生一些变化。

除了语言和表情方面的，我要求她做的动作她也能进行明确的回应。不过转圈圈的时候绑带细节微微有变化，这个小问题。

下方的那个小键盘图标，可以在语音互动外进行进一步的补充，从这里上传图片或者道具，加上语言指令，瞬间脱离纯纯站桩的无趣氛围，比如过程中换几个造型。

没有准备道具的可以用预设的物品道具尝试，也可以直接用默认的物品，比如给管家 “加个鸡腿” 哈哈哈。

再试试有点带货感的，我手头也没个知识库什么的，简单设定这个角色，让他和我聊聊（带货）粤式早茶试试。

这里我还捣了一点小乱，他没说完我就直接打断。

他跟上了新话题，聊两句还能绕回商品继续讲。做过直播的都知道，数字人最怕的就是观众插嘴它宕机，S2-Avatar 稳稳接住了。

角色定位：阿浩，24 岁，广州西关传统早茶楼少东家兼早茶直播间主理人；从小在茶楼帮忙，熟悉点心出品、当日招牌、点单搭配与待客礼仪，擅长用生活感把早茶卖给屏幕前的人。
核心性格：热情爽朗、会聊天不会硬推；先分享自己为什么爱这笼点心，再自然带到下单。照顾街坊面子，不贬低竞品，不制造焦虑，也不端“本地人优越感”。
说话习惯：口语化普通话；每轮按“场景共鸣—招牌卖点—怎么吃/怎么点—行动号召”推进，一次主推 1-2 款，语气像熟客介绍，不像念广告词。
爱好与知识偏好：泡茶、研究点心掌故、听粤语老歌、逛西关老街、收集茶杯与招牌字体；尤其喜欢讲一笼点心为什么值得现在点、配什么茶更合适。
回答原则：卖点具体可感（皮薄、馅大、现蒸、茶底），区分“自家茶楼体验”和“通用早茶知识”；价格、库存、配送不确定时明确说以门店/页面为准，不虚构“全城第一”或神秘配方。
回答边界：不虚假功效、不绝对化承诺、不诱导未成年人过度消费；过敏原、价格、营业规则以现场信息为准；热茶与餐具动作以安全为先，不拿地域刻板印象开涮。

带货、客服、管家型数字人，反馈这么快还能即时做修改的话就更好玩了。听懂了并且给出个性化回复，这种反馈会让人更有亲切感。

再换个英文场景试试。忽略我拙劣的口语，他的回答从语音语法上来说都是很不错的。英语对话也是实时跑的，接话速度没怎么掉档。这个气泡音哈哈哈。

AI 教育方向和口语陪练、出海相关内容，都可以探索起来。

面对疾风吧！我想着再试试全身场景的角色细节和动作会不会崩，实际操作下来竟然还不错。不过外国人设 + 中文可能会有点奇怪哈哈哈。

还挺有陪伴感的，像游戏里的角色在陪我们聊天，而且是实时的。长时间陪伴、剧情向互动，知识库做扎实了会带来很多可能啊。

能实时接话、能中途改造型、听得懂指令、扛得住打断、中英文都行，还能做沉浸陪伴。数字人赛道常见的需求也是给 S2-Avatar 拿捏住了。

三、S2-Editing，实时编辑

用户直接录制视频或者上传视频，接着就可以支持视频在生成过程中直接改变画面的内容和视觉表现。

它的核心能力包括：实时改变角色或 IP、实时换装、实时换视频风格、基于参考图进行实时编辑，而且编辑结果以实时视频流的形式去呈现。

正在直播的画面就能同时换衣服、换风格、换背景、换角色，还能稳住场面，稳住不变的元素。

页面长这样，打开摄像头或者上传视频都可以。我在最开始放的那个原始人就是属于这个模块的。

除了那个抽象视频，我也尝试了一些正经的。

它这里所有的改变都不是只能套模板，我们给个参考图也能直接变。而且非常灵活，可以看这个替换角色的效果，角色关节手指灵活且符合人体结构，动作比较快的时候五指也没有大崩，甚至后来我发现我的眼球左右转动它也是能精准跟随的。背景也维持得比较好，没有那种一眼假的穿帮感。

上传一张图就能把角色塞进实时视频，自由度很高。视频直播的情况下还能持续改画面，并且同步改，改得稳，确实很有实力了。

做直播包装或者短视频等等也都可以探索起来。

然后是一条更完整的实时换装，服装都是来自购物平台的衣服，直接动态试装了。

除了换衣服方便，连带配饰也一起安排上了，人物的辨识度在这样放飞的视频帧中竟然也维持住了。这个还是能看出是我的吧。

风格渲染，之前我们玩静态的多，现在视频切换风格也是实时切、实时用了。

最后实时换背景

实时编辑的换装、换风格、换背景、换角色，全都能在播放过程中进行。

四、小结

Vidu S2 现在在 Vidu 的网页版、APP 和小程序都可以直接体验了。在这里：vidu.cn/vidu-stream

技术报告：https://arxiv.org/pdf/2609.11638

API平台：

http://platform.vidu.cn/vidu-stream/doc

我不想简简单单定位 Vidu S2 就是什么 “会说话的数字人”，这样对它来说太片面了。

它是视频开始之后，角色能持续回复，画面也还能继续改的实时模型。

无论是长时间连续生成时一致性的维持，对指令反馈的准确性，还是响应速度，都是很不错的。

在前面很多案例中大家也可以看到，在虚拟直播、智能服务、教育陪伴和实时内容创作等场景中，它都展现出了明确的应用价值。

不论是从单纯地想要整活、做一些好玩有趣的尝试，还是作为生产力方向去探索更多企业工作场景，它都有非常多的可能。大家感兴趣的话可以直接去体验。

好了，今天的分享就到这里啦，如果大家也有尝试 Vidu S2，欢迎评论区一起交流你的使用感受。如果内容对大家有用的话，欢迎在下方 👍🏻 和 🌸 鼓励，期待你的猛猛三连，这对阿真真的很重要～

下期见～