2026 年 7 月 3 日，生数科技（ShengShu Technology）在 2026 全球数字经济大会发布新一代视频基础模型 Vidu S1，主打实时交互视频生成。与过去”提交提示词—等待渲染—消费成片”的单向生成不同，Vidu S1 让用户用一张照片加持续语音，实时驱动一个可互动的 AI 数字角色——被官方定位为把 AI 视频从”单段内容创作”带入”持续实时互动”。
已知事实
- 交互方式：输入一张照片（真人、动漫角色或萌宠）+ 持续语音，模型据语音的语义与情绪，实时生成带唇动、表情、手势与肢体动作的角色，可持续对话。
- 技术规格：分辨率 540P（960×540），帧率 25 FPS（最高约 42 FPS）；可在消费级 GPU 上运行，而非依赖大型服务器集群；通过连续帧预测支持不限时长的实时生成。
- 架构与关键技术：自回归 + 扩散（AR + Diffusion）混合架构；官方提及 TurboDiffusion（加速）、SageAttention（8-bit 注意力）、SLA 与 SpargeAttention（稀疏注意力）、TurboServe（推理调度引擎，动态分配算力以维持低延迟）。
- 应用场景：实时视频对话、互动直播、AI 陪伴、互动游戏与 NPC、XR 体验、虚拟主播、客服、在线教育等。
- 可用性：通过 vidu.com/vidu-stream 面向公众开放，并提供开发者 API。
横向与纵向定位
横向看，同期 AI 视频的主流仍是”批量生成成片”（如可灵、Runway、Veo 等）——先提交、后等待、再消费。Vidu S1 切的是另一个维度：不追求更长更精的成片，而追求”实时、可对话”。它更接近”AI 演员/AI 数字人”，而非”AI 视频工厂”；能在消费级 GPU 上跑，也降低了实时数字人的部署门槛。两条路线服务的是不同需求。
纵向看，AI 视频的形态正从”内容”向”媒介”演进：早期是把文字/图片变成一段视频（内容生成），Vidu S1 则让视频成为一个可实时交互的界面（对话媒介）。这类似通讯技术从”录制、发送、播放”到”实时通话”的转变——一旦生成不再需要等待，视频就可能从”被观看的成品”变成”被对话的对象”。不过实时交互的画质（540P）、稳定性与延迟表现，仍需在真实场景中检验。
⚠️ 待核实：模型侧约 200ms、总延迟约 550ms 等具体延迟数字来自加更简报与中文报道，官方新闻稿未明确给出，以官方为准；发布会举办城市在不同来源中表述不一（简报作北京，部分英文源作新加坡），以主办方与官方为准；”清华 AIR Lab 孵化背书”等公司背景源自简报，未在官方新闻稿逐项确认；”全球首个正式商用实时交互视频生成”为官方与报道口径，具体以行业认定为准。
Vidu S1 以”照片+实时语音→可互动数字角色”实现实时交互视频生成，标志 AI 视频从单向”生成内容”向双向”实时对话”媒介演进；对数字媒体、交互设计与影视动画方向的教学与实践，它把实时数字人的创建门槛从”专业团队+高算力”降到”一张照片+消费级设备”，但实时画质与稳定性仍需实测。
参考来源：
- PR Newswire（官方新闻稿）：https://www.prnewswire.com/news-releases/shengshu-technology-unveils-vidu-s1-bringing-real-time-interactive-generation-to-ai-video-302817626.html
- 雷锋网：https://www.leiphone.com/category/industrynews/6GlFzI5hMwcfRoGZ.html
- IT之家：https://www.ithome.com/0/972/436.htm
- DigitalPhablet（英文）：https://digitalphablet.com/ai/vidu-s1-launches-real-time-video-generation-begins/