Vidu S2 von Shengshu Technology feiert Premiere im KI-Moderator-Livestream: Bewertung vor der Integration des Echtzeit-Video-Interaktionsmodells
Laut einem Bericht von Xinzhiyuan vom 26. September 2026 ließen Zaomeng Ciyuan und Shengshu Technology die KI-Moderatorin „Ziying“ zum Mittherbstfest ihren ersten Livestream starten – mit der Regel, dass bei Nicht-Erreichen der Vorgabe Erinnerung zurückgesetzt und neu begonnen wird. Der Bericht nennt innerhalb von weniger als fünf Minuten rund 20.000 Zuschauer und mehrere Neustarts, bis die Vorgabe über Geschenke erreicht war. Der Bericht bezeichnet den Livestream als öffentlichen Stresstest für das Echtzeit-Interaktions- und -Editingmodell Vidu S2; die selbst gemeldeten Benchmarks und Millisekunden-Latenzangaben des Modells sind bislang nicht von Dritten überprüft.
Was sich geändert hat
Laut einem Bericht von Xinzhiyuan vom 26. September 2026 starteten Zaomeng Ciyuan und Shengshu Technology zum Mittherbstfest den ersten „unbegrenzten Geschäftsbetrieb“-Livestream der KI-Moderatorin „Ziying“. Die Regel war klar formuliert: Würden innerhalb von zwei Stunden keine 80.000 Betriebspunkte von echten Zuschauern erzielt (der Bericht nennt eine Umrechnung von etwa 8.000 RMB), würde der Livestream zwangsweise beendet, die Erinnerung zurückgesetzt und neu gestartet. Dem Bericht zufolge strömten in weniger als fünf Minuten rund 20.000 Zuschauer in den Livestream; die erste Runde verfehlte die Vorgabe, nach mehreren Neustarts verdiente sie das Geld selbst – der Bericht nennt für den ersten Tag über 10.000 Umsatz in fünf Stunden und einen endgültigen Betriebspunktestand von 24.184, wobei die zweite Runde sich fast verdoppelte und die dritte Runde vor ihrem Ende das Volumen der zweiten übertraf. Der Bericht ordnet den Livestream als öffentlichen Stresstest für das neu veröffentlichte Modell Vidu S2 von Shengshu Technology ein. Die im Bericht beschriebenen Modellfähigkeiten umfassen: Vidu S2-Avatar unterstützt Echtzeit-Sprachinteraktion und komplexe Bewegungskontrolle und kann mit Referenzbildern Objektinteraktion, Kleidungswechsel und Hintergrundwechsel umsetzen; Vidu S2-Editing unterstützt die kontinuierliche Echtzeitbearbeitung eingehender Videostreams auf Basis von Stil-, Kleidungs-, Subjekt- und Hintergrundreferenzbildern; zugleich bleibt ein Offline-Pfad erhalten, bei dem ein Bild plus ein Audiostück ein digitales Menschenvideo erzeugt. Der Bericht nennt eine Berechnung der Echtzeitbilder innerhalb weniger hundert Millisekunden und sagt, S2 könne im Vergleich zu Vidu S1 größere Ganzkörperbewegungen wie Drehen, Gehen und Tanzen ausführen. Die gesamte Entwicklungskette liegt laut demselben Bericht bei Zhang Jintao, Doktorand von Professor Zhu Jun an der Tsinghua-Universität und Leiter für Streaming-Videogenerierung und -Inferenz bei Shengshu Technology – diese Angabe stammt ebenfalls aus dem Bericht und nicht aus einer unabhängigen Quelle.
Auswirkungen für Entwickler
Zunächst sollten überprüfbare und nicht überprüfbare Dinge getrennt werden. Der Livestream hat tatsächlich öffentlich stattgefunden, und der Anbieter hat tatsächlich die Doppelform-Fähigkeiten von Vidu S2 beschrieben; die Livestream-Daten, die Millisekunden-Latenz und die im Bericht genannten Benchmark-Werte stammen jedoch aus der Perspektive der Veranstalter und des Anbieters. Die im Bericht erwähnten Werte von StreamAV-Bench – AIF-Audioanweisungsabschluss 2,985, AVAlign 0,353 –, von Sparkle-Bench – globale Anweisungen 4,00, Vordergrundanweisungen 3,98 – sowie die Präferenzrate von 71,4 %–100 % gegenüber drei kommerziellen Systemen in der GSB-Dimension der semantischen Befolgung enthalten keine Angaben zu Evaluationsdatensätzen, Vergleichssystemen oder Reproduktionsskripten. Insbesondere GSB ist eine Präferenzrate und keine Korrektheitsrate; ohne Kenntnis der Vergleichsobjekte und der Stichprobenzusammensetzung lässt sie sich kaum auf die eigene Aufgabe übertragen. Die folgenden zwei Punkte sind bedingte Empfehlungen und nicht Inhalt des Berichts. Erstens: „Echtzeit-Interaktionskette“ und „Offline-Generierung“ sollten als zwei Lieferformen gewählt werden, nicht als zwei Aufrufarten derselben Schnittstelle. Der Bericht nennt sowohl einen Echtzeit-Sprachinteraktionspfad als auch einen Offline-Pfad mit einem Bild plus einem Audiostück; beide haben unterschiedliche Kostenstrukturen und Abnahmekriterien. Entscheidend ist, ob Ihr Szenario eine nachträgliche Bearbeitung toleriert: In Livestreams, Echtzeit-NPCs und Videosupport können Zuschauer jederzeit unterbrechen, ihre Meinung ändern oder neue Anforderungen stellen – dort bleibt nur Streaming; für Kurzvideos, Marketingmaterial und vorgerenderte digitale Ansagen ist Offline einfacher. Eine Prämisse, die diese Wahl ändern würde, ist das End-to-End-Latenzbudget – Echtzeit-Sprachinteraktion muss Spracherkennung, Generierung, Sprachsynthese und Netzwerk-Roundtrips verbinden, während der Bericht nur sagt, die Bilder würden in wenigen hundert Millisekunden berechnet, ohne zu klären, ob dies das erste Frame, ein einzelnes Frame oder den End-to-End-Wert meint. Eine messbare Prüfhandlung ist, mit einem festen Skript im eigenen Netz und in der eigenen Region die P50 und P95 der End-to-End-Erstreaktionszeit zu erfassen sowie die Erfolgsrate, nach einer Unterbrechung wieder an den vorherigen Inhalt anzuknüpfen; liegt die P95 über Ihrer Toleranzgrenze für Dialoge, sollten Sie das Szenario zunächst auf Offline-Lieferung herabstufen. Zweitens: ob in langen Sitzungen dynamische Referenzen aktiviert werden, also Kleidungs- und Hintergrundwechsel sowie das Nachreichen von Referenzbildern während der Sitzung. Der Bericht sagt, dynamische Referenzen könnten jederzeit um Referenzbilder ergänzt werden und die Kohärenz der zeitlichen Abfolge wahren; das entsprechende reale Risiko ist Konsistenzdrift in langen Sitzungen. Voraussetzung für die Wahl ist, dass Sie über einen Bestand an Charakterreferenzbildern mit Versionsverwaltung verfügen, denn jeder Kleidungs- oder Szenenwechsel ist ein neuer Referenzeingang, und Fehler im Referenzbild schlagen direkt auf das Bild durch. Eine messbare Prüfhandlung ist, mit demselben Charakter, demselben Audiostück und derselben Referenzbildgruppe mehrere Runden zu generieren, in festen Abständen Frames zu entnehmen, den Verformungsanteil von Gesichtszügen, Kleidung und Licht sowie den Anteil der Frames mit manuellem Eingriff zu erfassen und den Anteil fehlerhafter Frames als Freigabeschwelle zu setzen, statt nur eine fein geschnittene Demo zu betrachten. Der dritte Punkt ist eher eine Risikobepreisung: Der Bericht beschreibt Konsistenz als Systemeigenschaft, die durch fünf Ebenen – Training, Daten, Architektur, Inferenz und Evaluation – gemeinsam bestimmt wird, und nennt eine SRF-Trainingstechnik zur Unterdrückung von Drift bei langer Streaming-Generierung. Wenn diese Aussage zutrifft, bedeutet sie, dass Konsistenz ein technisches Problem ist, das mit der Sitzungsdauer abnimmt, und kein einmalig einstellbarer Parameter. Es empfiehlt sich, lange kontinuierliche Sitzungen als eigene Testlinie zu führen und getrennt von Kurzsegmenttests zu protokollieren.
Integration und Bewertung
Der erste Schritt vor der Integration ist, die Form zu klären, statt zuerst Preise zu vergleichen. Der Bericht nennt Einstiegspunkte für die Erfahrung, Dokumentation zur API-Plattform und zum technischen Bericht, sagt aber nichts über den Öffnungsumfang, ob Unternehmensqualifikationen erforderlich sind, ob Private Deployment unterstützt wird, über Obergrenzen für Parallelität und Kontingente sowie über Datenaufbewahrung und Regionalstrategie. Diese Punkte entscheiden, ob Sie eine Streaming-Video-Schnittstelle anbinden oder selbst einen Inferenz-Cluster aufbauen müssen – die Anforderungen an das Team unterscheiden sich grundlegend. Zweitens: Testen Sie die Konsistenz mit eigenen Inhalten statt mit offiziellen Beispielen. Nehmen Sie eigene Charakterbilder, eigene Schauplätze und Ihr Make-up und führen Sie eine lange Sitzung durch, die die im Bericht genannten Bewegungen abdeckt und mindestens drei Dinge enthält: Kleidungswechsel, Hintergrundwechsel und das Wiederanknüpfen an den vorherigen Inhalt nach einer Zuschauerunterbrechung; notieren Sie Punkt für Punkt, wo für Menschen erkennbar die Illusion bricht. Drittens: Kalibrieren Sie die Benchmark-Basis. Selbst gemeldete Werte für StreamAV-Bench, Sparkle-Bench und GSB können ohne öffentliche Evaluationsdatensätze und Skripte nur als interner Anbietervergleich dienen; klären Sie zuerst, ob Sprachen und Aufgabenformen dieser Benchmarks zu chinesischer Echtzeit-Sprache und Livestream-Szenarien passen, bevor Sie sie als Auswahlgrundlage heranziehen. Viertens: Behandeln Sie den Offline-Pfad als Rückfalllösung. Die Echtzeitkette kann zu Spitzenzeiten oder bei Störungen nicht verfügbar sein; die Offline-Generierung mit einem Bild plus einem Audiostück sichert die kontinuierliche Materialproduktion, und die Kosten dieses Backup-Pfads sollten in die Bewertung einfließen. Schließlich muss die Kostenbasis auf Ihrem eigenen Verbrauch beruhen: Echtzeit-Interaktion wird üblicherweise pro Sekunde oder pro Dauer abgerechnet, Offline-Generierung pro Aufruf oder pro Material; der Bericht nennt kein Abrechnungsmodell, sodass die Stückkosten aus der Preisseite des Anbieters und Ihrem gemessenen Verbrauch abgeleitet werden müssen.
Grenzen und offene Fragen
Der Bericht sagt nicht, ob die Gewichte von Vidu S2 offen sind, welche Lizenz gilt, wie viele Parameter das Modell hat und wie groß die Trainingsdaten sind; daher lässt sich aus öffentlichen Informationen nicht beurteilen, ob lokales Deployment möglich ist. Offene Gewichte und eine Open-Source-Lizenz sind zwei verschiedene Dinge, und hier ist nicht einmal geklärt, ob die Gewichte offen sind – „es gibt eine API“ darf nicht als „selbst hostbar“ verstanden werden. Die SRF-Trainingstechnik und die Frame-Alignment-Sparse-Attention werden im Bericht nur in einem Satz zusammengefasst; ihre technische Bedeutung und Anwendungsgrenzen lassen sich nicht bewerten. Die livestreambezogenen Zahlen – 20.000 Zuschauer, Betriebspunktestand 24.184, über 10.000 Umsatz in fünf Stunden am ersten Tag – stammen aus der Perspektive der Veranstalter und des Berichts; Betriebspunkte sind eine interne Zählung, der Bericht gibt nur ein Umrechnungsbeispiel, eine unabhängige Prüfung ist nicht möglich. Der beigefügte arXiv-Technikbericht und die selbst gemeldeten Benchmark-Werte des Anbieters sind nicht von Dritten überprüft und sollten nicht als bestätigte technische Fakten zitiert werden. Die Absätze zu Wahl der Lieferform, Bedingungen für dynamische Referenzen und Prüfindikatoren sind bedingte Analysen und Empfehlungen, nicht Inhalt des Berichts, und stellen kein Urteil über die tatsächliche Leistung des Modells dar. Vidu S2 ist derzeit nicht im Modellkatalog von KimiSeek enthalten; die im Bericht erwähnte API-Verfügbarkeit bezieht sich auf die eigene Vidu-Plattform von Shengshu Technology und hat nichts mit dieser Website zu tun; die frühere Existenz anderer Versionen der Familie ersetzt diese Erklärung nicht. Sollte das Modell künftig gelistet werden, richten sich Verfügbarkeit und Preis nach der Preisseite der Website; Preise können sich mit der Zeit und je nach Zeitfenster ändern.