← Todas las noticias

Vidu S2 de Shengshu Technology se estrena en un livestream con una presentadora de IA: evaluación previa a la integración de un modelo de video interactivo en tiempo real

Según un reportaje de NewAI del 26 de septiembre de 2026, Zaomeng Ciyuan y Shengshu Technology hicieron que la presentadora de IA «Ziying» ofreciera su primer livestream durante el Festival del Medio Otoño, con una regla: si no alcanzaba el objetivo, se reiniciaba la memoria y se volvía a empezar; el reportaje afirma que en menos de cinco minutos entraron unas 20.000 personas y que, tras varios reinicios, alcanzó el objetivo gracias a los regalos. El reportaje presenta el livestream como una prueba de estrés pública del modelo de interacción y edición en tiempo real Vidu S2, cuyos benchmarks autoinformados y afirmaciones de latencia de milisegundos aún no han sido verificados por terceros.

Publicado Actualizado

Qué ha cambiado

Según un reportaje de NewAI del 26 de septiembre de 2026, durante el Festival del Medio Otoño Zaomeng Ciyuan y Shengshu Technology pusieron en marcha el primer livestream «de operación infinita» de la presentadora de IA «Ziying». La regla era muy clara: si en dos horas no conseguía 80.000 puntos de operación de espectadores reales (el reportaje ofrece una conversión aproximada de 8.000 yuanes), la emisión se cortaría, se reiniciaría la memoria y se empezaría de nuevo. El reportaje afirma que en menos de cinco minutos entraron unas 20.000 personas en la sala; la primera ronda no alcanzó el objetivo y, tras varios reinicios, ella misma ganó el dinero: las cifras del reportaje son más de 10.000 yuanes de facturación en las primeras cinco horas del primer día y un total final de 24.184 puntos de operación, casi el doble en la segunda ronda y, antes de terminar la tercera, ya superaba el total de la segunda. El reportaje enmarca el livestream como una prueba de estrés pública del modelo recién lanzado por Shengshu Technology, Vidu S2. Las capacidades del modelo descritas en el reportaje incluyen: Vidu S2-Avatar permite interacción de voz en tiempo real y control de movimientos complejos, y puede combinar imágenes de referencia para interactuar con objetos, cambiar de ropa y cambiar de fondo; Vidu S2-Editing permite editar de forma continua y en tiempo real el flujo de video de entrada a partir de imágenes de referencia de estilo, ropa, sujeto y fondo; además se mantiene una vía offline en la que una imagen más un audio bastan para generar un video de humano digital. El reportaje afirma que la imagen en tiempo real se calcula en unos cientos de milisegundos y que, frente a Vidu S1, S2 puede realizar movimientos de cuerpo entero de mayor amplitud, como girarse, caminar o bailar. El desarrollo de toda la cadena corrió a cargo de Zhang Jintao, doctorando del profesor Zhu Jun de la Universidad de Tsinghua y responsable de generación y razonamiento de video en streaming de Shengshu Technology; esta afirmación también procede del reportaje, no de una fuente independiente.

Impacto para desarrolladores

Conviene separar lo verificable de lo no verificable. El livestream sí ocurrió públicamente y el fabricante sí ofreció una descripción de las dos formas de Vidu S2; pero los datos del livestream, la latencia de milisegundos y las puntuaciones de benchmark del reportaje son versiones de los organizadores y del fabricante. Los datos mencionados de StreamAV-Bench (AIF de cumplimiento de instrucciones de audio 2,985, AVAlign 0,353), de Sparkle-Bench (instrucciones globales 4,00, instrucciones de primer plano 3,98) y la tasa de preferencia GSB de 71,4%–100% frente a tres sistemas comerciales en la dimensión de seguimiento semántico no incluyen el conjunto de evaluación, la lista de sistemas comparados ni scripts de reproducción. En particular, GSB es una tasa de preferencia, no de acierto, y sin conocer los objetos de comparación ni la composición de la muestra resulta difícil trasladarla a las propias tareas. Los dos puntos siguientes son recomendaciones condicionales, no contenido del reportaje. Primero, elegir entre «cadena interactiva en tiempo real» y «generación offline» como dos formas de entrega, y no como dos modos de llamada de la misma interfaz. El reportaje ofrece tanto la vía de interacción de voz en tiempo real como la vía offline de una imagen más un audio, con estructuras de coste y criterios de aceptación distintos. La decisión depende de si tu escenario tolera la edición posterior: en livestreams, NPC en tiempo real o atención al cliente por video, el público interrumpe, cambia de idea y lanza peticiones nuevas en cualquier momento, así que solo cabe el streaming; para videos cortos, material de marketing o locuciones de humano digital prerrenderizadas, lo offline es más sencillo. Lo que cambiaría esta elección es el presupuesto de latencia extremo a extremo: la interacción de voz en tiempo real encadena reconocimiento de voz, generación, síntesis de voz y ida y vuelta de red, y el reportaje solo dice que la imagen se calcula en unos cientos de milisegundos, sin aclarar si es el primer fotograma, un fotograma suelto o el extremo a extremo. La verificación medible consiste en ejecutar un guion fijo en tu propia red y región, registrar el P50 y el P95 del tiempo de primera respuesta extremo a extremo y la tasa de éxito al retomar el fragmento anterior tras una interrupción; si el P95 supera el umbral que hayas fijado para el diálogo, degrada ese escenario a entrega offline. Segundo, decidir si activar referencias dinámicas en sesiones largas, es decir, cambiar de ropa o de fondo a mitad de sesión o añadir imágenes de referencia sobre la marcha. El reportaje afirma que la referencia dinámica permite añadir imágenes de referencia en cualquier momento manteniendo una relación coherente entre lo anterior y lo posterior; el riesgo real asociado es la deriva de consistencia en conversaciones largas. La condición previa para elegirla es disponer de un conjunto de imágenes de referencia del personaje con control de versiones, porque cada cambio de ropa o de escenario es una nueva entrada de referencia y un error en la imagen de referencia se refleja directamente en la imagen. La verificación medible consiste en generar varias rondas con el mismo personaje, el mismo audio y el mismo conjunto de referencias, extraer fotogramas a intervalos fijos y registrar la proporción de deformación de rasgos, ropa e iluminación y el porcentaje de fotogramas que requieren intervención manual, usando la proporción de fotogramas defectuosos como umbral de lanzamiento en lugar de fijarse solo en una demo bien montada. El tercer punto es más bien precio del riesgo: el reportaje describe la consistencia como una propiedad sistémica sujeta conjuntamente a cinco niveles —entrenamiento, datos, arquitectura, razonamiento y evaluación— y propone la técnica de entrenamiento SRF para frenar la deriva en la generación en streaming prolongada. Si tales afirmaciones se sostienen, implican que la consistencia es un problema de ingeniería que se degrada con la duración de la sesión, no un parámetro que se ajusta una vez. Conviene tratar las sesiones continuas largas como una línea de prueba separada, registrada aparte de las pruebas de fragmentos cortos.

Integración y evaluación

El primer paso antes de integrar es confirmar la forma, no comparar precios. El reportaje ofrece accesos a la experiencia, a la documentación de la plataforma API y al informe técnico, pero no indica el alcance de apertura, si se exigen credenciales empresariales, si hay despliegue privado, los límites de concurrencia y cuota, ni las políticas de retención de datos y de región. Esto determina si vas a llamar a una interfaz de video en streaming o si necesitas levantar tu propio clúster de inferencia, y las exigencias para el equipo son muy distintas. Segundo, prueba la consistencia con tu propio contenido, no con los ejemplos oficiales. Usa tus propias imágenes de personaje, tu propio espacio y maquillaje, y ejecuta una sesión larga que cubra los movimientos descritos en el reportaje, incluyendo al menos el cambio de ropa, el cambio de fondo y la retomada del fragmento anterior tras una interrupción del público, y anota punto por punto lo que a simple vista rompa la ilusión. Tercero, calibra los criterios de los benchmarks. Las puntuaciones autoinformadas de StreamAV-Bench, Sparkle-Bench y GSB solo pueden tomarse como comparación interna del fabricante si no hay conjuntos de evaluación y scripts públicos; antes de usarlas como base de selección, confirma si los idiomas y las formas de tarea de esos benchmarks se corresponden con la voz en tiempo real y el livestream en chino. Cuarto, usa la vía offline como red de seguridad. La cadena en tiempo real puede no estar disponible en horas punta o ante anomalías, y la generación offline de una imagen más un audio garantiza que la producción de material no se interrumpa; el coste de esta vía de respaldo también debe entrar en la evaluación. Por último, el criterio de coste debe aterrizarse en tu propio uso: la interacción en tiempo real suele cobrarse por segundo o por duración y la generación offline por operación o por material; el reportaje no indica el método de facturación, así que hay que deducir el coste unitario a partir de la página de precios del fabricante y de tu uso medido.

Límites y cuestiones pendientes

El reportaje no dice si los pesos de Vidu S2 están abiertos, qué licencia usa, su número de parámetros o el tamaño de los datos de entrenamiento, por lo que no es posible determinar a partir de información pública si se puede desplegar en local. Peso abierto y licencia de código abierto son cosas distintas, y aquí ni siquiera se aclara si los pesos están abiertos: no hay que entender «tiene API» como autohospedaje. La técnica de entrenamiento SRF y la atención dispersa alineada a fotogramas solo aparecen en el reportaje como una frase de resumen, insuficiente para evaluar su significado de ingeniería y sus límites de aplicación. Las cifras del livestream —las 20.000 personas, los 24.184 puntos de operación y la facturación de más de 10.000 yuanes en las primeras cinco horas— proceden de los organizadores y del reportaje; los puntos de operación son un contador interno de la plataforma y el reportaje solo ofrece un ejemplo de conversión, sin posibilidad de verificación independiente. El informe técnico en arXiv adjunto y las puntuaciones de evaluación autoinformadas por el fabricante no han sido revisados por terceros y no deben citarse como hechos técnicos confirmados. Los párrafos sobre elección de la forma de entrega, condiciones de activación de referencias dinámicas y métricas de verificación son análisis y recomendaciones condicionales, no contenido del reportaje, y no constituyen un juicio sobre el rendimiento real del modelo. Vidu S2 no figura actualmente en el catálogo de modelos de KimiSeek; la disponibilidad de API mencionada en el reportaje se refiere a la propia plataforma Vidu de Shengshu Technology y no guarda relación con este sitio; la existencia previa de otras versiones de la familia tampoco sustituye esta aclaración. Si el modelo se incorpora en el futuro, la disponibilidad y los precios deben consultarse en la página de precios del sitio, y los precios cambian con el tiempo y los horarios.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

AI主播「紫樱」首播实测:生数科技实时互动模型 Vidu S2 的公开压力测试

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.