← Toutes les actualités

Vidu S2 de Shengshu Technology : première diffusion en direct par une présentatrice IA, à évaluer avant intégration

Selon un article de Xinzhiyuan du 26 septembre 2026, Zaomeng Ciyuan et Shengshu Technology ont fait faire à la présentatrice IA « Ziying » sa première diffusion en direct à l'occasion de la fête de la mi-automne, avec une règle : en cas d'échec, réinitialisation de la mémoire et redémarrage. L'article rapporte que près de 20 000 personnes sont arrivées en moins de cinq minutes et qu'après plusieurs redémarrages, l'objectif a été atteint grâce aux cadeaux. La diffusion est présentée comme une mise à l'épreuve publique du modèle d'interaction et d'édition en temps réel Vidu S2, dont les benchmarks auto-déclarés et les latences de l'ordre de la milliseconde n'ont pas été vérifiés par des tiers.

Publication Mise à jour

Ce qui change

Selon un article de Xinzhiyuan du 26 septembre 2026, pendant la fête de la mi-automne, Zaomeng Ciyuan et Shengshu Technology ont lancé la première diffusion en direct « activité illimitée » de la présentatrice IA « Ziying ». La règle était explicite : si en deux heures elle ne parvenait pas à obtenir 80 000 points d'activité auprès de vrais spectateurs (environ 8 000 yuans selon la conversion donnée par l'article), le direct serait coupé, la mémoire réinitialisée et la partie recommencée. L'article indique que moins de cinq minutes après le début, environ 20 000 personnes avaient rejoint la salle ; le premier round n'a pas atteint l'objectif, mais après plusieurs redémarrages, elle a gagné l'argent par elle-même : le chiffre cité est plus de 10 000 yuans de chiffre d'affaires le premier jour en cinq heures, avec un score final de 24 184 points, le deuxième round ayant presque doublé et le troisième dépassant le total du deuxième avant même sa fin. L'article présente cette diffusion comme une mise à l'épreuve publique du nouveau modèle Vidu S2 de Shengshu Technology. Les capacités décrites dans l'article incluent : Vidu S2-Avatar prend en charge l'interaction vocale en temps réel et le contrôle de mouvements complexes, et peut, à partir d'images de référence, réaliser des interactions avec des objets, des changements de vêtements et de décor ; Vidu S2-Editing permet une édition continue en temps réel du flux vidéo d'entrée à partir d'images de référence de style, de vêtement, de sujet et de décor ; une voie hors ligne est également conservée, où une image et un fichier audio suffisent à générer une vidéo de personne numérique. L'article affirme que l'image temps réel est calculée en quelques centaines de millisecondes et que, par rapport à Vidu S1, S2 peut réaliser des mouvements corporels de plus grande amplitude comme se retourner, marcher ou danser. Le développement de bout en bout serait dirigé par Zhang Jintao, doctorant du professeur Zhu Jun de l'université Tsinghua et responsable de la génération vidéo en flux et de l'inférence chez Shengshu Technology — une information qui provient également de cet article et non d'une source indépendante.

Conséquences pour les développeurs

Commençons par séparer ce qui est vérifiable de ce qui ne l'est pas. La diffusion a bien eu lieu publiquement et l'entreprise a effectivement décrit les deux formes de Vidu S2 ; toutefois, les données du direct, la latence de l'ordre de la milliseconde et les scores de benchmark cités relèvent du discours de l'organisateur et du fournisseur. Les chiffres mentionnés — StreamAV-Bench avec un AIF de 2,985 pour l'exécution des instructions audio et un AVAlign de 0,353, Sparkle-Bench avec 4,00 pour les instructions globales et 3,98 pour les instructions de premier plan, ainsi qu'un taux de préférence GSB de 71,4 % à 100 % sur la dimension du respect sémantique face à trois systèmes commerciaux — ne sont accompagnés ni du jeu d'évaluation, ni de la liste des systèmes comparés, ni de scripts de reproduction. En particulier, le GSB est un taux de préférence et non un taux de précision : sans connaître les comparateurs ni la composition de l'échantillon, il est difficile de le transposer à ses propres tâches. Les paragraphes suivants sont des recommandations conditionnelles, et non le contenu de l'article. Premièrement, considérez le « pipeline interactif temps réel » et la « génération hors ligne » comme deux formes de livraison à choisir, et non comme deux modes d'appel d'une même interface. L'article mentionne à la fois une voie d'interaction vocale en temps réel et une voie hors ligne à base d'une image et d'un audio, dont les structures de coûts et les méthodes de validation diffèrent. Le critère de décision est la tolérance de votre scénario au montage a posteriori : dans un direct, un PNJ temps réel ou un service client vidéo, le public peut interrompre, changer d'avis ou poser une nouvelle exigence à tout moment, ce qui impose le streaming ; pour une vidéo courte, un support marketing ou une annonce de personne numérique pré-rendue, le hors ligne est plus simple. Ce choix peut être modifié par le budget de latence de bout en bout : l'interaction vocale temps réel doit enchaîner reconnaissance vocale, génération, synthèse vocale et aller-retour réseau, alors que l'article indique seulement que l'image est calculée en quelques centaines de millisecondes, sans préciser s'il s'agit de la première image, d'une image unique ou du bout en bout. L'action de vérification mesurable consiste à exécuter un script fixe sur votre propre réseau et dans votre région, en enregistrant les P50 et P95 du temps de première réponse de bout en bout, ainsi que le taux de succès de la reprise du contenu précédent après une interruption ; si le P95 dépasse le seuil de tolérance que vous avez fixé pour le dialogue, commencez par rétrograder ce scénario vers une livraison hors ligne. Deuxièmement, décidez s'il faut activer les références dynamiques dans les sessions longues, c'est-à-dire changer de tenue ou de décor en cours de route, ou ajouter des images de référence à la volée. L'article affirme que les références dynamiques peuvent être complétées à tout moment tout en conservant une cohérence des relations avant-arrière ; le risque réel correspondant est une dérive de cohérence dans les longues sessions. La condition préalable pour choisir cette option est de disposer d'un ensemble d'images de référence de personnage et d'en gérer les versions, car chaque changement de tenue ou de décor constitue une nouvelle entrée de référence, et une erreur dans l'image de référence se répercutera directement à l'écran. L'action de vérification mesurable consiste à générer plusieurs rounds avec le même personnage, le même audio et le même jeu d'images de référence, à extraire des images à intervalles fixes, à enregistrer la proportion de déformation des traits du visage, des vêtements et de l'éclairage, ainsi que la part d'images nécessitant une intervention humaine, et à utiliser le taux d'images dégradées comme seuil de mise en production, plutôt que de se fier à une démonstration soigneusement montée. Troisièmement, un point qui relève plutôt de la tarification du risque : l'article décrit la cohérence comme une propriété système contrainte conjointement par cinq niveaux — entraînement, données, architecture, inférence et évaluation — et évoque une technique d'entraînement SRF destinée à limiter la dérive de la génération en flux long. Si ces affirmations sont exactes, cela signifie que la cohérence est un problème d'ingénierie qui se dégrade avec la durée de la session, et non un paramètre que l'on règle une fois pour toutes. Il est recommandé de traiter les sessions continues longues comme une ligne de test distincte, enregistrée séparément des tests sur segments courts.

Intégration et évaluation

La première étape avant l'intégration est de confirmer la forme de livraison, pas de comparer les prix. L'article fournit des points d'entrée pour l'expérience, la documentation de la plateforme API et le rapport technique, mais ne précise ni le périmètre d'ouverture, ni la nécessité d'une qualification d'entreprise, ni la prise en charge d'un déploiement privé, ni les limites de concurrence et de quota, ni les politiques de conservation des données et de région. Ces éléments déterminent si vous appelez une interface vidéo en flux ou si vous devez monter votre propre cluster d'inférence, ce qui n'implique pas du tout les mêmes exigences pour l'équipe. Deuxième étape : testez la cohérence avec vos propres contenus, pas avec les exemples officiels. Prenez vos images de personnage, votre décor et votre maquillage, et lancez une session longue couvrant les actions décrites dans l'article, incluant au moins le changement de tenue, le changement de décor et la reprise du contenu précédent après une interruption du public ; notez une par une les ruptures d'immersion visibles à l'œil humain. Troisième étape : calibrez le référentiel des benchmarks. Les scores auto-déclarés StreamAV-Bench, Sparkle-Bench et GSB, s'ils ne sont pas accompagnés de jeux d'évaluation et de scripts publics, ne peuvent être considérés que comme une comparaison interne au fournisseur ; il faut d'abord vérifier si les langues et les formes de tâches de ces benchmarks correspondent à votre scénario de voix temps réel et de direct en chinois, avant de décider de les utiliser comme base de sélection. Quatrième étape : gardez la voie hors ligne comme filet de sécurité. Le pipeline temps réel peut être indisponible en cas de pic ou d'anomalie ; la génération hors ligne à partir d'une image et d'un audio permet de garantir la continuité de la production de contenus, et le coût de cette voie de secours doit également être intégré à l'évaluation. Enfin, le calcul des coûts doit se fonder sur votre propre usage : l'interaction temps réel est généralement facturée à la seconde ou à la durée, la génération hors ligne à l'acte ou au matériau ; l'article ne donne pas le mode de facturation, il faut donc déduire le coût unitaire à partir de la page tarifaire du fournisseur et de votre usage mesuré.

Limites et points à confirmer

L'article ne précise pas si les poids de Vidu S2 sont ouverts, sous quelle licence, ni le nombre de paramètres et la taille des données d'entraînement ; il est donc impossible de déterminer à partir des informations publiques si un déploiement local est possible. Poids ouverts et licence open source sont deux choses différentes, et ici même l'ouverture des poids n'est pas précisée : on ne peut pas interpréter la présence d'une API comme la possibilité d'un auto-hébergement. La technique d'entraînement SRF et l'attention parcimonieuse alignée sur les images ne sont décrites que par une phrase dans l'article, ce qui ne permet pas d'évaluer leur portée technique ni leurs limites d'application. Les chiffres liés au direct — l'afflux de 20 000 personnes, le score d'activité de 24 184, le chiffre d'affaires de plus de 10 000 yuans en cinq heures le premier jour — proviennent de l'organisateur et de l'article ; le score d'activité est un compteur interne à la plateforme, et l'article ne donne qu'un exemple de conversion, non vérifiable indépendamment. Le rapport technique arXiv et les scores d'évaluation auto-déclarés par le fournisseur, mentionnés dans l'article, n'ont pas été revus par des tiers et ne doivent pas être cités comme des faits techniques confirmés. Les passages sur le choix de la forme de livraison, les conditions d'activation des références dynamiques et les indicateurs de vérification relèvent d'une analyse et de recommandations conditionnelles, et non du contenu de l'article ; ils ne constituent pas non plus un jugement sur les performances réelles du modèle. Vidu S2 ne figure pas actuellement dans le catalogue de modèles de KimiSeek ; la disponibilité API mentionnée dans l'article concerne la plateforme Vidu de Shengshu Technology et est sans rapport avec ce site. L'existence antérieure d'autres versions de la famille ne remplace pas cette précision. Si ce modèle est un jour référencé, sa disponibilité et son prix devront être vérifiés sur la page tarifaire du site, les prix étant susceptibles d'évoluer avec le temps et les périodes.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

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

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.