生数科技 Vidu S2、AI主播の初ライブで公開:リアルタイム動画対話モデルの導入前評価
新智元の2026年9月26日の報道によると、造夢次元と生数科技はAI主播「紫桜」に中秋の初ライブを実施させ、基準未達なら記憶をリセットしてやり直すというルールを設けた。報道では開始5分足らずで約2万人が流入し、複数回のやり直しを経てギフトで基準を達成したとされる。報道はこのライブをリアルタイム対話・編集モデルVidu S2の公開ストレステストと位置づけているが、同モデルの自己申告ベンチマークとミリ秒級遅延の主張は第三者検証を受けていない。
主な変更
新智元の2026年9月26日の報道によると、中秋の期間中、造夢次元と生数科技はAI主播「紫桜」に初の「無限営業」ライブを開始させた。ルールは明快で、2時間以内に実視聴者から80000営業値を獲得できなければ(報道による換算で約8000元人民元)、ライブは強制切断され、記憶がリセットされ、最初からやり直しとなる。報道では開始5分足らずでライブ配信室に約2万人が流入したとされ、第1回は基準未達だったが、複数回のやり直しを経て彼女は自力で収益を上げ、報道の数字では初日5時間の売上が1万元を超え、最終営業値は24184、第2回はほぼ倍増し、第3回は終了前に第2回の総量を超えた。報道はこのライブを生数科技の新発表モデルVidu S2の公開ストレステストと位置づけている。 報道が描写するモデル能力には以下が含まれる。Vidu S2-Avatarはリアルタイム音声対話と複雑な動作制御をサポートし、参考画像と組み合わせて物品インタラクション、衣装変更、背景切り替えを実現できる。Vidu S2-Editingはスタイル、衣装、主体、背景の参考画像に基づく入力動画ストリームへの継続的なリアルタイム編集をサポートする。同時にオフラインパスも保持し、1枚の画像と1段の音声でデジタルヒューマン動画を生成できる。報道ではリアルタイム映像が数百ミリ秒以内に算出され、Vidu S1と比べてS2は振り向き、歩行、ダンスなどより大きな全身動作をこなせるとされる。全チェーンの研究開発は清華大学の朱軍教授の博士課程学生で、生数科技のストリーミング動画生成・推論責任者である張金濤が担当したとされ、この説明も同報道によるもので独立した情報源ではない。
開発者への影響
まず検証可能なものと検証不可能なものを分ける。このライブは確かに公開で行われ、ベンダーもVidu S2の双形態の能力記述を示している。しかしライブのデータ、ミリ秒級遅延、報道が示すベンチマークスコアはいずれも主催者とベンダーの口径に属する。報道で言及されたStreamAV-BenchのAIF音声指令完了度2.985、AVAlign 0.353、Sparkle-Benchのグローバル指令4.00、前景指令3.98、そしてGSB意味遵守次元での3つの商用システムに対する71.4%–100%の選好率は、いずれも評価セット、比較システムのリスト、再現スクリプトを伴っていない。特にGSBは選好率であり正確率ではないため、比較対象とサンプル構成が分からない状態では、自分のタスクにマッピングするのは難しい。 以下の2点は条件付きの提案であり、報道内容ではない。 第一に、「リアルタイム対話チェーン」と「オフライン生成」を同じインターフェースの2つの呼び出し方としてではなく、2つの提供形態として選ぶこと。報道はリアルタイム音声対話パスと、1枚の画像と1段の音声によるオフラインパスの両方を示しており、両者はコスト構造と受け入れ方法が異なる。判断基準は、あなたのシナリオが事後編集を許容できるかどうかである。ライブ、リアルタイムNPC、動画客服では視聴者がいつでも遮り、考えを変え、急に新しい要求を出すため、ストリーミングしか選択肢がない。ショート動画、マーケティング素材、事前レンダリングのデジタルヒューマンアナウンスはオフラインの方が手間が少ない。この選択を変える前提はエンドツーエンドの遅延予算である。リアルタイム音声対話は音声認識、生成、音声合成、ネットワーク往復を直列につなぐ必要があるが、報道は映像が数百ミリ秒以内に算出されると述べるだけで、それが初回フレーム、単一フレーム、エンドツーエンドのいずれかを説明していない。測定可能な検証作業は、自分のネットワークとリージョンで固定スクリプトを実行し、エンドツーエンドの初回応答時間のP50とP95、および遮られた後に前の内容へ戻る成功率を記録することである。P95が対話シナリオに設定した許容ラインを超えるなら、まずそのシナリオをオフライン提供に格下げする。 第二に、長時間セッションで動的参照を有効にするかどうか、つまり途中での衣装替え、背景変更、参考画像の臨時追加である。報道は動的参照により任意の時点で参考画像を補充し、一貫した前後関係を保てるとしているが、これに対応する実際のリスクは長セッションでの一貫性ドリフトである。これを選ぶ前提条件は、キャラクター参考画像のリソースがあり、バージョン管理を行っていることである。衣装替えや場面転換のたびに新しい参照入力が発生し、参考画像自体の誤りが直接画面に反映されるからだ。測定可能な検証作業は、同じキャラクター、同じ音声、同じ参考画像の組で複数回生成を繰り返し、一定時間ごとにフレームを抽出し、五官、衣装、光影の変形割合、および人手による介入が必要なフレームの割合を記録し、崩壊フレームの割合をリリース基準とすることであり、精剪のデモだけを見てはいけない。 第三点はむしろリスクの価格付けである。報道は一貫性を、訓練、データ、アーキテクチャ、推論、評価の5つの層が共同で制約するシステム属性と描写し、長いストリーミング生成のドリフトを抑制するSRF訓練技術を提唱している。こうした説明が成立するなら、一貫性はセッション時間とともに減衰するエンジニアリング上の問題であり、一度調整すれば済むパラメータではないことを意味する。長時間連続セッションを別のテストラインとして独立に記録し、短い断片のテストとは分けて記録することを勧める。
導入と評価の提案
導入前の第一歩は形態の確認であり、価格の比較を先にしないことである。報道は体験入口、APIプラットフォームのドキュメント、技術報告の入口を示しているが、開放範囲、企業資格の要否、プライベートデプロイの可否、同時実行とクォータの上限、データ保持とリージョン戦略については説明していない。これらは、あなたがストリーミング動画インターフェースを呼ぶのか、自前で推論クラスタを立ち上げる必要があるのかを決めるものであり、チームへの要求は全く異なる。 第二に、公式サンプルではなく自分のコンテンツで一貫性を測ること。自分のキャラクター画像、自分の会場とメイク・衣装を使い、報道の動作をカバーする長セッションを1回実行し、少なくとも衣装替え、背景切り替え、視聴者に遮られた後に前の内容へ戻るという3つの項目を含め、人が見て分かる没入感を損なう点を項目ごとに記録する。 第三に、ベンチマークの口径を調整すること。自己申告のStreamAV-Bench、Sparkle-Bench、GSBのスコアは、公開された評価セットとスクリプトがなければベンダー内部の横比較として扱うしかない。これらのベンチマークの言語、タスク形態が中国語のリアルタイム音声やライブシナリオに適合するかを先に確認し、それを選定根拠に使うかどうかを決める。 第四に、オフラインパスを保険として扱うこと。リアルタイムチェーンはピーク時や異常時に利用できない可能性があり、1枚の画像と1段の音声によるオフライン生成は素材産出が途切れないことを保証できる。このバックアップ経路のコストも評価に含めるべきである。 最後に、コストの口径は自分の利用量に落とし込むこと。リアルタイム対話は通常秒単位または時間単位で課金され、オフライン生成は回数単位または素材単位で課金される。報道は課金方式を示していないため、ベンダーの価格ページと自分の実測利用量から単位コストを逆算する必要がある。
制限と未確認事項
報道はVidu S2の重みが公開されているか、どのようなライセンスを採用しているか、パラメータ数と訓練データ規模を述べていないため、公開情報からローカルデプロイの可否を判断できない。オープンウェイトとオープンソースライセンスは別物であり、ここでは重みが公開されているかすら説明されていないので、「APIがある」ことをセルフホスト可能と理解してはいけない。SRF訓練技術とフレームアラインメントのスパースアテンションは報道では一言の概括しかなく、そのエンジニアリング上の意味と適用境界を評価できない。 ライブ関連の数字、すなわち2万人の流入、営業値24184、初日5時間の売上1万元超は、いずれも主催者と報道の口径によるものである。営業値はサイト内カウントであり、報道は換算例を一度示しただけで独立に照合できない。報道に付随するarXiv技術報告とベンダー自己申告の評価スコアは第三者による再確認を受けておらず、確認済みの技術的事実として引用すべきではない。文中の提供形態の選択、動的参照の有効化条件、検証指標に関する段落は条件付きの分析と提案であり、報道内容ではなく、モデルの実際の性能に対する判断を構成するものではない。 Vidu S2は現在KimiSeekのモデルカタログにない。報道で言及されたAPIの可用性は生数科技自身のViduプラットフォームを指し、当サイトとは無関係である。以前にファミリー内の他のバージョンが存在していたことも、この説明の代わりにはならない。将来このモデルが掲載された場合、可用性と価格はサイト内の価格ページを基準とすべきであり、価格は時間や時間帯によって調整される。