Vidu S2, da Shengshu Technology, faz estreia em live com AI host: avaliar antes de integrar
Segundo o Xinzhiyuan de 26 de setembro de 2026, Zaomeng Ciyuan e a Shengshu Technology fizeram a AI host "Ziying" estrear em uma live de meio-festival do outono, com a regra de que, se não atingisse a meta, a memória seria resetada e a live recomeçaria; a reportagem afirma que cerca de 20 mil pessoas entraram em menos de cinco minutos, e que, após várias reinicializações, ela atingiu a meta com presentes. A reportagem trata a live como um teste de estresse público do modelo de interação e edição em tempo real Vidu S2, mas os benchmarks autodeclarados e a alegação de latência em milissegundos ainda não têm verificação independente.
O que mudou
Segundo o Xinzhiyuan de 26 de setembro de 2026, durante o meio-festival do outono a Zaomeng Ciyuan e a Shengshu Technology fizeram a AI host "Ziying" iniciar sua primeira live de "operação infinita". A regra era direta: se em duas horas não conseguisse obter 80.000 pontos de operação de espectadores reais (a reportagem dá como equivalente cerca de 8.000 yuans), a live seria cortada à força, a memória resetada e o jogo recomeçaria. A reportagem afirma que menos de cinco minutos após o início cerca de 20 mil pessoas entraram na sala; a primeira rodada não atingiu a meta e, após várias reinicializações, ela ganhou dinheiro por conta própria — os números citados são faturamento acima de 10 mil no primeiro dia em cinco horas de live e valor final de operação de 24.184, quase o dobro na segunda rodada, e a terceira rodada ultrapassou o total da segunda antes de terminar. A reportagem enquadra a live como teste de estresse público do recém-lançado modelo Vidu S2, da Shengshu Technology. As capacidades descritas incluem: o Vidu S2-Avatar suporta interação por voz em tempo real e controle de movimentos complexos, podendo combinar imagens de referência para interagir com objetos, trocar roupas e mudar o fundo; o Vidu S2-Editing permite edição contínua em tempo real do fluxo de vídeo de entrada com base em referências de estilo, roupa, sujeito e fundo; e há também um caminho offline em que uma imagem mais um áudio geram um vídeo de humano digital. A reportagem afirma que o quadro em tempo real é calculado em algumas centenas de milissegundos e que, em comparação com o Vidu S1, o S2 realiza movimentos de corpo inteiro mais amplos, como girar, andar e dançar. O desenvolvimento de toda a cadeia é atribuído a Zhang Jintao, doutorando do professor Zhu Jun, da Universidade Tsinghua, e responsável por geração e inferência de vídeo em streaming na Shengshu Technology — alegação que também vem apenas dessa reportagem, não de fonte independente.
Impacto para desenvolvedores
Primeiro, separe o verificável do não verificável. A live de fato ocorreu publicamente e o fabricante descreveu as duas formas de capacidade do Vidu S2; mas os dados da live, a latência em milissegundos e as pontuações de benchmark citadas são declarações do organizador e do fabricante. O StreamAV-Bench citado traz AIF de conclusão de comandos de áudio de 2,985 e AVAlign de 0,353; o Sparkle-Bench traz 4,00 em comandos globais e 3,98 em comandos de primeiro plano; e a dimensão de aderência semântica do GSB indica preferência de 71,4%–100% sobre três sistemas comerciais — nada disso vem com conjunto de avaliação, lista dos sistemas comparados ou script de reprodução. O GSB, em especial, é taxa de preferência, não de acerto; sem saber os comparados e a composição da amostra, é difícil mapear para a sua tarefa. Os dois pontos a seguir são recomendações condicionais, não conteúdo da reportagem. Primeiro, trate "cadeia de interação em tempo real" e "geração offline" como duas formas de entrega a escolher, não como dois modos de chamada do mesmo endpoint. A reportagem apresenta tanto o caminho de voz interativa em tempo real quanto o offline de uma imagem mais um áudio, com estruturas de custo e critérios de aceitação diferentes. O critério é se o seu cenário tolera edição posterior: em live, NPC em tempo real e atendimento por vídeo o espectador interrompe, muda de ideia e faz pedidos novos a qualquer momento, exigindo streaming; em vídeos curtos, materiais de marketing e apresentações de humano digital pré-renderizadas, o offline é mais simples. O que mudaria essa escolha é o orçamento de latência ponta a ponta — a voz em tempo real encadeia reconhecimento de fala, geração, síntese de voz e ida e volta de rede, e a reportagem só diz que o quadro é calculado em algumas centenas de milissegundos, sem esclarecer se é primeiro quadro, quadro único ou ponta a ponta. A verificação mensurável é rodar um script fixo na sua rede e região, registrando P50 e P95 do tempo até a primeira resposta ponta a ponta e a taxa de sucesso de retomar o conteúdo anterior após interrupção; se o P95 passar do limite que você definiu para conversação, rebaixe esse cenário para entrega offline. Segundo, decida se ativa referência dinâmica em sessões longas — troca de roupa, de fundo e inclusão de imagens de referência no meio do caminho. A reportagem diz que a referência dinâmica permite adicionar imagens a qualquer momento mantendo a coerência temporal, e o risco real é a deriva de consistência em sessões longas. A pré-condição é ter um acervo de imagens de referência do personagem com versionamento, porque cada troca de roupa ou cenário é uma nova entrada de referência, e um erro na imagem se reflete direto no quadro. A verificação mensurável é gerar várias rodadas com o mesmo personagem, o mesmo áudio e o mesmo conjunto de referências, extraindo quadros em intervalos fixos e registrando a proporção de deformação de rosto, roupa e iluminação e a fração de quadros que exigem intervenção humana, usando a taxa de quadros quebrados como porta de entrada em produção, e não apenas uma demo editada. O terceiro ponto é precificação de risco: a reportagem descreve a consistência como propriedade sistêmica conjunta de treino, dados, arquitetura, inferência e avaliação, e propõe a técnica de treino SRF para conter a deriva em geração longa em streaming. Se isso se confirmar, a consistência é um problema de engenharia que decai com a duração da sessão, não um parâmetro ajustável de uma vez. Vale separar sessões contínuas longas como linha de teste própria, registrada à parte dos testes de trechos curtos.
Integração e avaliação
O primeiro passo antes de integrar é confirmar a forma, não comparar preço. A reportagem cita entradas para experimentar, documentação da plataforma de API e relatório técnico, mas não informa escopo de abertura, exigência de qualificação empresarial, suporte a implantação privada, limites de concorrência e cota, nem políticas de retenção de dados e região. Isso determina se você chama uma API de vídeo em streaming ou precisa montar seu próprio cluster de inferência — exigências de equipe completamente diferentes. Segundo, teste consistência com o seu conteúdo, não com exemplos oficiais. Use suas imagens de personagem, seu cenário e sua caracterização para rodar uma sessão longa cobrindo os movimentos descritos, incluindo ao menos troca de roupa, troca de fundo e retomada após interrupção do espectador, anotando item a item os pontos de quebra visíveis a olho nu. Terceiro, calibre os benchmarks. Pontuações autodeclaradas de StreamAV-Bench, Sparkle-Bench e GSB, sem conjunto e scripts públicos, servem apenas como comparação interna do fabricante; confirme antes se os idiomas e formatos de tarefa desses benchmarks correspondem a voz em tempo real em chinês e a cenários de live, e só então decida usá-los como base de seleção. Quarto, use o caminho offline como reserva. A cadeia em tempo real pode ficar indisponível em picos ou falhas; a geração offline de uma imagem mais um áudio garante produção contínua de material, e o custo dessa rota de backup também deve entrar na avaliação. Por fim, o custo deve ser calculado sobre o seu uso: interação em tempo real costuma ser cobrada por segundo ou duração, geração offline por chamada ou material; a reportagem não informa a cobrança, então é preciso partir da página de preços do fabricante e do seu uso medido para estimar o custo unitário.
Limites e pontos a confirmar
A reportagem não diz se os pesos do Vidu S2 são abertos, sob qual licença, nem o número de parâmetros e o volume de dados de treino; portanto, não é possível julgar por informação pública se há implantação local. Pesos abertos e licença open source são coisas distintas, e aqui nem se esclarece se os pesos são abertos — não se deve entender "tem API" como autohospedagem. A técnica de treino SRF e a atenção esparsa com alinhamento de quadros aparecem em uma única frase, insuficiente para avaliar implicações de engenharia e limites de aplicação. Os números da live — 20 mil pessoas, valor de operação 24.184, faturamento acima de 10 mil em cinco horas no primeiro dia — vêm do organizador e da reportagem; o valor de operação é contagem interna da plataforma e a reportagem dá apenas um exemplo de conversão, sem possibilidade de conferência independente. O relatório técnico no arXiv e as pontuações de avaliação autodeclaradas não passaram por revisão de terceiros e não devem ser citados como fato técnico confirmado. Os trechos sobre escolha de forma de entrega, condições para ativar referência dinâmica e métricas de verificação são análise e recomendação condicionais, não conteúdo da reportagem, e não constituem julgamento sobre o desempenho real do modelo. O Vidu S2 não está atualmente no catálogo de modelos do KimiSeek; a disponibilidade de API mencionada na reportagem refere-se à plataforma Vidu da própria Shengshu Technology, sem relação com este site; a existência de outras versões da família não substitui este esclarecimento. Se o modelo for listado no futuro, disponibilidade e preço devem seguir a página de preços do site, e preços mudam com o tempo e o horário.