生数科技 Vidu S2 借 AI 主播直播首秀亮相:实时视频交互模型的接入前评估
据新智元 2026 年 9 月 26 日报道,造梦次元与生数科技让 AI 主播「紫樱」在中秋做首场直播,规则是不达标即重置记忆重开;报道称开播不到五分钟涌入约 2 万人,多轮重开后靠礼物达标。报道把这场直播称为实时交互与编辑模型 Vidu S2 的公开压力测试,而该模型的自报基准与毫秒级延迟说法尚无第三方核验。
发生了什么
据新智元 2026 年 9 月 26 日报道,中秋期间造梦次元与生数科技让 AI 主播「紫樱」开启首场「无限营业」直播。规则写得很直白:两小时内若不能从真实观众手里拿到 80000 营业值(报道给的换算约为 8000 元人民币),直播会被强制掐断、记忆重置、重新开局。报道称开播不到五分钟直播间涌入约 2 万人;第一轮没达标,多轮重开之后她靠自己挣到了钱,报道给出的数字是首日开播五小时营业额过万、最终营业值 24184,第二轮几乎翻番,第三轮尚未结束就超过第二轮总量。报道把这场直播定位为生数科技新发布模型 Vidu S2 的公开压力测试。 报道描述的模型能力包括:Vidu S2-Avatar 支持实时语音交互与复杂动作控制,可结合参考图完成物品互动、服装更换和背景切换;Vidu S2-Editing 支持基于风格、服装、主体及背景参考图对输入视频流做持续实时编辑;同时保留离线路径,一张图加一段音频即可生成数字人视频。报道称实时画面在几百毫秒内算出,并称相比 Vidu S1,S2 能完成转身、走动、舞蹈等更大幅度的全身动作。全链路研发由清华大学朱军教授的博士生、生数科技流式视频生成与推理负责人张金涛负责,这一说法同样出自该报道,而非独立信源。
对开发者的影响
先把可核验与不可核验的东西分开。这场直播确实公开发生过,厂商也确实给出了 Vidu S2 的双形态能力描述;但直播数据、毫秒级延迟、以及报道给出的基准分数都属于活动方与厂商口径。报道提到的 StreamAV-Bench 的 AIF 音频指令完成度 2.985、AVAlign 0.353,Sparkle-Bench 全局指令 4.00、前景指令 3.98,以及 GSB 语义遵循维度对三个商业系统 71.4%–100% 的偏好率,都没有附带评测集、对比系统名单或复现脚本。尤其 GSB 是偏好率而不是正确率,在不知道对比对象和样本构成时,很难映射到自己的任务上。 以下两点属于条件性建议,不是报道内容。 第一,把「实时交互链路」和「离线生成」当成两种交付形态来选,而不是同一个接口的两种调用方式。报道同时给出实时语音交互路径和一张图加一段音频的离线路径,两者的成本结构和验收方式不同。判断依据是你的场景能不能容忍事后剪辑:直播、实时 NPC、视频客服里观众会随时打断、改主意、临时抛新要求,只能走流式;短视频、营销物料、预渲染的数字人播报走离线更省事。会改变这个选择的前提是端到端延迟预算——实时语音交互要串起语音识别、生成、语音合成和网络往返,而报道只说画面在几百毫秒内算出,没有说明这是首帧、单帧还是端到端。可测量的验证动作是在你自己的网络与区域上跑固定脚本,记录端到端首响应时间的 P50 与 P95,以及被打断后接回上一段内容的成功率;如果 P95 超过你为对话场景设定的容忍线,就先把该场景降级为离线交付。 第二,是否在长时段会话里开启动态参考,也就是中途换装、换背景、临时补参考图。报道称动态参考可在任意时刻补充参考图并保持连贯的前后关系,这对应的实际风险是长会话中的一致性漂移。选择它的前置条件是你有一套角色参考图资源并做了版本管理,因为每次换装换景都是一次新的参考输入,参考图本身出错会直接反映到画面上。可测量的验证动作是用同一角色、同一段音频、同一组参考图重复生成多轮,每隔固定时长抽帧,记录五官、服装与光影的形变比例,以及需要人工干预的帧占比,把崩坏帧占比当作上线门槛,而不是只看一段精剪演示。 第三点更像风险定价:报道把一致性描述为训练、数据、架构、推理、评测五个层面共同约束的系统属性,并提出 SRF 训练技术用于抑制长流式生成的漂移。这类说法如果成立,意味着一致性是随会话时长衰减的工程问题,而不是可以一次性调好的参数。建议把长时间连续会话单独列为一条测试线,与短片段测试分开记录。
接入与评估建议
接入前的第一步是确认形态,而不是先比价格。报道给出了体验入口、API 平台文档与技术报告的入口,但没有说明开放范围、是否需要企业资质、是否支持私有化、并发与配额上限、以及数据留存与区域策略。这些决定了你是在调一个流式视频接口,还是需要自己拉起一套推理集群,两者对团队的要求完全不同。 第二步,用你自己的内容测一致性,而不是用官方示例。拿自己的角色图、自己的场地和妆造,跑一次覆盖报道所述动作的长会话,至少包含换装、背景切换、被观众打断后接回上一段这三件事,把人工能看出的出戏点逐条记下来。 第三步,校准基准口径。自报的 StreamAV-Bench、Sparkle-Bench、GSB 分数若没有公开评测集与脚本,只能当作厂商内部横向比较,需要先确认这些基准的语种、任务形态是否与中文实时语音和直播场景对口,再决定要不要用它作为选型依据。 第四步,把离线路径当作兜底。实时链路在高峰或异常时可能不可用,一张图加一段音频的离线生成可以保证素材产出不断档,这条备份路径的成本也应计入评估。 最后,成本口径要落到自己的用量上:实时交互通常按秒或按时长计费,离线生成按次或按素材计费,报道未给出计费方式,需要以厂商定价页和你的实测用量反推单位成本。
限制与待确认事项
报道没有说 Vidu S2 的权重是否开放、采用什么许可、参数量与训练数据规模,因此无法从公开信息判断能否本地部署。开放权重与开源许可是两回事,而这里连权重是否开放都没有交代,不能把「有 API」理解为可自托管。SRF 训练技术和帧对齐稀疏注意力在报道里只有一句概括,无法评估其工程含义与适用边界。 直播相关的数字,包括两万人涌入、营业值 24184、首日五小时营业额过万,均出自活动方与报道口径;营业值是站内计数,报道只给了一次换算示例,无法独立核对。报道附带的 arXiv 技术报告与厂商自报评测分数未经第三方复核,不应作为已确认的技术事实引用。文中关于交付形态选择、动态参考启用条件与验证指标的段落属于条件性分析与建议,不是报道内容,也不构成对模型实际表现的判断。 Vidu S2 目前不在 KimiSeek 的模型目录中,报道中提到的 API 可用性指的是生数科技自家的 Vidu 平台,与本站无关;此前家族内其他版本的存在也不能替代这一说明。若该模型日后上架,可用性与价格应以站内定价页为准,价格会随时间和时段调整。