在2026全球数字经济大会的人工智能融合应用发展论坛上，生数科技创始人朱军于7月3日发表了关于通用世界模型的演讲，核心观点是数字世界与物理世界正走向统一。同日，他们正式发布了面向实时交互场景的新一代模型——Vidu S1实时交互模型。大会期间，北京软件和信息服务业协会发布了《2025年北京市数字经济标杆企业评价报告》，生数科技凭借在技术创新与产业应用方面的突出表现，入选“新模式新应用标杆企业”。
Vidu S1模型提供实时、可交互的视频生成能力，这意味着AI视频不再是简单的“生成一段内容”，而是开始走向“持续互动”的全新阶段。
具体而言，该模型支持实时视频通话和语音控制视频走向，用户不仅能用语音指挥数字人的行为，还能实现无限时长的连续互动。Vidu S1支持540P（960x540）高清分辨率、25FPS帧率（最高可达42FPS），无论是真人、动漫还是萌宠形象，只需上传一张初始图片并搭配个性化音色，即可快速创建专属交互角色。这种体验相较以往版本更加自然、流畅且富有沉浸感。
语音指令实时跟随：从离线生成到实时回应
传统视频大模型通常采用“输入提示词→等待生成→播放结果”的离线模式，视频一旦生成，内容和走向基本固定，如需调整动作或剧情，只能重新输入提示词从头生成。本质上，人与视频之间仍是“生成与观看”的离线关系。
Vidu S1打破了这一边界。用户在视频通话过程中可持续输入语音，模型结合语音内容、对话上下文和当前画面状态，实时生成角色的后续内容和动作。同时，它让数字人从“语音驱动口型”进化到“语音控制行为”的新阶段。
传统数字人依赖“音频驱动口型+预设动作库”的组合，而Vidu S1采用实时视频生成技术，将语音从单纯的驱动口型信号升级为控制角色视觉行为的实时指令。模型不仅能生成与语音同步的口型，还能理解语义、意图和情绪，实时生成相匹配的表情、眼神、手势、身体姿态及全身动作。这样一来，数字人不再是“会说话的虚拟形象”，而是能理解用户、即时回应并持续互动的生成式角色。
无限时长实时生成：视频在互动中持续演化
传统视频生成模型通常一次只生成3秒到30秒的固定时长视频，生成过程中用户难以介入添加新指令来改变后续画面。Vidu S1则采用自回归扩散模型（AR + Diffusion），不再一次性生成完整视频，而是基于已生成的历史画面，结合当前语音指令和对话上下文，持续预测并生成后续内容。当用户发出新的语音指令时，模型能实时理解并调整角色的表情、动作以及后续视频走向。视频从预先确定的固定内容，转变为持续生成、实时响应、动态演化的交互过程。
更重要的是，Vidu S1首次实现了无限时长的实时视频生成，即使连续生成数小时，画面依然保持稳定，不会漂移或崩坏。当然，实现长时间连续互动不仅需要“持续生成”，模型还需在长时间运行中保持角色身份稳定、动作自然连贯，同时持续接收用户指令并实时做出响应。Vidu S1在这三个维度上均表现出色，率先实现了无限时长的生成式视频互动。
自定义角色：一张图片就能创建实时交互角色
传统数字人的创建流程冗长：需上传多张图片或视频素材，再经过建模、角色绑定、口型适配、单独训练等环节，周期较长。Vidu S1采用纯生成式技术路线，无需针对每个角色进行离线建模和训练。用户只需上传一张初始图片，模型即能理解角色的身份、外观和视觉风格，并实时生成口型、表情、动作及身体姿态。
无论是真人、动漫角色还是萌宠形象，都能快速转化为可实时互动的生成式角色。同时，Vidu S1支持自定义音色，实现视觉形象与声音身份的统一。数字角色的创建方式从“上传素材后等待训练”变为“上传图片后直接互动”，大幅降低了个性化实时角色的创建门槛。
540P·25FPS实时交互：视频通话级的体验
实时交互不仅要求模型流式生成，还必须在实时生成的前提下保证分辨率和帧率。Vidu S1面向实时交互场景，在模型加速、推理引擎和集群部署策略上进行了协同优化，实现了540P（960x540）高清分辨率、25FPS（最高支持42FPS）流畅帧率的实时视频生成。
在模型侧，Vidu S1基于生数科技的TurboDiffusion[1]推理加速框架，通过少步生成、低比特注意力SageAttention[2]、稀疏注意力SLA[3]和SpargeAttention[4]等推理优化技术，大幅降低了单帧生成所需的计算成本，在消费级显卡上即可实现540P分辨率、25FPS（最高42FPS）的实时生成。在系统侧，Vidu S1基于TurboServe[5]推理部署引擎，实现了高效的推理请求调度——系统持续记录用户输入、角色状态和历史画面，并根据交互状态动态调度计算资源。
通过模型推理与流式服务的协同优化，Vidu S1实现了从“把视频生成得更快”到“让视频持续在线、稳定输出、实时响应”的关键跨越。540P和25FPS（最高42FPS）不仅是画质和帧率指标，更标志着实时视频生成已具备进入视频通话、互动直播、实时陪伴、互动游戏及XR等场景的技术基础。
随着视频大模型持续发展，行业竞争正从画质、时长、速度等单点能力比拼，转向实时性、可控性与交互性的系统竞争。Vidu S1的发布意味着，视频不再只是预先生成、离线观看的固定内容，而是成为能够理解指令、实时响应并持续演化的交互载体。
未来，Vidu S1可广泛应用于AI情感陪伴、AI虚拟偶像、互动直播、游戏NPC、品牌数字人、智能客服、在线教育及XR等多个场景，推动数字角色从一次性内容资产升级为长期在线、持续互动的智能入口。从生成一段视频到创造一个能持续互动的角色，从离线内容输出到实时双向交流——Vidu S1进一步拓展了视频大模型的能力边界，推动AI视频生成迈入实时交互的新时代。
[1] TurboDiffusion: Accelerating Video Diffusion Models by 100-200 Times.
[2] Sageattention: Accurate 8-bit attention for plug-and-play inference acceleration.
[3] Sla: Beyond sparsity in diffusion transformers via fine-tunable sparse-linear attention.
[4] Spargeattention: Accurate and training-free sparse attention accelerating any model inference.
[5] TurboServe: Serving Streaming Video Generation Efficiently and Economically.
