Vivix 发布 Vivix-A1 与 Vivix-W1：两款约 300 亿激活参数的实时交互模型，角色会做事，故事能被改写

等它算完再看，和一边生成一边改

今天主流的 AI 模型都是半双工的：你输入一段提示词，被推理阻塞着等几秒到几分钟，然后拿到输出。写文字的模型是这样，生成图片和视频片段的模型也是这样。

实时交互多模态模型不一样。内容在交互过程中同步生成，边生成边给你，不必等全部完成再呈现。这种边听边说的方式业内叫全双工。你可以在生成过程中继续输入、打断当前内容、改变接下来的发展方向；角色、声音、动作、镜头和剧情会持续响应新的输入。不同的人拿到的也不再是同一段固定视频，而是各自不同的互动过程。

直播、游戏，都可以理解为实时交互内容的一种形态。Vivix 认为要用模型重构这类内容的底层引擎，至少得同时满足四个条件：

所以这件事的核心是把「体验」当成生成的基本单位：内容消费力、泛化性、交互方式、速度和成本，是一起算的。把视频生成做得更快，只是其中一项。

拆成活来看是三层，Vivix 这次三层一起交：

为什么先做人，再做世界

一段有沉浸感的互动内容里有三个元素：人是主体，场景是舞台，时间带来变化和故事。Vivix 的第一步选了人。

理由有两条。逻辑上，人是体验和故事发生的中心。数据上，Vivix 统计过人在消费短视频、短剧和游戏时，有七到八成的注意力落在与人有关的部分。

下一步才是把人、物、场景和时间一起处理，并且要能实时响应。实时在这里不只是一个工程指标，它直接决定你信不信自己正在参与一个活的世界。而一个世界光有舞台还不够，还需要一个聪明的导演：不只是生成元素，而是组织元素；不只是让画面动起来，还要调度事件、组织节奏、理解你的意图，把故事自然接下去。

A1 和 W1 就是这两步的产物。

A1：从一张会说话的脸，到一个会做事的角色

现在市面上的数字人，重点通常在脸、口型和声音，做得好的能加几个简单的四肢动作。A1 把能力空间扩到了完整身体和开放场景：角色不只说话，还能听见环境、产生情绪、行走、转身、改变姿态、跳舞、走近或拿起物体，而且这些动作发生的同时还在接收你的新输入。

而且它是从一张人物图起步的，生成的是全身可驱动的角色，不是半身像或大头像。下面四段演示各证明一件事，读法统一：你给了什么、画面变了什么、这说明模型具备什么能力。

环境里的一阵风，直接变成它的反应

走过去，把东西拿起来

它还在说，你就插话

互动到一半，丢一张商品图进去

表情和情绪也是一起生成的。A1 把面部表情、视线、手势和全身动作放在同一次生成里，覆盖写实人物、3D 角色和动漫形象三类风格。角色开心、惊讶或生气时，变化会同时落在眉毛、眼神、嘴角、语气和身体姿态上，不是从一套预设表情里挑一个播。加上长期一致性上的处理，它支持无限时长的流式生成，不是只能出几十秒的片段。

写实风格下的情绪演示画面。产品页另有 3D 角色和动漫两组同类演示 · 来源：Vivix

同一套能力换到真实业务上是这样：线上看房时，AI 销售可以带你看完户型，再自然走出房间展示外立面；露营场景里，AI 向导会随手拿起一盏营灯，边展示边讲。官方给的应用面还包括 AI 角色、游戏、虚拟主播、教育培训和数字展陈，共同点是讲解跟着人的行动展开，不用被钉在一个机位前。

A1 把四段接力换成一个循环

这些能力以前做不出来，是因为业内通行的做法是把四件事排成一条接力。接力越长，等待越久，每次交接还会丢掉一部分信息。

每多一段接力，就多一次等待和一次交接。更麻烦的是第二段：把声音压成文字这一步，会把大量信息直接扔掉。你说话的语气和停顿、屋子里突然响起的雷声、画面里一个手势。文字装不下这些，模型也就无从反应。

A1 没有去优化这几段之间的衔接。它把整条链换成了一个循环：声音、图片、交互信号直接进同一个模型，模型直接吐出音频和画面的小片段。中间不再绕道文字。

技术报告 Figure 1。最上面一行是传统做法：人声进来，经过静音检测、语言模型、语音合成、音频驱动视频四段才出画面。中间一行是把语音直接对语音，再外挂若干段音频转视频。最下面是 A1：人声进来，Director Agent 在中间做判断，音频和视频两条带子并排往外流 · 来源：Vivix

图上那个 Director Agent 负责慢的那部分判断：推理、调用工具、决定角色接下来该说什么做什么，同时记住此前的对话和场景状态。模型本体负责快的那部分：在约 300 毫秒的最小时间片里，直接对当前听到看到的东西作出反应。你中途换了话题，角色从当前状态继续接，不必回头重算。

一小段一小段往外吐，怎么不越跑越偏

流式生成有个天生的麻烦。传统视频模型一次生成 5 到 10 秒的完整片段，它能提前看到整段，前后动作和画面容易统一。改成一小段一小段往外发之后，模型不知道三秒后会发生什么，只能看着已经生成的画面接着往下猜。时间一长，误差会累积：人物的脸慢慢变形，背景飘，动作幅度越来越小。

业内常用的解法是加固定的参考锚点把画面按住。稳是稳了，代价是角色也变得不敢动。一个不敢转身、不敢伸手碰东西的角色，谈不上有身体。

A1 的做法是把「让画面连得上」和「让角色敢动」这两件事分开管：相邻的小片段之间用局部连续性先验接住，保证动作和画面接得自然；更长的时间尺度上用全局序列先验，管住角色身份、场景和物体关系不漂。这样一来，保证稳定的那部分约束只作用在相邻片段之间，不会顺带把角色的动作幅度也一起限制住。

A1 架构图。横轴是时间片 T0、T1、T2，每一片里并排着三样东西：用户交互（蓝）、A1 生成的画面信号（绿）、A1 生成的声音信号（粉）。红色标注的 local continuity priors 管相邻两片接得上，右侧紫色小块是全局序列先验，管更长时间里的身份与场景一致 · 来源：Vivix

让生成跑得够快的办法叫多维联合蒸馏：拿 8 步采样的版本当质量基线，把不同去噪阶段各自负责的能力一起压进 2 步模型。只盯着单帧画质压是压不出来的。这样压完，短时间的画质、听指令的准确度、动作表现和长时间的稳定性都尽量保住。

W1：提示词决定开场，交互改变后续

A1 让一个角色跟着你的要求继续行动。W1 把你能改变的范围从这个角色扩大到整个场景、正在发生的事件，以及镜头怎么切。

A1 和 W1 改的是同一步，只是 W1 管的范围更大。今天的视频模型把文字、图片、音频统统当成开拍前的条件，条件给完，剩下的就是等。W1 让同一种输入在生成过程中继续生效：一张图可以是第一帧的场景，也可以是半路塞进来的一个新物体；一段文字可以是开头设定，也可以是中途的一次转折。

官方给 W1 的用户交互响应延迟口径是低于 1 秒。能插进去的东西也比现在讲互动生成的产品多得多。那类产品的交互面基本停在导航和运镜：按方向键走两步、把镜头转一转。W1 的清单要长得多：说话、打字、上传新图片、点击画面里的物体、触屏拖动、控制镜头和人物移动，而且全都能在世界已经跑起来之后再进来，不用重新开始生成。

说一句、点一下、丢一张图

W1 架构图。底部黄色是多模态参考（图片、音频、视频），蓝色是每个时间片进来的用户交互（文字、音频、触屏、动作与镜头控制），绿色是上一段已经生成的画面和声音。三者一起进模型，模型吐出下一段的画面和声音，再作为下一片的上下文 · 来源：Vivix

声音跟着画面一起长，参考随时能进，镜头自己会切

W1 把三件通常分开处理的事放进了同一个流式模型。三件事都做到，一段内容才能一直演下去而不散架。

一、画面和声音在同一条流里出来

画面里开始下雨，雨声同时就有，不需要再让另一个音频模型事后补上。对白、环境音、空间音效、口型、节奏都是一起生成的，也就不存在音画各做各的、最后对不上的问题。W1 同时支持多种语言的对白。

二、参考不只定开场，中途也能进

文字、图片、音频、视频都能当生成的依据，共同定义世界里的人、物、环境、动作和视觉风格。下面这组案例用三张参考图定义一个世界，再生成一段视频：

关键在于这些参考不限于开头。一张图能在半路引入一个新物体或新环境，一段视频能提供动作或视觉上下文，一段音频能加一个声音参考。它们会被带进正在进行的流里，成为已有世界的一部分，不会另开一段新片。

三、镜头由模型自己调度

故事往下走的时候，模型自己决定什么时候切镜头、切给谁、镜头怎么移，并在切的过程中接住对白的节奏和人物的反应。产出的是一段有调度的序列，不是几段孤立片段拼在一起。Vivix 把这个能力称作模型自带的导演。配上长期一致性上的处理，W1 同样支持无限长度的流式生成。这套能力对应的应用面是互动短剧、游戏、沉浸式文旅和数字内容创作。

让它长时间跑而不散架：Vivix-Turbo

内容演得越久，人物、场景和声音越容易慢慢走样。W1 为此配了一套叫 Vivix-Turbo 的加速与一致性方案，同时做四件事：用超低步数蒸馏压掉每一段的推理开销；把镜头规划和时间连续性放在一起优化，让长的多镜头序列走到后面也不断掉故事线；压住长时间生成里的误差累积，稳住角色长相、场景、镜头和动作；再加强多模态参考的一致性，让人物、声音、风格、环境在世界继续演变时不走样。

Vivix-Turbo 与其他加速方法的对照：横轴是推理步数（越左越省算力），纵轴是 VBench 得分（越高越好），星号是 Vivix-Turbo。⚠️ 图下角的说明写明了测试条件：5 秒生成、832×480 分辨率、图中所有模型都是 13 亿参数。这是小模型上的方法消融，不是 300 亿激活参数的 W1 本体成绩 · 来源：Vivix

改的永远是还没播出去的那一段

W1 的接口文档里有一处设计，把实时生成的根本限制写得最清楚：你用一个事件往正在跑的世界里发指令，这个事件有四种状态，但没有「已完成」这一种。

与之配套，默认的改写方式叫 steer：已经播出去的画面保留原样，被改写的只有还没播出去的未来。

这条约束正是实时生成比离线难的地方。离线出片可以生成一百次，从里面挑一条最好的发出去，观众只看见那条 9 分的；模型平均 7 分也没关系，人替它兜住了下限。实时生成没有这个机会：生成即消费，模型平均 7 分，观众收到的就是 7 分。

难在哪：每秒要处理的信息多出三到四个数量级

以 DiT 为代表的主流视频生成架构，是为一次性离线生成设计的：你先给完整条件，模型再围绕整段视频统一计算和优化。这样有利于画质和前后一致，但它有个默认前提，生成目标在开始时就已经基本定了。

实时交互把这个前提拿掉了。你可能随时说话、打断、改变角色行为，模型得知道之前发生过什么、理解此刻正在进行的交互，再生成下一帧。问题就不只是生成得更快，而是要在持续生成的同时实时理解输入、更新状态、改变后续结果。

这一改，信息吞吐压力直接上了几个台阶。文字交互里，人每秒只能消费三到五个 token；音视频交互里，你每秒接收的是数万个视觉 token 加上同步的音频 token，吞吐量高出大约一千到一万倍。

在这个量级上还要保持毫秒级时延，持续完成理解、生成、记忆更新和响应，围绕「输入指令、完成推理、输出片段」设计的离线架构就搬不过来了。模型架构、交互层和基础设施必须一起重构，这也是下一节要讲的事。

三层基础设施：训练、推理、数据

模型算得快，不等于你马上看得到。一条新指令还要经过处理、生成、解码、推流，才变成屏幕上的画面和声音。Vivix 在这一层攒的东西分三块。

为什么生成到一半能被打断

系统把输入编码和实时视频解码拆成了两部分。新的语音、动作、人物参考和镜头信息交给 Encoder Service 处理；真正在实时链路上的 Decoder Loop 持续生成音视频，并允许调度器追加新输入、中止正在执行的生成步骤。所以「打断」是进到了模型的流式生成链路里面。播放器切掉旧视频再重新生成，是另一回事。

当你在角色行动或故事进行中突然改变要求，系统不必等当前片段生成完。新输入进入正在运行的循环，模型从当前状态调整接下来的画面和声音。

左边紫色的编码服务不在关键路径上，走批量、追吞吐，每个输入的延迟预算是数十毫秒级；右边绿色的实时解码循环在关键路径上，逐段生成、随时可被抢占 · 来源：Vivix

还要以足够低的成本一直跑

低精度计算、Vivix Sparse Attention、缓存管理、通信与计算重叠、预填充与解码解耦，这些放在一起回答的是另一个问题：跑出效果之后，能不能一直跑得起。其中数值精度这一项走得比较远：推理侧对降噪过程的累计误差做了免训练矫正，首次实现 4 位精度（4-bit，Blackwell 显卡上的 NVFP4 格式）的无损推理，配合视频流式推理的预填充与解码分离，把推理成本压了下来。

每小时成本对照。Runway / Kling / Pika / Seedance 这类视频接口折算成小时约在百美元档，只做脸的数字人平台更高；Vivix 的实时视频推理落在每小时 1 美元以内，与云游戏、音乐和流媒体订阅同一带 · 来源：Vivix。⚠️ 这是官方报告里的实时视频推理成本口径，不是最终 API 售价

落到这个价格带的意义是：AI 实时互动娱乐可以规模化地服务普通消费者，而不只是做几个演示。同一张图上也标了标准视频 CDN 约每小时 0.1 美元、短视频 CDN 约 0.01 美元，Vivix 自己把「逼近 CDN 量级」写成下一个里程碑。

官方成绩：优势最明显的两维，和还要打磨的那一维

A1 建了自己的评测集 Vivix-Bench，1000 条样本，覆盖写实、艺术、动漫等多种画风和人类与非人类主体，统一输入条件，用成对人评打 Good / Same / Bad。三场对照的整体结果：

逐维度看，优势最集中的是两项：动作动态和音画同步。对 LiveAvatar 那一场，动作动态有 96.4% 判 A1 更好，音画同步 56.4%；对 LongCat-Video-Avatar1.5，音画同步 87.5%、动作动态 64.3%。这跟它主打的全身运动是一致的。

三场对照里最接近的一场：对 SoulX-LiveAct，整体 46.4% 判 A1 更好、35.7% 判相同、17.9% 判对手更好。逐项看，动作动态 41.1%、角色一致性 30.4%、开放世界自由行为 25.0%、音画同步 35.7% · 来源：Vivix

另外两项则有相当比例被评为持平：角色一致性和开放世界自由行为。三场里角色一致性判 A1 更好的分别是 35.7%、32.1%、30.4%，持平占了 41% 到 46%。这和它的设计取舍对得上：让角色敢走、敢转身、敢碰东西，长时间保持同一张脸就更难。这组数字适合用来看优势具体出现在哪些维度，不适合读成全面碾压。

边界，和现在能拿到什么

当前版本仍处于持续开发阶段，两份技术报告都写了自己的边界。

API 平台已经上线，两款模型都在私有内测，官网挂着排队入口。定价页只有 Developer Preview 免费试用和 Enterprise 定制两档，没有公开单价。模型编号和规格已经写进开发者文档：

把这次发布放回行业里看：A1 把数字人和开放场景行动能力融合进了一个模型，在完整身体运动、开放场景行动、物体交互和实时全双工这几个维度上，超出了目前市面上相关概念产品和传统 talking avatar 的能力边界；W1 则把原生音画、多镜头叙事、多模态参考和实时交互整合进了同一个流式模型。