Vidu S1

• 1. 概要 （共 226 字）

  Vidu S1 是生數科技在 2026 全球數字經濟大會上（7 月 3 日）正式釋出的實時互動影片基礎模型，把 AI 影片從「離線生成一段成片」推進到「持續線上、邊聊邊生成」的實時互動形態。它的核心指標是 540P（960×540）、穩態 25FPS、峰值 42FPS，端到端延遲普遍壓到 3 秒以內，支援語音實時控制角色動作、單張圖即時建立數字人、無限時長連續互動。截至目前它已開放小規模線上內測與 API 商用接入，主要面向情感陪伴、虛擬偶像、互動直播、線上教育、車載助手等場景。

• 2. 產品背景 （共 251 字）

  生數科技由清華大學朱軍教授創立，是國內較早專注「通用世界模型」路線的 AI 影片公司，旗下 Vidu 系列此前已憑圖生影片、多主體一致性、參考生影片等功能在創作者圈子裡站穩腳跟。Vidu S1 由朱軍帶隊的 00 後博士生張金濤擔任研發負責人完成全鏈路開發，定位為通用世界模型在「實時互動式生成」方向上的關鍵落子。2026 年 7 月 3 日釋出當天，生數科技還入選了北京軟體和資訊服務業協會「2025 年北京市數字經濟標杆企業」中的新模式新應用標杆企業，同期也有頭部車企宣佈其 2026 款旗艦車型將首發搭載 Vidu S1 車載定製版。

• 3. 產品功能與使用體驗 （共 481 字）

  Vidu S1 最大的變化是互動正規化。傳統影片大模型是「提交請求 → 等待生成 → 播放結果」的離線流程，而 S1 改成了「實時語音輸入 → 逐幀生成 → 持續播放 → 持續響應」。模型在播放當前幀的同時已經在計算後續幀，新語音指令可以即時注入後續生成，讓畫面隨對話實時變化。   在角色建立上，S1 把門檻砍到極低：使用者只需上傳一張參考圖（真人、動漫、萌寵、遊戲角色均可），模型當場理解身份、外觀與視覺風格，實時生成同步的口型、表情、眼神、手勢和肢體動作，無需建模、繫結、口型適配或角色專屬訓練。聲音層面支援系統音色或錄製自己的聲音做定製，保證視覺身份與發聲身份一致。   實測裡，語音控制行為是最受關注也最有落差的能力。簡單指令如「舉起左手」「推眼鏡」「撩頭髮」多數能流暢完成，複合指令（如左手整理頭髮、右手整理衣襟、雙手比心）能勉強做到但不夠到位；而轉身、跳舞、下蹲等連續大幅動作，系統層面似乎被限制，角色只會小幅晃動，被使用者調侃「嘴上答應得積極，身體只象徵性晃兩下」。延遲客觀存在——講完一句往往要停頓一下角色才回應，放在影片生成裡算快，放進視訊通話就顯得明顯，且角色一直盯著你容易讓人有壓迫感。

• 4. 定價與商業模式 （共 232 字）

  S1 的實時互動按生成時長扣費。公開資料顯示 API 計費約為 3 積分 / 2 秒，每 6 秒扣除一次、按 2 秒週期向上取整，新使用者贈送 1000 點免費試用積分（約合 11 分鐘實時互動），可體驗完整 API、所有聲音與語言。積分單價約 0.03125，折算約 2.8 元 / 分鐘，一小時約 168 元；內測階段也有每日基礎免費互動時長（帶水印、有限幀率、不可商用）。企業側提供專屬 SLA 套餐，可購高併發、去水印、42FPS 全開許可權及定製角色 / 聲音克隆接入。目前沒有固定月度會員，按實際互動時長消耗積分。

• 5. 使用者評價 （共 338 字）

  正面聲音集中在「零門檻」和「像真人」。不少體驗者認為單圖建角色、語音驅動全維行為、無限時長連續對話這三點是代際優勢，聊一整晚也不會狀態閃退，口型能跟上、記憶能延續前文對話，做 AI 陪伴和虛擬偶像很有「活人感」。有測試者搭建的「高冷學霸」數字人講題效果好、互動暖，能記住前面聊過的內容並在後續小結。   負面反饋則集中在真實感和延遲。多家媒體實測指出，複雜動作會糊弄、角色描述和實際行為脫節、錄製自己的聲音偶發不生效而隨機切聲線；半雙工體驗（類似對講機，你說一句它一句，打斷它不會閉嘴）被拿來和豆包等純語音產品對比，認為 10 秒級延遲在「人機戀陪伴」場景裡太前現代。網易雷科技一篇體驗文標題直接寫「問題比想象的要多」，點名延遲大、動作寫死、體型和動作不匹配、表情激動時牙齒臉頰偶爾不協調。

• 6. 行業評價 （共 361 字）

  行業普遍把 S1 視為影片生成賽道從「生成質量競爭」轉向「實時互動競爭」的標誌性產品。相比 HeyGen、D-ID、Synthesia 等以離線數字人見長的競品，S1 在互動深度和持續能力上有代際優勢，尤其適合需要「真人感」的陪伴、直播和 NPC 場景；但在 4K 影視級畫質、精確面部特徵調整上仍是短板，離線長片製作反而不如 HeyGen / Synthesia 的更高解析度與精細編輯。技術側，它依託生數自研的 TurboDiffusion 推理加速框架與 TurboServe 流式部署引擎，疊加 SageAttention、SLA、SpargeAttention 等注意力最佳化與模型量化，才在消費級顯示卡上把實時影片生成的延遲壓到及格線。有評論將其與同期 MaineCoon Chat Mode 並列，認為實時影片數字人產品整體還處在「前現代」階段，但方向明確。

• 7. 爭議與風險 （共 184 字）

  主要爭議集中在體驗預期管理：官方宣傳的「語義感知、意圖理解、對應安撫反應」與實測存在落差，語音控制行為在複雜指令上不穩定，容易讓使用者產生「被忽悠」感。半雙工、較高延遲在陪伴場景的體感短板，也引發「虛擬陪伴是否真的 ready」的討論。此外，540P 解析度對需要高畫質出鏡的電商直播、影視宣發仍是硬限制；角色細節可控性不如 3D 建模方案，也意味著它在高精度專業製作上暫時讓位。

• 8. 適用人群與使用建議 （共 237 字）

  它適合：想低成本做專屬數字人的個人創作者、需要 24 小時線上的直播團隊、做 NPC 實時互動的遊戲開發者、需要品牌數字人客服的企業，以及想快速驗證實時陪伴 / 教育產品的團隊。不太適合：追求 4K 影視級畫質的專業影視製作、需要複雜多人物大場景或 3D 高精度建模的專案。   使用建議上，個人創作者先用免費額度測試動作與聲音匹配度，再決定是否商用；電商、教育等商用團隊直接走企業 API 套餐更穩。替代方案方面，純語音陪伴可選豆包等低延遲產品，離線數字人短片製作可選 HeyGen、Synthesia。

• 9. 總結 （共 96 字）

  Vidu S1 把 AI 影片從「拍一段短片」變成「開一通實時數字人通話」，單圖零訓練、語音驅動全維行為、無限時長互動三點確實構成代際差異，但延遲、動作可控性與真實感仍是它走向大眾陪伴前必須跨過的坎。

暫無深度報告

• 

  BillyBaker_2023

  —

  單圖就能捏數字人，門檻真的低。

---

• 

  龍昊

  —

  540P 畫質確實糊，拿它當視訊通話還行，當正經出片就別想了。

---

• 

  錢怡鳳

  —

  簡單指令「舉手」很順，複合指令就勉強，複雜動作直接糊弄。

---

• 

  郭丹丹

  —

  體驗下來延遲是真不小，你說完一句它還要愣一下才開口。放進影片生成算快，可一旦當成視訊通話，這種停頓就特別出戏。

---

• 

  傅彤晨

  —

  我錄了自己的聲音想做定製音色，結果完全沒生效，畫面裡隨機切男女聲，看著相當詭異，這點希望能修。

---

• 

  Patrick.Gray

  —

  讓它「我心情不好」它會做安撫動作，理論上感知情緒挺酷，但實際跟官方宣傳的理想狀態還有落差，別指望太智慧。

---

• 

  Virginia.Bell00702

  —

  算了一筆賬有點勸退：實時互動按 2 秒扣 3 積分，折算差不多 2.8 元一分鐘，一小時就是一百六。我前後砸了兩千多積分、一千多秒連線才把整套多模態閉環評測跑完，個人玩玩免費額度夠了，但真要拿來做電商直播或者陪伴，長尾成本得先算清楚，不然幾分鐘就燒沒了。建議商用團隊直接走企業 API 套餐，別拿免費額度硬扛。

---

• 

  AXmoo

  —

  用自動化指令碼接了 API 跑壓測，預設角色庫從最早 6 個擴到 11 個，迭代速度挺猛。兩組長時對話下來畫面基本釘在 25 幀、零抖動，聊久了臉也沒漂，工程穩定性確實比想象中穩。我用 Claude 一個多小時就跑通了接入，連哈蘭德和沃齊尼亞都拉來做了中英文壓測。就是接入要啃文件加阿里雲 ARTC SDK，對純小白來說門檻不低，但願意折騰的程式設計師基本一天能上手。

---

• 

  JRogersZ

  —

  消費級顯示卡就能跑 540P 實時生成這點很香，小團隊和個人創作者不用堆 A100 也能落地，本地部署門檻被砍了一大截。

---

• 

  ticklishgorilla525

  —

  跟 HeyGen、D-ID 比的話，S1 在互動深度和持續對話上確實是代際領先，但 540P 解析度擺在那，正經影視級製作還是得靠離線方案，定位要分清楚。

暫無評論