从生成一段视频，到生成一场互动。

作者｜Moonshot

编辑｜郑玄

你见过能实时互动的 AI 视频吗？

跟着小狐狸游览景色，你询问它接下来的计划，它会马上带你看附近的景色，会拿着旅游地图，边走边指着身旁的风景讲解给你听。

这不是一段提前录好的视频。屏幕里的小狐狸，是由 Vivix-A1 实时生成的 AI 角色。用户说出的指令，会直接改变它接下来讲什么、做什么。

7 月 24 日，成立一年多的 AI 公司 Vivix 发布两款激活参数约 30B 的实时交互多模态模型 A1 和 W1。这也是全球首个集合了多模态参考、原生交互以及流式视频生成的基座模型。更值得关注的是速度和成本：据其官方报告给出的可见反应延迟低于 0.6 秒,计入网络传输和直播推流后，端到端 TTFR（首次反应延迟）低于 1.7 秒；团队的实时视频推理成本在过去一年内降低 2 个数量级，已接近主流视频平台每小时 CDN 带宽成本量级。这些数据意味着，实时交互多模态技术终于可以走出实验室，走进真实世界，最终来到每一个用户身边。

Vivix 想推动 AI 视频从生成「一段固定的内容」，走向生成「一场持续的互动体验」。

这是 Vivix 对下一代 AI 内容的判断，也是它同时推出 A1、W1 和 API 平台的起点。

01

Vivix-A1：

从「会说话」到「会行动」

Vivix 将 A1 定义为首个面向交互式 AI 角色的实时全双工模型。它要解决的问题很直接：让 AI 角色不再只是「固定画面里一张会说话的脸」，而是成为能够「边听、边说、边行动的完整生命」。

常见的 talking avatar，本质上是一张会说话的脸：先生成语音，再让嘴型跟上。Vivix-A1 则把角色从一张脸扩展到完整的身体。它不仅能感知周围环境，还能走动、拿取物品，完成各种全身表演。

具体来看，A1 的能力主要体现在四个方面。

角色可以走动、拿东西，也能完成全身表演

线上看房场景中，AI销售可以带你看房子的构造、自然走出房间对外观进行展示，镜头也会跟随角色移动。角色不再只能面对固定镜头介绍产品，整场讲解可以跟着他的行动自然展开。

露营场景中，AI 向导会根据用户的问题，随即拿起一盏露营灯，边展示边讲解。物品可以随着对话自然进入场景，角色也能通过实际的拿取动作回应。

小狐狸导览、房产销售和露营三个场景，分别展示了 A1 的全身表演、物体交互和空间移动能力。A1 要解决的，是让 AI 角色不只听懂用户的要求，还能调动全身，用行动作出回应。

用户随时插话，角色随时回应

A1 支持实时全双工交互。即使角色正在说话或行动，用户依然可以插话、追问或更换话题，不必等它完成这一轮表演。

用户之外，周围环境也会影响角色。风声、雷声等声音可以直接进入模型，改变角色接下来的表情和动作。角色开始知道身边发生了什么，也会根据新的情况作出反应。

自然的表情与丰富的情绪

角色是否具有「活人感」，不只看脸做得够不够真实，更要看它的表情、声音和动作，能不能随着对话自然变化。

A1 可以同时生成表情、声音、手势和全身动作。角色开心、惊讶或生气时，变化会落在眉毛、额头、眼神和嘴角，也会反映在语气和身体姿态上。

这些细节会跟着对话实时变化。角色的情绪不再是一套提前准备好的表情，而是在对话发生的当下，通过表情、声音和动作自然呈现出来。

Vivix 官网对 A1 的介绍把微表情、视线、手势和全身运动的协同列为模型的重要能力。这种表演能力可以覆盖写实人物、3D 角色和动漫形象。

互动过程中，也能动态加入新的图片

A1 支持语音、文字和图片输入。图片不只负责确定角色最初的样子，也可以在互动过程中继续加入素材。

用户临时上传一张商品图，角色可以根据新的图片调整讲解，把商品带进场景，再完成拿取和展示。整个过程接在当前视频后面，不需要重新开始生成。

这些能力为什么能同时发生

常见的 AI 角色系统，会让语音识别、语言模型、语音合成和视频驱动依次工作。一个环节完成后，下一个环节才开始。链路越长，角色越难在行动过程中及时接收新的要求。

A1 没有把这些环节简单串在一起。Vivix 为它设计了一套原生多模态生成循环，让模型持续处理声音、图片和交互信息，同时生成相应的声音与画面。

Director Agent 像一个实时导演，负责判断角色接下来要说什么、做什么，同时记住此前的对话和场景状态。用户中途换了问题，角色可以从当前状态继续回应。

视频则采用流式生成。模型不会等整段视频全部完成，而是每次向前生成一小段，再让下一段沿着已经发生的内容继续生成。为了避免片段之间出现跳变，也防止人物和场景在长时间生成中逐渐偏移，A1 使用局部连续性保证前后片段自然衔接，再通过全局序列先验维持人物、背景、声音和动作的长期一致。多维联合蒸馏则把推理过程压缩到两步，进一步降低实时生成所需的计算量。

A1 先把实时交互放到一个角色身上。Vivix-W1 再把这套能力扩展到整个场景和故事。

02

Vivix-W1：

当用户开始实时改变整个故事

A1 让一个角色根据用户的要求继续行动。W1 再往外走了一步，把变化扩展到人物、物体、场景、镜头、声音和事件。

在 W1 的互动叙事体验中，用户输入「外星人入侵地球」的 Prompt，画面中随即依次出现太空指挥部、太空和民众视角的不同场景，氛围紧张、镜头切换自然。

W1 最值得关注的地方，是它把过去通常分开处理的几项能力，放进了同一个流式模型：

「原生音画联合生成」让画面、对白、环境音和音效一起生成。画面里开始下雨，声音也会同时发生变化，不需要再由另一个音频模型单独补上。

「多模态参考」让文字、图片、音频和视频都能成为内容生成的依据，并共同影响最终呈现。这些信息既可以确定故事的开场，也可以在故事进行到一半时加入。用户上传一张新图片，或者通过点击选择一个物体，后续内容会从当前状态继续改变。

「原生多镜头叙事」负责组织镜头。故事转向其他人物或场景时，模型可以切换视角、移动镜头，并继续处理对白节奏和人物反应。用户改变的不只是画面里的某个元素，故事的讲述方式也会随之变化。

故事一直生成，怎么保证它不越跑越偏

W1 不需要等整段视频生成完成，而是以流式方式，一小段一小段地持续向前生成。上一段内容会成为下一段的基础；用户中途加入的语音、图片、触控或镜头操作，也能继续改变后面的故事。

这种方式需要同时解决两个问题：既要让每一段生成得足够快，也要避免时间一长，人物、场景和声音越跑越偏。

Vivix 为此设计了 Vivix-Turbo。它通过「超低步数蒸馏」减少每一段音视频所需的推理步骤，再通过镜头规划和时间连续性优化，保持人物、场景和镜头的稳定。

模型生成得快，并不代表用户马上就能看到变化。一条新指令还要经过处理、生成和传输，才会变成屏幕里的画面和声音。

因此，Vivix 又为 A1 和 W1 搭建了实时推理系统 Vivix Infra。它让输入处理、音视频生成、解码和推流同时运行。模型生成当前画面时，系统也能继续接收用户的新要求。

用户中途改变想法，系统会直接调整后续生成。已经发生的内容和上下文会被保留下来，模型无需从头计算。这既能缩短响应时间，也能降低实时视频长期运行的成本。

Vivix-Turbo 提高 W1 的生成速度和稳定性，Infra 则缩短模型响应传到用户屏幕所需的时间。两个技术底座，共同支撑 W1 的实时交互。

03

从一个人，到一段持续生长的内容

Vivix 成立于 2025 年初，目前已经完成 A 轮融资。历史股东包括 IDG、红杉、蓝驰、5Y、Monolith，和战略投资人京东和阿里（按照时间顺序）。

Vivix 瞄准的是那些很难被大量提供的互动体验。今天，一场体验要做到实时回应，通常有两种办法。一种是让真人在线，另一种是由制作团队提前准备内容。前者受限于真人时间，后者受限于内容制作量。Vivix 希望用实时交互模型补上中间的一块。角色可以面对不同用户作出不同回应，故事也可以根据每个人的选择继续发展。制作团队不必提前录完所有内容，真人也不用始终守在屏幕另一端。

而关于「互动」，团队也形成了一个共识：互动是一件很重的事情，它要求用户付出注意力和操作成本，所以必须带来大幅的体验增益——比如游戏，提供更强的沉浸感、更真实的反馈。进一步说，把某种生成能力包装成工具不够，单纯改变交互方式也不够，而必须需要创造一种体验增益足够大的新内容格式。 A1、W1，正是 Vivix 对这一方向给出的探索。

Vivix 对互动的理解，比「用户发出指令，系统给出反馈」多了一层，他们把一场互动拆成三个基本元素：人、场景和时间。

A1 先处理「人」，不是固定机位下的大头数字人，而是让角色能够听懂用户并采取行动；

W1 加入场景和时间，让人物之外的环境和事件也能发生变化；

Infra 则让这些变化及时出现在屏幕上，并控制长期运行所需的成本。

AI 生成的内容不一定只能等待观看，它也可以在用户进入以后，继续生长。

官方现已开放内测，欢迎点击文章底部【阅读原文】访问官网及 API 开放平台申请体验。

*头图来源：Vivix

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你认为 AI 生成互动视频

最核心的要素是什么？