Vidu S1：实时交互式视频生成模型
摘要
Vidu S1 是一款实时交互式视频生成模型，支持语音控制数字角色动画，可在消费级GPU上实现无限长度输出和高帧率，达到最先进性能。
查看缓存全文
缓存时间: 2026/07/10 06:16
论文页面 - Vidu S1: 实时交互式视频生成模型
来源：https://huggingface.co/papers/2607.03118 发布于 7月3日
#1 当日论文 (https://huggingface.co/papers/date/2026-07-10) 作者：
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
摘要
Vidu S1 是一款实时交互式视频生成模型，支持语音控制数字角色动画，可在消费级硬件上实现无限长度输出和高帧率。
我们提出了 Vidu S1，一款实时交互式视频生成模型，支持对数字角色 (https://huggingface.co/papers?q=digital%20characters) 的语音控制 (https://huggingface.co/papers?q=voice%20control)。用户可通过语音指令随时控制视频生成内容。Vidu S1 支持无限长度的实时视频生成 (https://huggingface.co/papers?q=real-time%20video%20generation)，无模糊、漂移或视觉失真。基于 TurboDiffusion (https://huggingface.co/papers?q=TurboDiffusion) 和 TurboServe (https://huggingface.co/papers?q=TurboServe) 构建，Vidu S1 可在普通消费级 GPU (https://huggingface.co/papers?q=consumer%20GPUs) 上以高达 42 FPS 输出 540p 实时视频。用户可上传真人、动漫和宠物的自定义图像，并选择不同语音音调以获得个性化体验。实验表明，Vidu S1 在所有测试指标上均取得最佳性能，同时完全满足实时推理要求。可玩的在线演示请访问 https://vidu.com/vidu-stream。
查看 arXiv 页面 (https://arxiv.org/abs/2607.03118) 查看 PDF (https://arxiv.org/pdf/2607.03118) 项目页面 (https://vidu.com/vidu-stream) GitHub43 (https://github.com/shengshu-ai/Vidu-S1) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.03118)
引用此论文的模型0
无模型关联此论文
请在模型 README.md 中引用 arxiv.org/abs/2607.03118 以在此页面建立链接。
引用此论文的数据集0
无数据集关联此论文
请在数据集 README.md 中引用 arxiv.org/abs/2607.03118 以在此页面建立链接。
引用此论文的 Spaces0
无 Space 关联此论文
请在 Space README.md 中引用 arxiv.org/abs/2607.03118 以在此页面建立链接。
包含此论文的收藏集2
相似文章
Vidu S2: 实时交互、可编辑和空间视频生成
Vidu S2 推出了用于头像和视频编辑的实时交互式 AI 模型，支持动态参考更新的高分辨率空间视频生成，并在基准测试中表现出色。
视频生成模型作为世界模拟器
OpenAI的技术报告介绍了Sora视频生成模型，该模型通过视觉补丁统一多样化的视觉数据，支持大规模训练生成模型，能够生成长达一分钟的高清视频，支持可变的时长、宽高比和分辨率。
GraphVid：交互式图可控视频生成
GraphVid 提出了一种基于图条件的图像到视频生成模型，通过结构化交互图实现交互式控制，在 FID 和 FVD 上较先前方法有显著降低，表现优异。
@rohanpaul_ai：一个非常酷的实时视频模型刚刚发布，用于交互式角色和世界
Vivix.AI 发布了 A1，一个面向交互式角色和世界的实时视频模型，通过小段连续片段同时生成音频与视频，从而实现无缝打断，以及带有持久状态的实时长对话。
@svpino: 这个模型能够生成连贯的、跨越多个场景的长达1小时以上的视频，毫无卡顿。我读了他们的论文，所以…
这条推文介绍了LingBot-World-Infinity，一个开放权重的视频生成模型，它采用一种训练技术来从错误中恢复，从而能够生成跨越多个场景的连贯的1小时视频。