清华&生数科技发布Vidu S2：实时720p交互数字人与流式视频编辑双突破

“千呼万唤始出来，犹抱琵琶半遮面”——这句诗恰如其分地道尽了当下视频生成大模型的现实痛点：用户输入提示词后，往往需要经历数分钟乃至数十分钟的漫长等待，最终只能被动接收一段无法即时干预的成品，与即时通讯、直播互动、游戏娱乐所需要的“即时交互反馈”相距甚远。

为了打破这一困境，清华大学与生数科技联合发布了全新一代实时流式视频生成系统 Vidu S2。该系统在常规硬件上实现了 720p 画质下 25~42 FPS 的极速响应，由两大核心模型协同驱动：

• Vidu S2-Avatar：实时交互数字人模型，突破传统固定参考图限制，支持中途动态注入道具或服装，并能轻松驾驭大幅度独舞等复杂肢体动作，在 StreamAV-Bench 基准中斩获全部 9 项指标第一，双盲评测中面对 Runway 取得 85.7% 胜率，面对 HeyGen 和 PixVerse 更是斩获 100% 碾压级胜率；
• Vidu S2-Editing：流式视频编辑模型，开创性引入帧对齐注意力，实现对外部视频流毫秒级的风格迁移、虚拟试衣与主背景替换，并可直接扩展输出左右眼同步的 3D 空间立体视频，直连 VR 头显。

告别“被动等待”，从单向渲染迈入“言出法随”的实时交互时代。

Vidu S2 系统总览

背景与动机：为什么必须转向实时流式生成？

从供需模型的本质出发，离线视频由于具备可多次回放与社交分发的属性，其生成需求规模受限于人均单次观看量；而实时交互性视觉内容（如面对面虚拟陪伴、数字人直播、即时换装）属于消耗性与即时响应的单播体验。论文推导指出，在假定基础需求系数相当的情况下，实时交互视频生成的工业落地需求体量将在规模上远超离线生成。

然而，上一代流式模型 Vidu S1 仍存在数项瓶颈：生成分辨率受限于 540p；人物身份参考图在流式会话开启后完全固化；生成范围集中于微动作的大头照或播报场景，面对大幅度全身动作（如跳舞）极易失控；且完全无法接收外部正在传输的视频流进行在线重绘。

构建一个鲁棒的实时交互视频系统，必须同时解决四大底层难题：

1. 长时序误差累积与分布偏移：流式生成按分块（Chunk）逐步推进，先前后序分块的误差会迅速级联导致画面崩溃；
2. 高画质与低延迟的算力矛盾：在消费级 GPU 上实现 720p 实时生成（>25 FPS）留给去噪步骤的计算窗口极小；
3. 时序因果条件下的动态控制：如何在中途随意更换道具、服装或背景而不导致角色身份漂移；
4. 视频编辑的严格动作同步：在对外部视频流进行实时重绘时，如何确保新生成帧与源输入帧保持动作节拍严格对齐。

Vidu S2-Avatar：高保真长时程交互数字人

针对数字人生成，Vidu S2-Avatar 在训练范式、分辨率增强、多模态智能体控制等方面构建了系统的解决方案。

1. 数据管线革新：高清晰度与背景稳定算子

数据准备管线总览

如上图（左侧）所示，Vidu S2-Avatar 的数据流水线包含了五大阶段。针对大幅度肢体动作学习，团队特地引入了大量独舞视频与 2D/3D 动画数据。

• 高清晰度视频筛选：由于网络视频压缩算法不一，名义上的 1080p 视频常伴有严重压缩伪影。系统构建了多维度混合评估机制，联合分辨率、码率、编码格式以及专家模型提取的边缘锐度、纹理细节，综合打分并剔除劣质高压缩素材。
• 背景稳定算子：舞蹈视频常伴随运镜（如推拉摇移），若直接训练会导致流式生成时的背景崩溃。团队利用人体分割掩码将前景剥离，在背景区域提取几何特征并估计单应性变换，对相机运动进行反向几何校正，在保留丰富人体运动的同时获得了稳定的背景先验。
• 时间稠密事件级标注：摒弃了传统的静态描述，改用时间因果密集的事件级描述（Temporally ordered dense captions），按时间顺序精确记录每一秒内的动作起止与因果变化，显著提升了模型对长序列复杂动作的响应精度。

2. 自重放强制（Self-Replay Forcing, SRF）

此外，系统在训练阶段引入了两阶段偏好对齐：在双向预训练阶段采用 Diffusion DPO 提升动作与面部自然度，在流式因果阶段则基于 SRF 轨迹执行流式负向感知微调（Streaming NFT），使模型在推理阶段的自回归状态下依然能够精准契合人类偏好。

3. 单步潜空间超分与非对称缓存调度

为了在保持 25~42 FPS 高吞吐的同时输出 720p 视频，系统将生成解耦为 Backbone 与单步潜空间精炼器（Super-Resolution Refiner）：

4. 软硬协同的低延迟推理引擎

为了在常规消费级 GPU 上落地，系统集成并拓展了 TurboDiffusion 与 TurboServe 的工程栈：

• 混合注意力调度：根据不同网络层对精度的敏感程度，分层选用 SageAttention、SpargeAttention 与 Sparse-Linear Attention（SLA），非敏感层大幅削减算力开销；
• 分块 W8A8 GEMM 量化：采用细粒度分块量化抑制离群值，在保持数值精度与生成画质的前提下显著加速线性层计算；
• 算子融合与 CUDA Graphs：针对流式计算中固定执行序列的短算子进行 Triton 融合，并利用 CUDA Graph 回放消除了高频 Kernel 启动与 CPU-GPU 同步延迟；
• Ulysses 上下文并行：在多 GPU 场景下利用量化通信切分激活值，实现线性扩展。

5. 多模态 Agent 闭环控制

多模态 Agent 交互系统架构

为了支持交互中任意时刻的参考图注入与连续复杂指令执行，系统集成了视觉语言模型（VLM）构建的智能体系统。如上图所示，用户输入语音、文本或新增参考图后，VLM 负责拆解生成提示词并保持未修改状态的连续性；同时，VLM 持续按时序审查已生成的视频帧，判定“拿杯子”或“脱帽子”等动作是否完成，并闭环触发下一步动作描述（下图），解决了长对话流中的动作重复或中断痛点。

参考图与配饰控制样例

Vidu S2-Editing：严格帧对齐的流式视频编辑

针对外部视频流实时编辑任务，Vidu S2-Editing 提出了专用的架构设计与合成数据管线。

1. 帧对齐注意力（Frame-Aligned Attention）

2. 成对数据合成与因果防泄漏 Caption

如数据管线图（Figure 2 右侧）所示，针对风格迁移任务，团队采用 NormalCrafter 提取原视频的表面法线序列，训练以表面法线和参考图为条件的视频重建模型，进而将参考图替换为 50 余种特定风格图像（如水墨工笔、赛博朋克、动漫等）生成成对训练数据。同时，编辑提示词生成时不向 VLM 提供源视频内容，仅描述编辑意图与保留约束，彻底切断了源视频信息向文本条件的泄露。

3. 模块间动态时分复用调度（Inter-Module Scheduling）

在实时编辑流水线中，VAE 编码器、Backbone、Refiner 和 VAE 解码器各司其职且呈阶段性活跃。传统静态显存分配会导致部分显卡在等待时闲置。系统采用了统一时间轴上的动态多卡调度，在 Backbone 完成计算的间隙立即将算力交由 VAE 执行编解码，极大降低了整体推理延迟。

实时空间视频生成与编辑

实时空间视频生成与编辑效果展示

为了赋予视频生成真正的 3D 沉浸感，Vidu S2 探索了实时空间双目视频方案：

• 空间数字人生成：由 Vidu S2-Avatar 生成单目流后，在流式流水线中串联轻量级时序一致性深度估计模型，以单目画面为中心视点向左右两侧进行水平视差几何变换（Warping），并利用轻量算子实时修补去遮挡边缘的空洞，输出同步的左右眼画面（如上图）。
• 空间视频编辑：支持两种模式，既可先对单目流编辑再转双目，亦可直接将已有的左右眼立体视频按左右并排拼接为宽画幅，由 Vidu S2-Editing 一次性完成联合编辑并切分输出，契合 VR 头戴设备的实时透视与沉浸交互场景。

性能表现与实验验证

1. 数字人基准：StreamAV-Bench 全项登顶

在流式音视频综合基准评测 StreamAV-Bench 上，Vidu S2-Avatar 与当前最前沿的实时及离线数字人模型进行了系统对比：

StreamAV-Bench 评测结果

从上表可以看出，Vidu S2-Avatar 在所有 9 项指标上全面取得 第一名（SOTA）：

• 视觉质量维度：视觉美学（VA）达 0.687，视觉质量（VQ）达 3.370，优于此前的最强模型 Live Avatar（0.661 / 3.295）；
• 音视频同步与对齐：音视频语义对齐（AVAlign）大幅提升至 0.353（此前最高为 LongLive 的 0.272），时序同步误差（AVSync）降至最低的 0.617（低于 SoulX-FlashTalk 的 0.648）；
• 长时程稳定性：主体一致性（SC）达到 0.998，背景一致性（BC）达 0.993，证明了 SRF 算法抑制漂移的能力。

2. 视频编辑公开评测：领跑离线与流式基准

Sparkle-Bench 评测结果

在 Sparkle-Bench（上表）中，Vidu S2-Editing 取得了 3.74 的最高综合分（Overall），在前/背景指令遵循及运动保持上均显著优于 Decart-Lucy2.5 等流式基线与 Kiwi-Edit 5B 等离线基线。

OpenVE 与 RefVIE 联合评测结果

在 OpenVE 与 RefVIE 联合评测（上表）中，Vidu S2-Editing 的联合总分达到 4.26，反超了 14B 参数量的最强离线大模型 Bernini-R 14B（3.92）。

ViViD 非成对虚拟试衣评测结果

在 ViViD 非成对虚拟试衣测试集（上表）中，反映视频分布与时序连贯性的综合指标 VFID（越低越好）被大幅拉低至 9.9515，相较于专用模型 CatVTON（19.5131）和 ViViD（21.8032）呈现出显著优势。

3. 长时程衰减曲线与商业闭源模型 GSB 人工盲测

不同时长下的生成质量衰减曲线

流式生成最忌“首段惊艳、后段崩溃”。上图展示了从 10 秒延伸至 90 秒时的人工评测均分曲线。Vidu S2-Avatar 在一致性、视频质量、动作质量、表情表现力与综合质量五个维度上保持平稳高位，而基线系统则随着生成时长的增加出现了不同程度的质量下滑。

数字人场景商业系统 GSB 双盲评测结果

在严格的双盲 Good/Same/Bad（GSB）人工偏好评测中：

• 数字人场景（上图）：面对 Runway Character GWM-1，Vidu S2-Avatar 取得了 85.7% 的综合偏好胜率（无败局）；面对 HeyGen 与 PixVerse Image Avatar，综合偏好胜率更是达到了 100.0%。

视频编辑场景商业系统 GSB 双盲评测结果

• 视频编辑场景（上图）：面对主流商业系统 Decart-Lucy2.5 和 XMax-X2.0，Vidu S2-Editing 分别获得了 72.7% 和 86.7% 的综合优势胜率。

4. 定性案例分析

数字人定性对比案例

在数字人定性对比（上图）中，基线系统在长时间推移下频繁出现脸部特征漂移、比例失调以及手部或化妆品道具形变扭曲；而 Vidu S2-Avatar 稳定保持了微小的眼部轮廓、发际线细节与持握道具的几何结构。

风格迁移定性对比案例

虚拟试衣定性对比案例

主体替换定性对比案例

背景替换定性对比案例

在视频编辑案例中：

• 风格迁移（Figure 9）：Vidu S2-Editing 准确赋予画面水墨或工笔画质感，同时完好保留人物与水杯的动态交互，杜绝了基准系统中常见的背景失真或人物面部被破坏问题；
• 虚拟试衣（Figure 10）：在人物拉扯衣物的复杂形变中，模型准确重塑了白色花纹衬衫与牛仔连体衣，并未像基线系统那样引入胸前乱码文字或错误添加第三人；
• 主体与背景替换（Figure 11、12）：无论是替换为动漫角色还是将卧室迁移至巴黎街头，新生成元素均与源视角的肢体运动和相机轨迹保持了严格契合。

写在最后

Vidu S2 的提出代表着视频生成技术正加速从传统的“被动批量离线渲染”跨入“实时可交互流式处理”的新发展周期。通过在训练端提出突破长程漂移的 Self-Replay Forcing，在模型端设计非对称缓存解耦超分精炼器，并在架构上实现源视频流帧对齐交互与双目立体拓扑，该系统在保证低延迟的同时，在多项公开评测基准和商业系统盲测中展现出明显优势。

对于行业而言，实时流式视频技术不仅是虚拟主播或互动娱乐的效能升级，更展现出了与空间计算、全景漫游以及未来实时渲染元宇宙场景深度融合的广阔潜力。

• 论文标题: Vidu S2: Real-Time Interactive, Editable, and Spatial Video Generation
• 研究机构: 清华大学、生数科技
• 论文地址: https://arxiv.org/abs/2609.11638
• 项目主页: https://vidu.com/vidu-stream （提供可玩在线体验 Demo，代码未开源）