一句话看懂：生数科技于 9 月 15 日正式发布 Vidu S2 视频大模型系列，包含面向连续交互数字人的 S2-Avatar 和面向实时视频流编辑的 S2-Editing，并首次将实时空间视频生成与编辑能力延伸至 VR 头显。这意味着视频生成正从”一次性出片”向”可交互、可动态调整、可穿戴端消费”演进。
事件核心：发生了什么
此次发布的 Vidu S2 包含两条核心产品线。S2-Avatar 面向连续交互数字人：用户上传角色图像后，可通过文字或语音驱动，模型支持说话时的表情与姿态，并强化了跳舞等大动作的指令跟随能力。更关键的是，它允许在视频流中随时动态加入物品、服装或背景参考图，实现”拿起杯子””换上指定服装””进入新场景”等操作，并通过视觉反馈机制校验连续动作的可靠性，例如确认”拿起杯子后再微笑”是否完成。实时输出分辨率从前代 540P 提升至 720P，技术负责人为生数科技流式视频生成与推理负责人、朱军教授博士生张津涛。
S2-Editing 则接收连续视频流，基于文本指令和可选参考图进行实时编辑，目前主要覆盖四类任务：风格迁移、虚拟试穿、角色替换和背景替换。在空间视频方向，Vidu S2 将 Avatar 实时输出接入空间视频转换，生成同步左右眼视图，编辑结果可直接串流至 VR 头显。
底层技术方面，Vidu S2 提出 Self-Replay Forcing（SRF）训练方法，通过生成长自生成轨迹、采样连续片段并重新加噪进行因果回放训练，缓解身份漂移与动作断裂；同时引入 VLM 智能体作为视觉反馈校验动作完成度，并结合轻量单步 Refiner、TurboDiffusion 与 TurboServe 降低算力开销。公开评测中，S2-Avatar 在 StreamAV-Bench 九项指标取得最佳，S2-Editing 在 OpenVE 与 RefVIE 联合评测得分 4.26，并在 Sparkle-Bench 全指标领先。
为什么重要
视频大模型此前多停留在离线生成或短片段输出，Vidu S2 把”实时编辑”和”持续交互”推到前台，直接对标直播、虚拟人、电商试穿等对延迟敏感的场景。动态参考图能力让生成过程从”预设提示”变为”过程中可控”，这对创作者工作流是结构性变化。空间视频与头显适配则打开了一个新的分发终端，目前公开信息显示该方向仍处于固定视角探索阶段，能否在头显内维持清晰画质和低延迟仍是待解问题。
对用户/开发者/创作者的影响
对创作者而言，720P 实时数字人加上动态换装、换背景，意味着短视频、直播和虚拟试穿内容的生产门槛可能进一步下降，风格迁移与角色替换可用于快速迭代素材。对开发者，S2-Editing 的连续视频流编辑接口若开放 API，将适合接入直播工具、在线教育或视频会议类应用，但需关注实时推理的算力成本与并发能力。对企业采购方，虚拟试穿和背景替换的稳定性是评估重点，目前公开信息显示其在 ViViD 试穿测试中明显领先，但实际商用效果仍需场景验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Vidu S2 是否开放 API 及定价策略，将决定开发者生态能否快速起量；二是 VR 头显端空间视频的实机延迟与画质表现，以及是否适配主流头显平台；三是竞品在实时视频编辑与数字人方向的跟进节奏，尤其是开源模型能否在同等任务上缩小差距。
来源：AIbase
