全新统一流式架构，Vivix灵动时刻正式发布首个实时互动模型

实时交互模型登场：AI角色不再“只会动嘴”

7月24日，成立仅一年多的AI公司Vivix推出两款激活参数约30B的实时交互多模态模型——Vivix-A1与Vivix-W1。这是全球首个将多模态参考、原生交互与流式视频生成整合于单一基座模型的方案。与常见的“talking avatar”不同，Vivix-A1不再局限于生成一张会说话的脸，而是让AI角色拥有完整的身体：它能感知周围环境，自由走动、拿取物品，并完成全身表演。用户说出指令，角色的表情、视线、手势和全身运动会同步响应，仿佛一个真实的“生命”在实时互动。

小狐狸导览、房产销售与露营：三个场景展示全身表演能力

Vivix官网展示了A1在三个典型场景中的实际表现。在小狐狸导览场景中，AI角色用生动的肢体语言为用户介绍环境；房产销售场景中，角色能指向虚拟房源并完成物体交互；露营场景则展示了角色在开放空间中的移动能力。这些场景共同验证了A1的三大核心能力：全身表演、物体交互与空间移动。模型覆盖写实人物、3D角色和动漫形象，微表情、手势与全身运动被视作模型的关键能力。Vivix为A1设计了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，同时生成对应的声音与画面，实现真正的“边听、边说、边行动”。

从角色到世界：W1让整个场景随用户指令实时演变

如果说A1让一个AI角色活了起来，那么Vivix-W1则将这套能力扩展到了整个场景和故事。W1能实时改变人物、物体、场景、镜头、声音和事件，让用户可以通过文字、语音、触控甚至动作来塑造世界的走向。为了支撑这种实时交互，Vivix推出了两大技术底座：Vivix-Turbo通过“超低步数蒸馏”大幅减少每段音视频所需的推理步骤，同时利用镜头规划和时间连续性优化保持人物、场景和镜头的稳定；Vivix Infra则搭建了实时推理系统，让输入处理、音视频生成、解码和推流同时运行，模型在生成当前画面时就能继续接收用户的新指令。

速度与成本双突破：实时交互走出实验室

Vivix官方报告显示，A1和W1的可见反应延迟低于0.6秒，计入网络传输和直播推流后，端到端首次反应延迟（TTFR）低于1.7秒。更让人振奋的是成本：团队的实时视频推理成本在过去一年内降低了两个数量级，已接近主流视频平台每小时CDN带宽成本量级。这意味着实时交互多模态技术终于具备了大规模落地的可能性。Vivix同时推出API平台，让开发者可以快速集成这些能力。团队认为，互动是一件“很重”的事情，需要为用户带来体验增益——比如游戏级别的沉浸感与真实反馈。A1和W1正是这一探索的起点，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”。