S2-Editing 帧对齐稀疏注意力是关键S2-Avatar 720P实时 状态不丢视频生成进入实时编辑时代 创作者少了哪些苦从S1到S2仅69天 生数的节奏说明什么
距上一代S1才69天，生数科技又甩出Vidu S2。这次主打的不是生成一段视频，而是对正在播放的视频流实时动刀：换风格、换装、换角色、换背景，运动轨迹还不穿帮。S2-Avatar更是720P实时输出，随时追加参考图还保留状态。视频生成的玩法，正在从一次性生产，变成可编辑的实时流。创作者手里那把剪刀，第一次长在了播放键上。过去这一年，国内外视频模型集体爆发，但大多数还停留在抽卡式生成，Vidu这次把重点放在了编辑，思路明显不一样。它赌的是创作者真正每天的痛点，而不是一次性的惊艳。
S2-Editing借助帧对齐稀疏注意力，可以对正在播放的视频流实时换风格、换装、换角色、换背景，运动轨迹不穿帮。传统视频生成是生成完就定格，想改只能重跑一整段，耗时又烧卡。视频最难的是时序一致性，人物动作、镜头运动一旦改动，很容易前后对不上，出现穿帮。Vidu把编辑动作前置到播放过程中，相当于给视频装上了可随看随改的图层，靠帧对齐技术保住动作连贯。发布即开放体验，意味着这类实时编辑不再停留在演示视频里，而是能真上手玩，对短视频二创尤其有用。
S2-Avatar升级到720P、25至42帧实时输出，支持随时追加参考图并保留状态信息。自研SRF训练技术专门抑制长时流式生成的漂移与崩坏。对数字人来说，这解决了最头疼的两个问题：一是清晰度够不上直播和短视频门槛，二是聊久了脸就糊、动作就乱。状态可保留，意味着Avatar能记住你刚给的参考，连续对话和连续创作不至于越聊越歪。720P加二十多帧的实时水位，已经够撑起一场轻量的直播或一段口播视频，不再只是玩具级演示。
过去做一条AI视频，往往是抽卡式生成，十几次里挑一条能看的，想微调只能整段重来。Vidu把编辑从成品之后，挪到了播放之中，二创和定制的门槛被明显压低，电商换肤、教育动画、个人vlog都能更快出片。当然新能力也带来新问题：实时换脸换装一旦被滥用，版权和水印的边界会更模糊，深度伪造的治理难度跟着上升。工具越强，平台和个人越得想清楚，什么能改、什么不能乱改。技术把剪刀递到每个人手里，怎么用，终究是另一堂课。
两代之间只隔69天，这个节奏本身就很能说明问题。视频生成赛道太挤，国内外对手都在提速，慢一步就可能被淹没。生数选择不在参数上硬刚，而在编辑体验和实时性上找差异化，等于主动换了一条赛道。69天不是炫技，是被迫的快：用户耐心有限，融资环境有限，窗口期更有限。对创业公司来说，比一次生成更惊艳的，是持续小步快跑、每次都踩在创作者真痛点上的能力。Vidu这波把实时编辑做成卖点，也是在用产品节奏回答一个问题，模型强不算赢，用得顺才算。
要是能一边看一边给视频换脸换装，你最想拿它来整什么活？是给vlog换个赛博朋克皮肤，还是给自家猫配个Avatar？聊聊你的脑洞。
【参考来源】腾讯研究院 | AI速递 20260916 | 2026-09-16
热门跟贴