《Soul亮出实时交互AI技术基建王牌》
2026-05-07 18:23:20 新浪新闻
从2025年到2026年，Soul 的开源动作几乎没有停歇。3 月 16 日，Soul AI 团队（Soul AI Lab) 发表了新的开源模型 SoulX-LiveAct，技术报告中具体提到，该工作能够在 2 张 H100/H200 条件下，达到 20 FPS 的实时流式推理能力，且支持输入图像、音频和指令驱动，即可生成表情生动、情绪可控、拥有丰富全身动作的实时数字人视频。实时数字人领域，高画质、长时稳定性、低安排成本长期被视为「不可能三角」。对于 Soul 自身而言，开源是将其从单一 App 该范围的关键一步：一方面在 AI 社交标准尚未确立之际，率先开源即可掌握优质实时交互的定义权；另一这一研究基建创造的新玩法，也将反向反哺社区，持续丰富 Soul 的 AI 社交生态体验。该领域时，其实长期遭遇一个问闪烁，以及实时推理成本随时长上升等等。不同于传统的 AR diffusion 对历史记忆的无节制依赖，SoulX-LiveAct 在「条件传播方法」和「历史记忆管理」该范围闭环，抛弃了随时长线性增长的沉重缓存机制，通过全局特征锁定极致，既能精准「带得动」超长时段的历史上下文，又不会因缓存膨胀拖累推理效率。在此之前，这个团队已先后开源了多个模型，包括了实时数字人生成方向（SoulX-FlashHead、SoulX-FlashTalk），歌声合成方向，播客语音合成方向等，覆盖围绕交互的多个维度。年初，字节旗下音视频生成模型 Seedance 展现出惊艳的运镜能力和细腻的视频效果，让大众意识到了 AI 在影视、内容创作的巨大潜力，也再次反映出在「落地」成为 AI 领域共识的当下，行业对于大模型的需求已经不再是「能不能用」而是「好不好用」。商业落地层面，SoulX-LiveAct 展现了极强的工程化能力与成本控制优势。在线教育场景中，最稀缺的是陪伴感，SoulX-Podcast 等技术，能支援能稳定输出 60 分钟以上的连贯对话，覆盖完整周期的教学内容、讲解，AI 教师可以与学生开展长时间深度交流。AI 社交也不是简易的信息交换，而是跨越时空的、具备「在场感」的情感共振。该领域，到一家输出底层能力的 AI 这一商讨，Soul 正在用开源证明：AI 时代，最好的防守是开放，最深的护城河是生态。这意味着，数字人具备了在小时级甚至全天候长直播中的实战能力。一般情况下，长视频最容易「翻车」的不是第一分钟，而是第十分钟、第三十分钟：可能是脸漂、发型/衣纹漂移，也可能是饰品忽隐忽现，甚至口型逐步失配。而另一个同样是春节前推出的 1.3B 参数轻量化模型 SoulX-FlashHead，Lite 版本在单张消费级显卡上跑出 96FPS 的工业级速度，与此同时能够实现高质量画质，在公布后也快速进入 HuggingFace I2V 趋势榜 TOP4。为什么 Soul 在持续死磕「实时交互」方向？举个简单的例子，大模型爆火后，或许是 ChatGPT 定义了面向 C 端的基本形态，后续所有的产品基本均采用了类似的交互模式——用文字或语音，人与 AI 交互过程中，结束信息的获取和内容的办理、创作。视频由 SoulX-LiveAct 生成，人声由 Soul 开源的另一个工作 SoulX-Podcast 生成事实上，面对实时数字人方向的「能用」到「好用」，Soul 已经推出了多个解决办法。与此此时，社交场景对响应延迟有着极高要求，为实现亚秒级反馈，Soul 必须在全双工通信、低延迟传输、该范围上「死磕」。该行业则意味着这种交互升维到视觉层面。ta 拥有一个完整的，可互动的视觉形象，且这个视频互动的过程是「双向」的，ta 不只是会答复你的议题和指令，还会自动根据语境，判断互动时机、节奏。Soul 的目标也很明确——AI 社交最终要带动的，还是人与人的沟通。接下来，Soul 的 AI 生态价值，或许将能够外溢到社交之外的更多交互领域。」如今，实时交互，同样创造了一种超预期的体验，这也是 AI 该范围难点之一。这一整套的大模型能力，让 AI 从「应答式」交互，变成了「陪伴」，产品定义也从简易的工具使用，到真正的「伙伴」和数字交互「入口」。SoulX-LiveAct 能在更长时间窗口内保持身份一致性与关键细节持续稳定。是一种再自然不过，类似现实交流的场景。早前，极客公园张鹏曾有一个判断，Location（位置）该行业栈，最终成为了整个移动互联网时代最不可或缺的底层基础设施之一。仅需 2 张 H100/H200 即可达到 20 FPS 的实时流式推理能力，端到端延迟被压缩至约 0.94s。进入大模型时代，Soul 发现通用模型虽能「对答如流」，却无法交付具有情感温差和极致在场感的社交体验，自研了 SoulX 大模型。该范围的重构，SoulX-LiveAct 想要尝试解决这些问题。所以，聚焦实时交互，Soul 在多模态方向均有探索，除了实时数字人方向，此前，Soul 还先后开源了语音合成模型 SoulX-Podcast、歌声合成模型 SoulX-Singer、全双工语音对话控制模块 SoulX-Duplug。重视到「Soul AI Lab」这个标签，是因为近来，它高频出现在 AI 社区分享交流群中。在去年10月底发布后快速登顶 Hugging Face TTS 趋势榜，Github Star 数目前超过 3.2K。传统印象中，Soul 始终被视为「该领域」，如今选择开源本身便充满了讨论点。该行业携手开源社区构建起丰富 AI 应用生态的新可能，更重要的是，这些工作围绕的核心点是「多模态实时交互」与「真实场景可用」，指向了「AI 社交」这一研究标准的重新定义。而「有效的主动性」将成为 AI 该行业栈。「它让你原有的产品，突破了纯工具的被动，拥有了主动对用户一次次满足预期，甚至超预期中建立信任的可能。目前的开源动作，成为观察其 AI 布局的新切入口。这种「反直觉」布局的背后并非单纯的炫技，而是其深刻的产品洞察：通用的服务无法交付差异化的社交体验。春节前，Soul AI Lab 发表的 SoulX-FlashTalk——产业中首个能够实现 0.87s 亚秒级超低延时、32fps 高帧率，并支持超长视频稳定生成的 14B 数字人模型。利用 SoulX-FlashTalk 0.87 秒的超低延时和 32fps 的高帧率，数字人能实现如同真人般的秒级回复反馈；在 AI 客服场景中，机械式问答一直被诟病，SoulX-LiveAct不仅能让数字人拥有生动的表情，甚至可以控制情绪，用具有「在场感」的数字人服务改善枯燥的售后咨询。其中，SoulX-Podcast 是一款专为多人、多轮对话场景打造的语音生成模型，声援中、英、川、粤等多语种/方言与副语言风格，能稳定输出超 60 分钟、自然流畅、角色切换准确、韵律起伏丰富的多轮语音对话。这种对未来形态的预判，促使其必须掌握并共享底层工具。作为一个兴趣社交社区，Soul 的底层产品始终建立在真人互动的基础上，故而在 AI 社交的探索过程中，一直保持着谨慎。通过单帧计算成本降低到 27.2 TFLOPs / frame，SoulX-LiveAct 突出减轻了算力压力，让原本专属于顶级服务器的高品质实时交互，该领域下放的可能。这一商讨里的 Demo，Soul 的模型已经经过真实、高并发、复杂社交场景的验证，这意味着开发者可以「拿来即用」，该行业落地门槛。近期，这个团队最新公布的 SoulX-LiveAct 面向实时数字人生成行业。Soul 的 AI 基因并非始于大模型热潮。该领域已在尝试用 AI 化解人与人的匹配效率和质量难题。所以，AI 该领域的应用路径清晰，AI 协助用户交朋友，这一研究，构建有力、多元的社会支援体系：借助聊天辅助、推荐匹配等功能，增强连接效率和质量，如协助用户发起对话、创作内容、打破社交壁垒、提升自信，交到兴趣相投的好友。这些为处理社交核心痛点打磨的工业级模型，该行业输出的价值。一直以来，Soul 在大众层面的标签，更多是与 Z 世代、年轻人高度绑定的社交产品。比如在电商直播中，数字人主播常常存在「假人感」严重、互动有延迟等议题。实时数字人、语音、歌声...... 基于这些能力，AI 能实现更多的互动可能，例如社交场景中 AI 不会「把天聊死」，即便面对那些相对内向，社交能力较弱的「I 人」，也能拉长整个互动的周期，并且具备丰富的演绎（如能歌会唱）能力，带来不一样的交流体验。在开源后，快速冲入全球最大 AI 开源社区 Hugging Face I2V趋势榜 TOP5，现在在 Github 已积累了 1.1k+Star。在 AI 范围热议「Agent 替代人类」的当下，Soul 的立场显得格外清醒：AI 不是替代人，而是链接人。在此过程中形成的「关系」，正是 AI 产品独有的延伸资产，是你突破用户 LTV（life time value，生命周期总价值）天花板、构筑真正护城河的关键。AI 的角色应该是扶助用户优化表达、打破僵局、建立同频。因此，Soul 选择开源，本质上是在为 AI 时代的社交「修路」。相较于电影、小说等传统内容产品所呈现的封装化、静态化特征，Soul 觉得未来内容、数字娱乐产品、社交等或将走向流动交互、实时介入的全新形态。该领域门槛逐渐降低，交互体验不断升级，社交也将逐渐回归情感链接的本质。本文为极客公园原创文章，转载请联系极客君微信 geekparkGO你如何看待 SoulX-LiveAct ？
今日商丘
新浪微博
商丘网