当前位置:

首页 > 硬件相关 > 一张图生成一个世界?Vidu S1体验:问题比想象的要多

一张图生成一个世界?Vidu S1体验:问题比想象的要多

ViduS1可通过上传图片生成实时交互角色,但存在画质模糊、延迟较大、动作受限等问题,自定义角色效果不佳。灵光App的世界模型能生成可探索场景,但交互有限、延迟卡顿,角色和场景记忆不稳定。当前技术尚不成熟,但代表了AI从被动展示向主动交互的演进。

本文目录

    我这人没什么养宠物的耐心,但却很喜欢折腾AI角色。有段时间,隔三岔五就去豆包、千问里翻别人的Bot。有人让诸葛亮来到现代,有人让霸道总裁教高数,还有人捏了个天天催自己上班的二次元老婆。好不好用先放一边,至少每次点进去,都不知道会遇上什么新品种的电子活人。

    结果前阵子再打开,发现这帮Bot要集体毕业了,豆包、千问接连宣布下线相关功能。眼看聊天框里的电子朋友一个接一个消失,本来已经准备接受现实,结果转头又刷到一个更抽象的东西——Vidu S1。



    (图源:Vidu)

    Vidu S1是一个主打实时视频交互的模型。不同于普通的AI Bot,用户只需上传一张图片,模型就能快速理解角色的身份、外观和风格,并在交互过程中实时生成该角色的各种表情和动作,同时尽量保持形象与音色的统一。

    既然大厂的Bot不让玩了,那干脆自己造一个。一个会说中文、能听懂指令,最好还能当场打坐的哈兰德,想想就挺有意思。

    一张图就能生成可对话的哈兰德

    Vidu S1的上手流程,其实比想象中要简单。这个模型本身完全公开,在手机应用商店搜索Vidu AI Pro下载最新版本,进入APP内点击Vidu S1即可体验。注意别下错成Vidu AI,这是两个不同的APP,容易混淆。



    (图源:雷科技)

    为了方便体验,Vidu S1里已经准备了一批预设角色。数量最多的是各式各样的妹子,从古装到现代,从魔幻到现实,此外还有一些动画角色、拆家狗子可供选择,多样性这一块是没啥问题。

    先没急着上传图片,随便挑了一个聊了几句。选定角色后,通过麦克风直接发出语音指令,角色就会在画面中实时回应,并根据对话内容生成表情、口型,搭配上身子左右自然晃动,还真有几分在打视频通话的感觉。



    (图源:雷科技)

    就是这画面本身确实有点糊,看了一下最新规格,说是540P、25帧,只好当成网络不佳的效果来接受。

    当然,这玩意的能力不止对口型,还可以直接用语音指挥角色做出不同动作。当发出“举起左手”的指令后,画面中的角色确实能够响应,对应的举手动作也很流畅,没有出现什么穿帮的情况。



    (图源:雷科技)

    稍微复杂一点的,比如推眼镜、撩头发,都算是能较好地完成。甚至提出了一个类似于“左手整理头发,右手整理衣襟,然后双手放在胸前比&心”的复合指令,角色也能勉强做到,就是没那么到位。



    (图源:雷科技)

    至于槽点,延迟挺大的。它的“实时”是站在AI视频角度说的,你讲完一句,角色往往还要停顿一下,再开始回答。这个速度放在视频生成里确实不赖,但放进视频通话里就很明显,尤其是角色还会一直盯着你,让人心里多少有些毛毛的。

    动作也是同样的情况。为了防止穿帮,Vidu S1似乎在系统层面写死了不准转身的限制,无论怎么尝试角色都会拒绝,至于跳舞、上下蹲这类连续动作更是直接糊弄。属于是嘴上答应得很积极,身体只象征性地晃两下,有点像摆烂的样子。



    (图源:雷科技)

    当然,预设角色毕竟经过精心挑选,Vidu S1也支持用户上传图片创建自己的角色,接着就该试试自定义角色了。

    先选了一张Q版角色,正好可以看看它在面对非常规体型时的处理效果。上传菲比啾比的图片后,填写角色描述,选择系统提供的预置音色,或者录制自己的声音,等个1分钟左右,一个自定义角色就完成了。



    (图源:雷科技)

    结果非常吓人,角色的动作和体型完全不匹配。当发出“跳起”的指令后,画面里的角色身体被骤然拉长,其他指令也都是类似橡胶人的效果。更别说设置的角色描述似乎完全没用,角色无论如何都会在那里自说自话。



    (图源:雷科技)

    最后,上传了一张挪威前锋哈兰德的图片。估计是因为训练集的缘故,真人图片比二次元要简单。静止时,Vidu S1能把五官和发型保持得不错;开始说话后,嘴型也能跟上。但表情一激动,牙齿、脸颊和眼神偶尔就会有点不协调。比较抽象的是声音,录制的声音完全没生效,而是随机在几种不同的男/女声中进行切换,画面看起来异常诡异。让角色复刻招牌打坐庆祝,他先是低头,再抬了抬手,最后还是稳稳站在镜头前。



    (图源:雷科技)

    看来Vidu S1只能造出一个会聊天的哈兰德,但暂时造不出那个能在球场上跑起来的哈兰德,可以改进的地方还是太多了。

    AI让「一分钟创建一个世界」梦想成真

    无独有偶,今年初谷歌推出了Genie,最近灵光App也升级了世界模型体验功能。这类产品的宣传点都很一致:用户只要上传一张图片,AI就会自己解析画面元素、理解什么是地面、什么是障碍物、角色该怎么动,把静态画面变成可以交互的视频应用,听起来跟小时候幻想的“随便画张图就能变成游戏”差不多。

    尤其是灵光App,公开展示里又是攻击,又是射箭,又是施法的,看起来相当厉害,还没有什么会员之类的资格限制,难免让人手痒。



    (图源:雷科技)

    既然手痒了,那就去试试,直接从系统推荐的图片开始。选择“解锁冷冽的高科技都市”,灵光自动上传了一张高度类似于《赛博朋克2077》的场景截图,等了不到半分钟,系统就提醒专属世界已经就位了。



    (图源:雷科技)

    这速度,真的假的?灵光App还真就在短时间内生成了一个像模像样的赛博朋克世界。你往前走,前方路径会实时生成;你转视角,镜头也会跟着同步调整。整个过程更像是在一个持续展开的空间里进行探索。



    (图源:雷科技)

    生成完成后,画面下方除了基础方向键,还出现了一些个性化交互按钮。第一眼看着确实比过去丰富,仿佛模型已经理解了图片里的内容,专门设计了一套玩法。实际按下去就会发现,这些按钮更多只是让这个世界播放不同的效果。画面里即便还有其他人物,也不能靠近对话,不能攻击,甚至很难产生任何像样的接触。所谓交互,基本还是用户控制一个角色,在AI持续生成的视频里走来走去。



    (图源:雷科技)

    而且这个操作延迟,移动角色差不多有1-2秒延迟,切换视角更是卡到吓人。

    为了测试它到底能不能看懂图片,又上传了一张《怪物猎人》的游戏截图。按理来说,画面里有人物、有怪物,还有非常明确的战斗场景,模型即便不能还原完整玩法,至少也应该根据内容生成攻击、闪避或者狩猎相关的按钮。结果它并没有。系统给出的交互方式非常通用,跟图片里的《怪物猎人》没有多少关系。更抽象的是,角色才走了没多久,原来的猎人就慢慢变成了悟空。



    (图源:雷科技)

    看来模型确实知道这是一张游戏截图,但至于玩的是啥游戏,它可能觉得都差不多,反正手里拿着东西打怪就行。

    再来,这次上传了一张哈兰德参加足球比赛的截图。这次的问题更直接。进入场景后,原本最关键的足球很快就消失了,系统也没有让用户操控哈兰德,反而选中了对面一名穿白衣服的球员。这个角色没办法踢球,也不能跟哈兰德或者其他球员产生有效互动。画面里的球门、草地和观众更像背景贴纸,看着都在,实际上碰不到,也用不上。更麻烦的是,一旦角色开始移动,整个画面都会跟着发生变化。



    (图源:雷科技)

    因为原图里的元素本来就不多,模型又无法稳定记住人物和场景,角色稍微跑两步,球场、球员位置甚至衣服细节都会重新生成。上一秒还在身边的人,下一秒可能已经换了长相,连主控角色自己都像边跑边整容,队服换了又换。

    真要说有什么体验好一点的,或许是POV视角的风景图片。给这玩意一张风景图片,倒是真的能够享受到在一个不存在的世界里旅行的感觉,只要你能忍受时不时出现的顿卡。



    (图源:雷科技)

    当个新鲜玩具,玩几分钟娱乐一下或许还行,长期的可玩性肯定是支撑不起的。

    世界模型成了AI的下一个核心战场?

    说到这里,可能有人会觉得,既然画质这么渣,Bug这么多,那这些厂商花这么多钱搞这个可交互的世界模型,是不是点错科技树了?从行业角度看,恰恰相反。

    这类模型和应用的出现,其意义远不止做个游戏这么简单。它代表了人工智能从“理解静态世界”迈向了“模拟真实世界”的关键一步。我们现在熟悉的Seedance、可灵这些视频生成模型,虽然能做出足够唬人的大片感画面,但它们是被动展示的。观众只能看,不能互动。



    (图源:字节跳动)

    而这些厂商发力世界模型,核心就是想让AI理解:一个角色做了某个动作,世界就会跟着变化。让AI从被动展示到主动交互,从静态叙事到动态推演,这也是通往更强通用智能的重要路径之一。

    试想一下,如果未来的灵光世界模型能进化到4K画质、60帧,并且物理逻辑完全准确,那意味着什么?直观点说,这意味着我们不需要在现实中去训练机器人了。可以让AI机器人在灵光生成的虚拟世界里,摔倒一万次,学会走路,学会拿杯子,然后再把这个算法加载到实体机器人身上。

    当然了,目前盯着这个赛道的,可不止这几家厂商。OpenAI早在介绍Sora时,就曾把视频模型放进世界模型的语境里讨论;英伟达推出的Cosmos,同样把重点放在物理世界模拟上;国内不少智能驾驶、机器人和游戏公司也在布局。大家都在赌,谁能先造出那个成熟的世界雏形。

    对这个新领域而言,好戏才刚刚开场。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关
    相关文章 更多
    哈兰德领衔新势力对决!容声扎根世界杯,以行业标准实力鲜翻全球赛场
    哈兰德领衔新势力对决!容声扎根世界杯,以行业标准实力鲜翻全球赛场

    2026世界杯挪威4-1胜伊拉克,哈兰德首秀独中两元。容声冰箱第三次亮相赛场,凭借WILL自然养鲜技术、牵头制定行业标准及自动制冰认证,多款产品领跑市场,展现中国家电国际水准。

    微博第二季营收30.8亿:“王老吉×哈兰德”成明星营销范本
    微博第二季营收30.8亿:“王老吉×哈兰德”成明星营销范本

    雷递网 乐天 8月20日微博今日发布2026年第二季度财报。二季度微博总营收4.538亿美元(约30.8亿元),其中广告营收3.81亿美元(约25.84亿元),二季度调整后运营利润1.254亿美元(约8.46亿元),调整后运营利润率达到28%。用户方面,截至二季度末,微博的月活跃用户达到5.61亿,

    QQ影音播放高清视频卡顿怎么办
    QQ影音播放高清视频卡顿怎么办

    本地文件卡是解码问题:开硬件加速、关画面增强、电源设计高性能;4K 高码率对老机器仍有硬门槛。

    QQ影音如何开启硬件加速提升播放流畅度
    QQ影音如何开启硬件加速提升播放流畅度

    设置 → 播放或图像设置里勾选硬件加速,重新打开视频。开启后看 CPU 降、GPU 视频解码升才算生效;花屏就关掉或更新驱动。

    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498预发布说明
    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498预发布说明

    llama.cpp b12489、b12490、b12491、b12492、b12493、b12494、b12496、b12497、b12498 均为预发布构建,分别涉及服务器、语音模型及特定后端;适用范围须按模型、硬件和请求条件区分。

    MiniMax-H3-Image与DiffSynth-Studio 2.2.2文档配方的硬件条件怎样区分
    MiniMax-H3-Image与DiffSynth-Studio 2.2.2文档配方的硬件条件怎样区分

    MiniMax-H3-Image新增DiffSynth-Studio文档推荐后,配置选择应围绕具体推理配方和独立训练流程展开。文档中的24GB GPU方案分别配合32GB或8GB主机RAM,所用量化、CPU或磁盘卸载方式不同;新增文档入口本身没有发布模型新权重或标注一个新的框架版本。

    Ollama v0.40.17-rc0更新该看哪些条件,MLX、Vulkan与CLI改进如何对应
    Ollama v0.40.17-rc0更新该看哪些条件,MLX、Vulkan与CLI改进如何对应

    识别Ollama完整rc0预发布标签,区分MLX并发、Vulkan集成显卡mmap、llama.cpp b12257与CLI集成更新边界。

    宏基笔记本开机没反应怎么办?电源灯亮 黑屏及不通电的解决方法
    宏基笔记本开机没反应怎么办?电源灯亮 黑屏及不通电的解决方法

    宏基笔记本遇到开机没反应、电源灯亮但屏幕黑屏,或者按下电源键完全无反应的情况该怎么办?本文通过界面与状态指示灯的观察,分步骤介绍静电释放、内存重插及外接显示器测试等实用方法,助你自行解决常见启动故障。

    hp笔记本开机没反应电源键和大小写键亮怎么回事
    hp笔记本开机没反应电源键和大小写键亮怎么回事

    惠普笔记本开机时电源键和大小写锁定键亮起,但屏幕无反应?这通常是嵌入式控制器(EC)逻辑错误或静电干扰所致。本文详解如何通过移除外设、长按电源键进行硬件复位来恢复正常启动,并提供BIOS恢复及进一步硬件检测的建议。

    电脑黑屏显卡风扇狂转怎么回事?原因与解决方法
    电脑黑屏显卡风扇狂转怎么回事?原因与解决方法

    遇到电脑黑屏伴随显卡风扇狂转?这往往是显卡过热保护、供电不足或驱动崩溃的信号。本文详解如何通过观察指示灯、重置驱动、检查线缆及清理灰尘来解决该问题,避免盲目更换硬件。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。