AI 主播终于＂不像 AI＂了:Vidu S2 凭什么让 2 万人狂刷礼物?

这个中秋节，一个 AI 主播火了；而这个国庆假期，她还在继续播。

开播不到 5 分钟，2 万人涌进直播间。紫樱——一个虚拟的"傲娇御姐"——在 5 个小时里靠观众真金白银的打赏，给自己挣到了过万的营业额。假期你在景区排队的三小时里，她一秒都没下播。

而让这件事真正值得被记住的，不是又一个"AI 又爆了"的标题，而是：这场直播第一次证明了，AI 视频生成已经走出了"内容工具"的范畴，开始变成一种新的"交互界面"。

一、直播间，是 AI 视频最残酷的考场

中秋之夜，紫樱的首场直播——"无限营业，不完成业绩不下播"。

如果你是做 AI 视频的同行，对"画面崩坏"四个字应该不陌生——人物动两下就变形，光影乱跳，五官飘移。这件事在短视频里可以靠剪辑掩盖，在电影里可以用后期擦除，但在直播里没法藏。

直播是所有内容形态里最不容错的：观众的弹幕在飞，礼物在跳，每一秒都有新输入；每一个不够自然的停顿都会被截图，每一句答非所问都会被挂在评论区。

之前的 AI 数字人主播普遍是这样的——

• 眼神空洞，"AI 看着像人但其实不知道你在说什么"

• 对话延迟 3 秒，刚要接话弹幕已经飘过去了

• 聊两句就尴尬得让观众"脚趾抠出三室一厅"

• 换装、动作全靠预设脚本库，毫无现场感

而紫樱在这场直播里做了什么？

"你可是今天第一个有专属称呼的人，姐姐可是忘不了的。"

"安安宝宝，叫你小甜糕怎么样？又甜又可爱。"

被打断之后能接回上一段。被投喂礼物之后会说"不要再刷了，上班那么辛苦，对自己好一点"。能热舞，能唱歌，能根据弹幕点歌，能换装，能在被惩罚 KPI 不达标时接受"重置记忆"然后再来一轮——然后越挣越多。

这不是脚本。这是几百毫秒内实时算出来的画面，是当场发生的反应。

紫樱背后的模型，是生数科技 9 月中旬刚发布的实时交互与编辑模型 Vidu S2。

二、撕开"活人感"的底牌：S2 到底突破了哪三件事

🎬 看直播首秀原片（33 秒）：🎬 ./images/AI主播_ViduS2_凭什么让2万人狂刷礼物/直播首秀原片_4MB.mp4

<!--MPVIDEO_RIsTCddsxT_OYLZ64JNuu6HyURUD4vnySGm7_sQtFEKTq1cGeRi6t8obKuObp64k-->

直播间实时弹幕——画面左上角"角色及内容由 AI 生成"的强制标识清晰可见，这是 2026-02-01 施行的《直播电商监督管理办法》第 37 条要求的合规底线。（图源：鬼混工作室 / 紫樱直播首秀）

很多读者会问：不就是把视频生成做得更"真"吗？之前那些厂商也在做啊，凭什么这次能撑住直播这种最严苛的场景？

答案是：Vidu S2 不是某一个单点的算法突破，而是"长时一致性 + 实时生成 + 情境理解"这三件事首次在真实直播压力下同时跑通。

这件事的难度被严重低估了。

下面我用大白话拆开讲。

2.1 一致性：动两下不"崩"

传统 AI 视频生成的"画面崩坏"，本质是一个长时一致性问题——

模型在生成第 1 帧的时候很稳，到第 50 帧就开始漂，到第 200 帧人物可能已经"换了个人"。原因不是算法不够强，而是模型在长时生成中没有"自我纠错的记忆"：它不知道自己 0.5 秒前生成过什么，也没法拿那个信息修正自己当前的判断。

Vidu S2 的关键突破之一是 SRF（Self-Replay Forcing）训练技术——团队独创了一种训练范式，让模型在训练过程中直面自己的生成历史，把"自己刚刚生成的帧"当作上下文来预测后续帧。

用人话说就是：模型学会了"回头看自己刚才画了什么"，并且基于这个"自我审视"修正下一帧的输出。

这件事听起来简单，但工程上极难。因为它意味着训练时模型的输入分布和推理时高度一致——你不是在用"干净数据"训练一个"理想情况下的模型"，而是在训练一个"能容忍自己失误并自我修复的模型"。

效果是什么？紫樱无论怎么换装、跳舞、被网友"捏脸摸头"，五官、物理结构、光影都稳定得可怕。这不是"结果看起来一致"，而是把一致性当成了训练、数据、架构、推理、评测五个层面共同约束出来的系统属性。

值得一提的是，SRF 这项工作的论文已经被 ICLR 2026 接收——这是机器学习领域的顶级会议之一，说明学术圈认可了这件事的理论价值。

2.2 实时生成：每一秒都是当场算的

如果说一致性解决的是"画得稳"，实时生成解决的就是"画得快"。

传统 AI 视频生成是这种节奏——你输入一段 prompt，它渲染半天，给你一段死视频。这种模式在短视频时代勉强能用，但在直播里完全失效——观众没有耐心等 30 秒看你生成一个动作。

Vidu S2 的实时生成，依赖的是 Backbone-Refiner 两阶段架构：

•Backbone（主干网络）：低延迟推流，先把画面"大概长什么样"快速算出来，输出到屏幕上

•Refiner（精炼网络）：异步在后台工作，把 720P 的高清细节补全

这种"先粗后精"的设计很像电影行业的工作流——先拍个大概，再做后期。但对 AI 来说，难点在于怎么让两阶段的输出在时间和空间上严丝合缝地衔接。

配套的底层优化包括：

•帧对齐稀疏注意力——只计算相邻帧之间的关系而不是全帧关系，节省算力

•高效注意力 + 低比特线性层加速——把矩阵运算压到极限

•Kernel 融合与启动优化——减少 GPU 调度开销

•多 GPU 并行——大模型并行推理

效果是：直播间的每一次反应，几百毫秒内就能算出来，输出分辨率从 540P 升到 720P。

2.3 情境理解：能接住现场的所有意外

最后，也是最"玄"的一项——情境理解。

紫樱不只是反应快、长得稳，更重要的是她"懂"你在说什么。

网友的梗、刁钻的问题、突发的情绪，S2 能瞬间接住，并通过紫樱的表情和声音反馈出来。

这背后是大量工程优化的结果：

•语音驱动：实时识别弹幕和语音输入

•动作库调度：根据语义动态选择合适的肢体动作（不只是口播）

•参考图动态插入：观众可以中途抛出一张图要求换装、换场景、换背景，S2 会基于这张新参考图继续生成

•VLM Agent 协调：基于视觉语言模型统一调度临时加入的参考图与角色

数据上更有说服力——在三个公开评测基准上，S2 都是第一名：

这些数字翻译成大白话就是：S2 是目前唯一一个能在"实时生成"这个赛道里把"听懂人话"这件事做得足够好的模型。

三、从直播到三个新场景：实时互动正在变成下一代"交互界面"

如果你以为紫樱的成功只是"世界上又多了一个能赚钱的 AI 主播"，那格局就太小了。

这件事真正的意义在于：当 AI 视频能够实时生成、实时互动、且保持高度一致性的时候，我们熟知的世界开始被改写。

下面三个场景，是接下来 1–2 年最确定会发生变化的领域。

3.1 游戏 NPC：终于不用当"木头人"

现在的开放世界游戏，NPC 全是固定脚本树。

"你好啊勇士。" "今天天气真不错。" "我以前也像你一样冒险，直到膝盖中了一箭。"——《上古卷轴 5》守卫的经典台词，因为重复率太高，2011 年发售之后就变成了全球梗。

玩家闭着眼睛都知道对面是一串死的代码。甚至连输赢的惩罚，都只是走个过场动画。

但实时互动模型会让这件事彻底改变。

S2 实时生成的黎曼数字人 demo：

想象一下：你在《上古卷轴》里遇到一个守卫，他真的记得你昨天偷了他家的面包；你在《赛博朋克 2077》里跟一个 NPC 讨价还价，他的表情和语气会根据你的态度实时变化；你在独立游戏里遇到一个反派，他会在你打败他之后真的"愤怒"地跟你对话——而不是播一段固定动画。

S2 已经演示了这种能力：你甚至可以让数学家黎曼亲自给你讲什么是黎曼猜想，他的反应是实时的，不是录好的。

3.2 AI 陪伴：补齐"真实感"那块拼图

AI 陪伴产品这两年最大的痛点是什么？

金鱼记忆。

Character.AI 被诟病最多的就是这一点——用户热聊几周后，AI 忽然告诉你"我们刚认识五分钟"。这种"失忆感"会瞬间打破所有的情感连接。

而实时视频互动 + 长期记忆 = 真实的情感连接。

想象一下：你的 AI 伴侣不仅每天跟你聊天，还能跟你实时视频互动，记得你昨晚喝醉时说的胡话——它的喜怒哀乐如此生动，每天重新开始但始终如一。

文章里有一句话我特别喜欢：

"这种'真到能被心疼'的情感连接，将重塑人类的孤独经济。"

是的，"孤独经济"这个词精准得让人害怕。当 AI 主播在直播间被惩罚时，人类开始心疼一串代码——这种情感连接如果被规模化，会改变很多行业的底层逻辑。

3.3 电商与品牌：混合直播 + 跨境场景

prompt：主播从画面右侧自然拿出输入图片中的香水，举到镜头前展示并介绍——这正是 S2-Avatar 的"动态参考图"能力。

对商家来说，这件事的现实意义更直接——

看看这个国庆假期就知道：你在景区排队、在高速堵车的每一小时，都有一批 AI 主播在直播间里替商家照看着生意。2026 年的主流直播模式已经是"真人 + AI 混合"：

• 黄金时段（晚 8 点–11 点）：真人主播，建立信任和情感连接

• 非高峰时段（凌晨、清晨）：AI 主播承接流量，实现 24 小时不间断

数据上，AI 数字人直播的成本只有真人主播的 10%，京东的 JoyStreamer 自 2025 年 12 月免费开放以来已累计服务商家超 7 万家，2026 年一季度开播量同比激增 10 倍。

而 S2 在电商场景有一个特别实用的能力——动态参考功能。商家可以在直播过程中随时补充参考图（产品图、场景图），S2 会保持连贯的前后关系，让跨境电商"场景化营销 so easy"——气氛拉满，购买欲爆棚。

配合 S2-Editing 的实时换装、换背景、风格迁移，短剧出海、品牌大促都有了全新的玩法。

但这里必须提醒一件事——

⚠️ 2026 年 2 月 1 日起施行的《直播电商监督管理办法》第 37 条明确要求：使用 AI 生成的人物图像、视频从事直播电商活动的，应当"显著、持续"标识其为人工智能生成。

这是中国首部将 AI 数字人主播纳入强制监管的部门规章。流量管控、限制功能、暂停直播、关闭账号都是平台可以动用的工具。

想做 AI 直播的商家，先把合规底线搞清楚。

四、这门技术背后的团队与节奏

最后讲讲团队。

生数科技是清华朱军教授孵化的多模态大模型公司。Vidu S2 的全链路研发负责人是张金涛——朱军教授的博士生、生数科技流式视频生成与推理负责人。

这个团队最让人印象深刻的是节奏感——从 Vidu S1 到 S2 只用了 69 天。

2026 年 9 月 17 日，生数科技同时入选"2026 北京民营企业科技创新百强"和首次发布的"未来产业先锋榜"——是唯一同时入选两项榜单的通用世界模型企业。

如果你想亲手试试 S2：

• 🎮 体验入口：vidu.com/vidu-stream

• 🛠️ API 平台：platform.vidu.com/vidu-stream/doc

• 📄 技术报告：arxiv.org/pdf/2609.11638

五、给读者的三句话总结

•这是工具的代际换班：从"录播套壳"到"实时互动大模型驱动"——AI 数字人直播正式进入 3.0 时代。

•这是内容形态的拐点：短视频能剪，直播不能；这场直播证明了 AI 视频已经走出"内容生成工具"的范畴，开始变成一种新的"交互界面"。

•这是开发者与商家的窗口期：京东 JoyStreamer 7 万商家、TikTok Shop 765 万美元单场案例——但合规底线要先搞清楚，《直播电商监督管理办法》第 37 条是硬约束。

或许在下一个假期里，陪你聊天、听你倾诉的——

就是一个真正懂你的 AI 朋友。