一个AI试衣插件,藏着实时视频的商业化拐点

最近，我发现了一个很好玩的东西，叫WearNow。

打开摄像头，再选中网页里的一件衣服，就能直接看到上身效果。

而且它不是只生成一张静态照片，你抬手、转身或者走近镜头，衣服都会跟着身体一起变化。

想试另一种风格，点一下就能继续换，整个过程很像在照镜子，很有意思。

我去了解了一下，WearNow背后是Xmax刚推出的实时交互视频模型X2.1。

除了换装，它还能替换人物、面部和背景，改变画面风格，并根据手势和文字指令修改视频。

其实我还是挺惊讶的，现在的实时交互视频模型，居然已经开始进入直播、电商和视频通话这些需要持续运行的产品里了。

用户不仅可以输入提示词和参考图，还能通过拖拽、触控和手势直接改变正在生成的画面。

比如下面这个视频，拖动鼠标就能改变帽子的运动轨迹。

当然了，如果每增加一种玩法，都要重新接入一套模型，开发和维护成本很快就会失控。

X2.1选择了一条更通用的路线，一个模型覆盖多种需求，持续理解摄像头里的内容，再按照用户指令修改画面。

能力覆盖得广只是基础，真正难的是切换任务以后，画面依然能稳住。

为了更直观地比较实时模型的表现，Xmax做了一个叫 StreamArena 的测试场。

测试方法很简单，直接给不同模型相同的视频、参考图和任务，再把结果放在一起看。

重点包含是人物快速移动时，衣服的结构能不能保持稳定；只替换上衣时，包和裤子会不会被误改；做角色替换时，脸、手和身体能不能在连续运动里保持一致。

从现有结果来看，X2.1在复杂服装还原、非替换区域保持和快速动作稳定性上，都有明显优势。

画质差距也很直观。

X2.1能够输出1080P画面，人物和背景细节更完整，运动中也较少出现模糊和破碎。

当然，这些对比来自Xmax自己搭建的测试场，还不能完全替代第三方评测和大规模真实使用。

但它提供了一种更贴近产品的评价方式，不再只是无意义的刷榜刷数据，而是让用户能直观进行对比。

X2.1采用逐帧自回归的视频生成方式。

简单来说，模型不会先算完整段视频，再把结果交给用户，而是根据前面的画面和当前输入，一帧一帧继续生成。

每当人物动作、参考图或交互指令发生变化，后面的画面都可以随之调整。

为了让这个过程足够快，Xmax又对模型蒸馏、采样步骤、算子和调度方式做了压缩。

根据官方数据，X2.1可以输出1080P画面，端到端延迟约200毫秒。

这个速度还谈不上完全无感，但已经接近视频通话中可以自然接受的反馈，用户不用停下来等待。

实时模型还有一个很现实的问题：只要保持在线，算力成本就会持续产生。

按照Xmax提供的国内调用价格，X2.1约为每秒0.0056元，一分钟约0.336元，一小时约20元。

那么，Xmax X2.1已经是全球最好的实时交互视频模型了吗？

单看某一项能力，现在很难给出绝对答案。

离线模型可以用更长的计算时间换取更高画质，复杂动作、遮挡和多人场景，也需要更多真实业务验证。

但把能力覆盖、连续稳定性、画质、延迟和成本放在一起看，X2.1确实已经进入目前最领先的一档。

WearNow只是其中一种产品形态。

围绕X2.1，Xmax还推出了视频通话工具FaceNow和直播工具XLive Studio。

FaceNow可以把实时人物替换带进视频通话。

XLive Studio支持主播切换形象，观众也能通过弹幕触发画面变化。

再往外看，这套能力还可以进入游戏、社交、智能眼镜、线下展陈和虚拟陪伴。

WearNow看起来只是一个好玩的AI试衣插件，它释放出的信号是，实时视频正在变成普通人用得上、开发者接得进、企业也算得过账的产品能力。

当画面能够理解人的动作，接受新的指令，还能以普通产品承担得起的价格持续运行，视频与人的关系也会发生变化。

以后我们面对的，可能不再是一段已经生成好的内容。