布局 AI 生態(tài)，讓社交回歸情感本質(zhì)。

作者｜十九

編輯｜鄭玄

從2025年到2026年，Soul 的開源動(dòng)作幾乎沒有停歇。

3 月 16 日，Soul AI 團(tuán)隊(duì)（Soul AI Lab) 發(fā)布了新的開源模型 SoulX-LiveAct，技術(shù)報(bào)告中具體提到，該工作能夠在 2 張 H100/H200 條件下，達(dá)到 20 FPS 的實(shí)時(shí)流式推理能力，且支持輸入圖像、音頻和指令驅(qū)動(dòng)，即可生成表情生動(dòng)、情緒可控、擁有豐富全身動(dòng)作的實(shí)時(shí)數(shù)字人視頻。

在此之前，這個(gè)團(tuán)隊(duì)已先后開源了多個(gè)模型，包括了實(shí)時(shí)數(shù)字人生成方向（SoulX-FlashHead、SoulX-FlashTalk），歌聲合成方向（SoulX-Singer），播客語(yǔ)音合成方向（SoulX-Podcast）等，覆蓋圍繞交互的多個(gè)維度。

傳統(tǒng)印象中，Soul 一直被視為「應(yīng)用平臺(tái)」，如今選擇開源本身便充滿了討論點(diǎn)。這不僅意味著平臺(tái)攜手開源社區(qū)構(gòu)建起豐富 AI 應(yīng)用生態(tài)的新可能，更重要的是，這些工作圍繞的核心點(diǎn)是「多模態(tài)實(shí)時(shí)交互」與「真實(shí)場(chǎng)景可用」，指向了「AI 社交」時(shí)代核心技術(shù)標(biāo)準(zhǔn)的重新定義。

01

實(shí)時(shí)數(shù)字人：從能用到好用

關(guān)注到「Soul AI Lab」這個(gè)標(biāo)簽，是因?yàn)榻鼇?lái)，它高頻出現(xiàn)在 AI 社區(qū)分享交流群中。

近期，這個(gè)團(tuán)隊(duì)最新發(fā)布的 SoulX-LiveAct 面向?qū)崟r(shí)數(shù)字人生成領(lǐng)域。

年初，字節(jié)旗下音視頻生成模型 Seedance 展現(xiàn)出驚艷的運(yùn)鏡能力和細(xì)膩的視頻效果，讓大眾意識(shí)到了 AI 在影視、內(nèi)容創(chuàng)作的巨大潛力，也再次反映出在「落地」成為 AI 領(lǐng)域共識(shí)的當(dāng)下，行業(yè)對(duì)于大模型的需求已經(jīng)不再是「能不能用」而是「好不好用」。

實(shí)時(shí)數(shù)字人領(lǐng)域，高畫質(zhì)、長(zhǎng)時(shí)穩(wěn)定性、低部署成本長(zhǎng)期被視為「不可能三角」。行業(yè)在具體落地技術(shù)時(shí)，其實(shí)長(zhǎng)期面臨一個(gè)問題：視頻生成時(shí)長(zhǎng)一旦拉長(zhǎng)，畫面穩(wěn)定性與人物一致性會(huì)明顯下降，常見的 Bug 包括身份漂移、細(xì)節(jié)丟失、畫面閃爍，以及實(shí)時(shí)推理成本隨時(shí)長(zhǎng)上升等等。通過(guò)底層算法的重構(gòu)，SoulX-LiveAct 想要嘗試解決這些問題。

不同于傳統(tǒng)的 AR diffusion 對(duì)歷史記憶的無(wú)節(jié)制依賴，SoulX-LiveAct 在「條件傳播方式」和「歷史記憶管理」兩個(gè)維度實(shí)現(xiàn)了技術(shù)閉環(huán)，拋棄了隨時(shí)長(zhǎng)線性增長(zhǎng)的沉重緩存機(jī)制，通過(guò)全局特征鎖定極致，既能精準(zhǔn)「帶得動(dòng)」超長(zhǎng)時(shí)段的歷史上下文，又不會(huì)因緩存膨脹拖累推理效率。這意味著，數(shù)字人具備了在小時(shí)級(jí)甚至全天候長(zhǎng)直播中的實(shí)戰(zhàn)能力。

通常情況下，長(zhǎng)視頻最容易「翻車」的不是第一分鐘，而是第十分鐘、第三十分鐘：可能是臉漂、發(fā)型/衣紋漂移，也可能是飾品忽隱忽現(xiàn)，甚至口型逐步失配。SoulX-LiveAct 能在更長(zhǎng)時(shí)間窗口內(nèi)保持身份一致性與關(guān)鍵細(xì)節(jié)持續(xù)穩(wěn)定。

商業(yè)落地層面，SoulX-LiveAct 展現(xiàn)了極強(qiáng)的工程化能力與成本控制優(yōu)勢(shì)。僅需 2 張 H100/H200 即可達(dá)到 20 FPS 的實(shí)時(shí)流式推理能力，端到端延遲被壓縮至約 0.94s。通過(guò)單幀計(jì)算成本降低到 27.2 TFLOPs / frame，SoulX-LiveAct 顯著減輕了算力壓力，讓原本專屬于頂級(jí)服務(wù)器的高品質(zhì)實(shí)時(shí)交互，具備了向消費(fèi)級(jí)硬件下放的可能。

視頻由 SoulX-LiveAct 生成，人聲由 Soul 開源的另一個(gè)工作 SoulX-Podcast 生成

事實(shí)上，面對(duì)實(shí)時(shí)數(shù)字人方向的「能用」到「好用」，Soul 已經(jīng)推出了多個(gè)解決方案。

春節(jié)前，Soul AI Lab 發(fā)布的 SoulX-FlashTalk——行業(yè)中首個(gè)能夠?qū)崿F(xiàn) 0.87s 亞秒級(jí)超低延時(shí)、32fps 高幀率，并支持超長(zhǎng)視頻穩(wěn)定生成的 14B 數(shù)字人模型。在開源后，快速?zèng)_入全球最大 AI 開源社區(qū) Hugging Face I2V（Image To Video）趨勢(shì)榜 TOP5，目前在 Github 已積累了 1.1k+Star。

而另一個(gè)同樣是春節(jié)前推出的 1.3B 參數(shù)輕量化模型 SoulX-FlashHead，Lite 版本在單張消費(fèi)級(jí)顯卡（RTX 4090）上跑出 96FPS 的工業(yè)級(jí)速度，同時(shí)能夠?qū)崿F(xiàn)高質(zhì)量畫質(zhì)，在發(fā)布后也快速進(jìn)入 HuggingFace I2V 趨勢(shì)榜 TOP4。

02

實(shí)時(shí)交互：AI 時(shí)代的技術(shù)基建

為什么 Soul 在持續(xù)死磕「實(shí)時(shí)交互」方向？

舉個(gè)簡(jiǎn)單的例子，大模型爆火后，或許是 ChatGPT 定義了面向 C 端的基本形態(tài)，后續(xù)所有的產(chǎn)品基本均采用了類似的交互模式——用文字或語(yǔ)音，人與 AI 交互過(guò)程中，完成信息的獲取和內(nèi)容的處理、創(chuàng)作。

而實(shí)時(shí)數(shù)字人生成技術(shù)則意味著這種交互升維到視覺層面。ta 擁有一個(gè)完整的，可互動(dòng)的視覺形象，且這個(gè)視頻互動(dòng)的過(guò)程是「雙向」的，ta 不只是會(huì)回應(yīng)你的問題和指令，還會(huì)自動(dòng)根據(jù)語(yǔ)境，判斷互動(dòng)時(shí)機(jī)、節(jié)奏。是一種再自然不過(guò)，類似現(xiàn)實(shí)交流的場(chǎng)景。

此前，極客公園張鵬曾有一個(gè)判斷，Location（位置）作為一條技術(shù)棧，最終成為了整個(gè)移動(dòng)互聯(lián)網(wǎng)時(shí)代最不可或缺的底層基礎(chǔ)設(shè)施之一。而「有效的主動(dòng)性」將成為 AI 時(shí)代至關(guān)重要的技術(shù)棧。「它讓你原有的產(chǎn)品，突破了純工具的被動(dòng)，擁有了主動(dòng)對(duì)用戶一次次滿足預(yù)期，甚至超預(yù)期中建立信任的可能。在此過(guò)程中形成的「關(guān)系」，正是 AI 產(chǎn)品獨(dú)有的延伸資產(chǎn)，是你突破用戶 LTV（life time value，生命周期總價(jià)值）天花板、構(gòu)筑真正護(hù)城河的關(guān)鍵。」

如今，實(shí)時(shí)交互，同樣創(chuàng)造了一種超預(yù)期的體驗(yàn)，這也是 AI 在社交場(chǎng)景的核心技術(shù)難點(diǎn)之一。

因此，聚焦實(shí)時(shí)交互，Soul 在多模態(tài)方向均有探索，除了實(shí)時(shí)數(shù)字人方向，此前，Soul 還先后開源了語(yǔ)音合成模型 SoulX-Podcast、歌聲合成模型 SoulX-Singer、全雙工語(yǔ)音對(duì)話控制模塊 SoulX-Duplug。

其中，SoulX-Podcast 是一款專為多人、多輪對(duì)話場(chǎng)景打造的語(yǔ)音生成模型，支持中、英、川、粵等多語(yǔ)種/方言與副語(yǔ)言風(fēng)格，能穩(wěn)定輸出超 60 分鐘、自然流暢、角色切換準(zhǔn)確、韻律起伏豐富的多輪語(yǔ)音對(duì)話。在去年10月底發(fā)布后快速登頂 Hugging Face TTS 趨勢(shì)榜，Github Star 數(shù)目前超過(guò) 3.2K。

實(shí)時(shí)數(shù)字人、語(yǔ)音、歌聲...... 基于這些能力，AI 能實(shí)現(xiàn)更多的互動(dòng)可能，例如社交場(chǎng)景中 AI 不會(huì)「把天聊死」，即便面對(duì)那些相對(duì)內(nèi)向，社交能力較弱的「I 人」，也能拉長(zhǎng)整個(gè)互動(dòng)的周期，并且具備豐富的演繹（如能歌會(huì)唱）能力，帶來(lái)不一樣的交流體驗(yàn)。

這一整套的大模型能力，讓 AI 從「應(yīng)答式」交互，變成了「陪伴」，產(chǎn)品定義也從簡(jiǎn)單的工具使用，到真正的「伙伴」和數(shù)字交互「入口」。

03

AI社交還有什么新可能？

一直以來(lái)，Soul 在大眾層面的標(biāo)簽，更多是與 Z 世代、年輕人高度綁定的社交產(chǎn)品。

目前的開源動(dòng)作，成為觀察其 AI 布局的新切入口。這種「反直覺」布局的背后并非單純的炫技，而是其深刻的產(chǎn)品洞察：通用的服務(wù)無(wú)法交付差異化的社交體驗(yàn)。

Soul 的 AI 基因并非始于大模型熱潮。其早期的智能推薦系統(tǒng)已在嘗試用 AI 解決人與人的匹配效率和質(zhì)量問題。進(jìn)入大模型時(shí)代，Soul 發(fā)現(xiàn)通用模型雖能「對(duì)答如流」，卻無(wú)法交付具有情感溫差和極致在場(chǎng)感的社交體驗(yàn)，自研了 SoulX 大模型。

與此同時(shí)，社交場(chǎng)景對(duì)響應(yīng)延遲有著極高要求，為實(shí)現(xiàn)亞秒級(jí)反饋，Soul 必須在全雙工通信、低延遲傳輸、多模態(tài)交互等底層技術(shù)上「死磕」。這些為解決社交核心痛點(diǎn)打磨的工業(yè)級(jí)模型，也天然具備了對(duì)外技術(shù)輸出的價(jià)值。

不同于實(shí)驗(yàn)室里的 Demo，Soul 的模型已經(jīng)經(jīng)過(guò)真實(shí)、高并發(fā)、復(fù)雜社交場(chǎng)景的驗(yàn)證，這意味著開發(fā)者可以「拿來(lái)即用」，極大地降低了技術(shù)落地門檻。

相較于電影、小說(shuō)等傳統(tǒng)內(nèi)容產(chǎn)品所呈現(xiàn)的封裝化、靜態(tài)化特征，Soul 認(rèn)為未來(lái)內(nèi)容、數(shù)字娛樂產(chǎn)品、社交等或?qū)⒆呦蛄鲃?dòng)交互、實(shí)時(shí)介入的全新形態(tài)。這種對(duì)未來(lái)形態(tài)的預(yù)判，促使其必須掌握并共享底層工具。

作為一個(gè)興趣社交社區(qū)，Soul 的底層產(chǎn)品一直建立在真人互動(dòng)的基礎(chǔ)上，所以在 AI 社交的探索過(guò)程中，一直保持著謹(jǐn)慎。

Soul 的目標(biāo)也很明確——AI 社交最終要促進(jìn)的，還是人與人的溝通。因此，AI 在該平臺(tái)的應(yīng)用路徑清晰，AI 幫助用戶交朋友，增強(qiáng)現(xiàn)實(shí)社交網(wǎng)絡(luò)，構(gòu)建有力、多元的社會(huì)支持體系：通過(guò)聊天輔助、推薦匹配等功能，提升連接效率和質(zhì)量，如協(xié)助用戶發(fā)起對(duì)話、創(chuàng)作內(nèi)容、打破社交壁壘、提升自信，交到興趣相投的好友。

對(duì)于 Soul 自身而言，開源是將其從單一 App 進(jìn)化為生態(tài)系統(tǒng)的關(guān)鍵一步：一方面在 AI 社交標(biāo)準(zhǔn)尚未確立之際，率先開源即可掌握優(yōu)質(zhì)實(shí)時(shí)交互的定義權(quán)；另一方面開發(fā)者基于其技術(shù)基建創(chuàng)造的新玩法，也將反向反哺社區(qū)，持續(xù)豐富 Soul 的 AI 社交生態(tài)體驗(yàn)。

接下來(lái)，Soul 的 AI 生態(tài)價(jià)值，或許將能夠外溢到社交之外的更多交互領(lǐng)域。比如在電商直播中，數(shù)字人主播常常存在「假人感」嚴(yán)重、互動(dòng)有延遲等問題。利用 SoulX-FlashTalk 0.87 秒的超低延時(shí)和 32fps 的高幀率，數(shù)字人能實(shí)現(xiàn)如同真人般的秒級(jí)回復(fù)反饋；在 AI 客服場(chǎng)景中，機(jī)械式問答一直被詬病，SoulX-LiveAct不僅能讓數(shù)字人擁有生動(dòng)的表情，甚至可以控制情緒，用具有「在場(chǎng)感」的數(shù)字人服務(wù)改變枯燥的售后咨詢。在線教育場(chǎng)景中，最稀缺的是陪伴感，SoulX-Podcast 等技術(shù)，能支持能穩(wěn)定輸出 60 分鐘以上的連貫對(duì)話，覆蓋完整周期的教學(xué)內(nèi)容、講解，AI 教師可以與學(xué)生開展長(zhǎng)時(shí)間深度交流。

在 AI 領(lǐng)域熱議「Agent 替代人類」的當(dāng)下，Soul 的立場(chǎng)顯得格外清醒：AI 不是替代人，而是鏈接人。AI 社交也不是簡(jiǎn)單的信息交換，而是跨越時(shí)空的、具備「在場(chǎng)感」的情感共振。AI 的角色應(yīng)該是幫助用戶優(yōu)化表達(dá)、打破僵局、建立同頻。因此，Soul 選擇開源，本質(zhì)上是在為 AI 時(shí)代的社交「修路」。

從一個(gè)社交平臺(tái)，到一家輸出底層能力的 AI 科技公司，Soul 正在用開源證明：AI 時(shí)代，最好的防守是開放，最深的護(hù)城河是生態(tài)。隨著技術(shù)門檻逐漸降低，交互體驗(yàn)不斷升級(jí)，社交也將逐漸回歸情感鏈接的本質(zhì)。

*頭圖來(lái)源：視覺中國(guó)

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問

你如何看待 SoulX-LiveAct ？