Vivix两款30B流式模型实测：反应延迟0.6秒，价格低至每分钟1.2元

我是冷逸。

眼下AI视频的技术路线大体分三支。一支走DiT扩散视频生成，代表是Seedance2.5；一支走Code-to-Video，以Opus 5.5为主；还有一支是实时交互视频模型。

三条里头，第三条最难啃，可它最有机会长成AI时代的增量场景。

拿SD这类视频生成模型来说，干的主要是给上一代成熟内容格式降本增效，产品和收入都已成型；Code-to-Video是近来冒出的新路径，说到底还是拿现有工具链拼装；实时交互视频模型则是AI时代的新东西，有机会让互动内容变成能被消费的技术基座。

这条路上有个具体样本叫Vivix（灵动时刻）。创始人刘宇出自商汤系，公司成立约一年，估值已达13.2亿美元，IDG、红杉、阿里、京东等机构都在背后。

Vivix目前放出了两款支持流式原生多模态的模型，参数都在30B左右。A1管的是让角色动起来、演起来、开口说话，并和身边世界互动；W1管的是叙事世界的持续生成与交互，短片能出，直播live也能做。

A1演示案例

W1演示案例

延迟和价格，他们压得相当低。

可见反应延迟平均0.6秒，流式调度器响应新输入最短300毫秒，端到端首次反应延迟不到1.7秒。价格上，A1为$0.22/分钟（¥1.47/分钟），W1为$0.18/分钟（¥1.2/分钟）。

A1的价只有同类模型的一半，W1则只相当于Seedance 2.5的2.5%。创始人还表示，Vivix的推理成本会继续往下压，争取再降一到两个数量级，朝着接近CDN带宽成本的方向走。

价格摆在这，我最近就实测了一轮。先上手的是A1，Vivix官网上它有两种体验方式：一种是直接跟Agent对话，全靠手搓；另一种是在现有模板上改编。

我挑了个挺热门的模板大改了一通。设定是她当我的AI女友，全程讲中文，专管催我起床，每回都得喊我“冷老板”，另外还给她配了几套不同衣服的分身。

先看VCR。

整个互动过程算得上顺滑，语音或打字发过去，大概两三秒她就能接上话开聊。5分钟体验下来，嘴型同步没出问题。

叫她取咖啡，手和肢体的配合也自然，没看到什么畸变。

换装同样流畅，切完还能接着聊。她还记着上下文，前面聊过什么心里有数，接起话题很轻松。

我还测了另一个Case：指定一张图，让她当助理来介绍我，一分钟的视频直接就出来了。

A1既然能说、能动、还会演，能落地的应用场景就不少。

像AI占卜，巫师能顺着你的星座和聊天内容，实时给你推算命数。

换装也算一个，看中哪件衣服，都能让模特替你试穿。

文旅导览同样可行。让小动物讲景区里有什么好玩的，它不是干巴巴背一段介绍词，而是拿起旅游地图，边走边指给你看。动作和对话同时发生，并非先想好台词、再硬贴一个动作上去。这种自然感，靠传统那套“语音识别→大模型思考→语音合成→驱动画面”的流水线根本做不出来。

当然，A1也有短板。碰上高速动作或者精细的手部抓取，它偶尔还是会露馅。但方向很清楚：把AI角色从脸部表演扩展到全身、全场景的表演。

这个方向要是跑通了，往后你跟屏幕里的角色打交道，或许真像在跟另一个世界打视频电话。它不光回答你，还会朝你走过来。

随后我又试了W1模型。这个模型支持Video Gen，也就是视频生成，出片快、价格低，画质也过得去。

有了视频生成能力做底座，它就能撑起实时互动视频。官方那个Live Stream就是例子，做的是全球实时互动直播。

我点进去一看，画面里是豆姐在跟水豚（Qwen的形象）打得不可开交。。

观众这边能挑道具，也能给角色加把劲。

我先给豆姐递了雷神之锤，又递了美国队长的盾牌，结果还是没打赢水豚。

这个Live demo是官方搭的。其实你完全可以自己接W1 Live Stream的API来做定制，手动搭一个差不多的直播间。场景、人物、角色、道具、运镜，都能开放给观众去定。观众这一秒的操作，决定画面下一秒怎么走。

W1的Video Gen跟Seedance、H3是一个路子。参考图最多能选5张，参考音频可选3段，首帧、尾帧都行，时长覆盖5-15s。

我用同一位女主连着做了好几段视频，效果请看VCR。

不管是物理遵循、空间连续性、音画一致性还是多镜头叙事，我觉得完成度都不低，而且全是One shot直出。

更狠的是速度和价格。我录了一段，从发请求到最终出片全程录屏，一帧没剪。

10s的视频，前后13s左右就出来了，快得很。

价格方面，W1是$0.18/分钟，折合人民币0.02/s。这个价确实离谱，我见过的视频模型里它最便宜，没有之一。

这意味着什么？拍一部90分钟的AI电影，只要16美金（106元）。

怎么能这么便宜？答案在他们技术报告里：W1用了ultra-low-step distillation架构，模型从设计之初就把交互信号的理解和流式生成放在一起，推理成本因此大幅下降。

最近著名科幻作者Scene Forge连发三条长视频科幻作品，里面的动画、角色和场景音效，用的都是Vivix W1。

海外不少博主也在说，他们家这个价格是真的夸张。

写在最后

从A1到W1，Vivix在实时交互这条路上一直在往前摸。

A1盯的是角色的实时全身表演，不光对口型，角色还能走、能说、能捡东西，也能跟身边的世界互动。

W1盯的是原生多模态的流式交互，既能跟视频世界实时互动，也能生成片段视频。

更关键的是，他们靠自己的技术迭代，把价格直接压到几分钱每秒。速度也没落下，端到端延迟做到1.7s。

质量、成本、速度三个维度能同时发力的AI Native公司，我见得不多，而这家来自中国。

这还没到头。他们创始人野心更大，想把AI视频的成本往视频网站的CDN带宽成本（0.2美金/小时）上靠。他的判断是，只有做到这一步，视频模型才可能成为新一代实时交互内容的基座。

期待Vivix继续往前走，也期待那天早点来。