Vivix：实时互动多模态模型，让AI角色真正活起来-知了AI

Vivix（灵动时刻）是专注实时互动多模态模型的AI创作平台，A1做能听会动的全身数字人，W1做流式叙事与低成本视频生成。适合直播电商、互动叙事与开发者，按秒计费、门槛低，画面上限有限。

一、该工具是什么

1.1 一句话定义

Vivix 中文名「灵动时刻」，由杭州维悦时刻科技运营，2026 年 7 月 24 日发布 A1 与 W1。它不是输入提示词等几分钟出片的文生视频工具，而是把「实时互动」当第一目标的模型平台：角色能听见你说话，几百毫秒内接话，一边说一边走、转身、拿起商品。

平台有三条产品线：A1 面向实时数字人，可开直播会话，也可按脚本、音频或图片异步生成角色视频；W1 是流式原生世界模型，让画面跟着叙事变化，也提供参考图驱动的短视频生成；IVI 是实时视频运行时，目前仍处于预览阶段。

理解它，把「视频」换成「会话」：传统视频是封装好的文件，播完就结束；Vivix 输出的是可被打断、被改动作的流。官方把两条 API 分得很清楚：需要观众影响画面，走 Streaming Avatar；只需要视频文件，走异步生成。

1.2 它解决了谁的什么问题

第一类用户是直播电商与品牌直播间。真人主播不可能 24 小时在线，预录的数字人又只会循环念稿，观众问「有没有 M 码」「能不能转一圈看看背面」，画面就卡住了。A1 的会话里，运营人员可以实时用语音下指令，角色会转身、走到衣架前、拿起另一件衣服，换装后继续刚才的话题，不需要重启会话。它记得上下文，也支持在说话中途被打断。

第二类用户是做互动叙事、游戏 NPC、虚拟陪伴的开发者。过去做「能聊天的角色」，常见做法是语音识别、大模型思考、语音合成、口型驱动、渲染五段流水线，每段排队，延迟叠加到两三秒，角色像在背台词。Vivix 把感知、语言、语音、动作放进一个流式模型里联合建模，官方给出的端到端首次反应延迟低于 1.7 秒，平均可见反应约 0.6 秒，流式调度器响应新输入最短 300 毫秒。观众说一句「你别走」，角色可以停下来回头，而不是等整段生成完再补一个动作。

第三类用户是文旅、教育、展馆与企业展厅。需求不是做一部精修宣传片，而是让一个讲解角色带着观众边走边指：走到地图前抬手示意，拿起文创产品翻个面，被问到临时问题也能接住。这类场景对画质要求不高，对「别出戏」要求很高，正好落在实时模型的区间。

它解决不了的问题也要说清楚：需要 4K 电影质感、复杂打斗、精细手部抓取的项目，它不是最优解。它擅长持续、低延迟、可干预的角色表演，而不是把单帧画质推到极限。

二、基本信息

工具/平台名称	Vivix（中文名：灵动时刻）
官网网址	vivix.ai（开发者平台为 platform.vivix.ai）
上线时间	品牌创立于 2025 年 1 月；A1 与 W1 两款模型于 2026 年 7 月 24 日正式发布
产品功能	实时全身数字人会话、脚本化角色视频、流式互动叙事、参考图驱动视频生成、实时视频运行时与开发者 API
所属公司	杭州维悦时刻科技有限公司，由香港主体 Vivix Group Limited 全资控股

三、主要功能

3.1 实时全双工数字人

这是 A1 的核心能力。用户上传一张角色图，选好音色，写一段人设描述，就能开一场实时会话。角色会听、会说、会做表情，支持语音和文字输入，也支持在它说话时直接打断。官方文档提供的模板有五种：面对面聊天、在场景中行走、按脚本表演、在桌面上操作道具、以及动物角色。

限制在于「实时」意味着取舍。为了把延迟压到 1 秒上下，模型不会像离线渲染那样反复采样打磨细节，画面在快速运动时可能出现轻微糊化；角色身份和服装能保持，但极端角度、遮挡后的手部动作仍会露馅。它适合中近景到全身的持续表演，不适合逐帧抠细节。

3.2 全身动作与空间交互

很多数字人产品只做「一张脸在说话」，Vivix 强调的是全身。角色可以走、转身、靠近桌子、拿起物体，动作由对话内容或运营指令驱动。比如让它「走到窗边把窗帘拉开」，它会把位移、抬手、抓握连成一段连续动作，而不是先播一段走路动画再切一个开窗特写。

空间交互的边界也很明确：场景是模型生成或参考图给定的，角色不能真正理解房间的物理结构。你让它绕过一张没被标注的椅子，它可能直接穿过去；多角色同场时，谁站在哪、谁先说话，仍需要脚本或人工指令来约束。它擅长「看起来自然」，不擅长「严格符合物理」。商品也能从参考图带入，在拿起、展示、递出时保持外观一致，但参考图之外的背面与被遮挡细节仍可能漂移。

3.3 脚本化表演与多段拼接

如果不需要实时对话，A1 的异步接口更适合做成品视频。请求里可以给一张首帧图，再给一段音频、一句台词，或者一个最多 20 段的 segments 数组。每段可以选 a2v（音频驱动口型与表演）或 ta2v（服务端语音合成再驱动），也可以留一段静默的倾听、点头、反应镜头，静默段默认 6 秒，可用毫秒参数调整。

这个设计对做产品讲解、课程、客服视频很实用：讲解段用 ta2v 直接给文字，演示段用 a2v 配上真实录音，中间插两秒静默让角色「听用户提问」。限制是段的时长由音频或合成语音决定，不能任意拉伸；多段之间的一致性依赖同一张首帧参考图，换图就会有接缝感。

3.4 流式互动叙事

W1 解决的是「世界跟着观众变」。输入一句话，它能生成一段持续演进的音视频故事；观众用语音、文字、点击或触控介入，剧情走向、角色反应、环境状态会随之改变。官方演示里有实时直播式的对战房间，观众送道具、选阵营，画面下一秒就反映出来。

这类能力的现阶段限制是「可控」与「连贯」之间的拉扯。互动越自由，故事越容易散；长时间运行后，角色关系、场景空间可能漂移。官方把 W1 的实时世界会话放在限量测试里，也说明它还没到开箱即用的程度。适合做 Demo、互动广告、展陈体验，不适合直接接一条要求严格剧本的商单。

3.5 参考图驱动的视频生成

W1 也提供常规的异步视频生成：一次任务可带最多 5 张参考图、3 段参考音频，输出 5 到 15 秒，画幅支持 16:9、9:16、1:1、4:3、3:4，默认输出 MP4。它支持首帧或尾帧控制，但首尾帧模式不能与参考图、参考音频混用，混用会直接报错。

速度是它的卖点。第三方实测中，一段 10 秒视频从提交到完成约 13 秒；官方对比页给出的 8 秒、单参考图、720p 条件下，W1 平均 8.4 秒完成，明显快于同页列出的其他模型。限制是时长上限只有 15 秒，超过就要分段做后期拼接；分辨率与帧率在文档里没有给出完整参数，实际以任务返回和官网说明为准。

3.6 开发者 API 与接入流程

所有能力都走同一套 REST 接口，基址是 api.vivix.ai，请求头带 Bearer 密钥，响应统一包在 code、message、data 三层结构里。视频生成是三段式：先上传首帧图与音频拿到地址，再提交任务拿 video_id，然后轮询状态，成功后从 playback_url 取片。实时会话则多一条 WSS 控制通道，用来传事件、打断和切换形象。

默认每个密钥每分钟 60 次请求，超了返回 429 并带 Retry-After。官方建议密钥只放后端，浏览器端只下发会话的控制与媒体凭证。这套接口对后端工程师友好，但不是零代码产品：上传、轮询、失败重试、并发与余额都要自己处理，官方没有现成的前端组件。

四、发展历程

时间	事件	影响
2024 年 10 月	刘宇开始筹备创业，方向定为实时互动内容	确定了「实时」而非「离线出片」的技术路线
2024 年 12 月 30 日	香港主体 Vivix Group Limited 注册成立	为后续融资与跨境业务搭好架构
2025 年 1 月	品牌 Vivix 创立，杭州维悦时刻科技成立	团队正式运转，开始自研基座模型
2025 年 2 月至 2025 年 12 月	连续完成种子轮至 A 轮共五轮融资，投资方包括 IDG 资本、红杉中国、蓝驰创投、五源资本、Monolith 砺思资本、京东、阿里巴巴	A 轮后估值约 13.2 亿美元，进入独角兽区间
2025 年年中	上线「点一下让照片动起来」的产品原型，两个月后终止	团队把重心从产品定义收回模型能力
2026 年 7 月 24 日	正式发布 Vivix-A1 与 Vivix-W1	从模型验证进入 API 商业化阶段
2026 年 9 月	亮相云栖大会，开放开发者实测	开始在国内开发者与品牌客户中建立认知

4.1 两次转向说明了什么

从公开信息看，这家公司并不是一开始就想清楚要做 API 的。2025 年年中那款「让照片动起来」的产品，本质上是把模型能力包装成一个 C 端小玩具，上线两个月就停了。原因不难理解：单点特效付费意愿低、留存差，每次生成都在烧推理成本。停掉之后，团队把资源收回到模型本身，才有了后来的 A1 与 W1。

这段经历解释了他们为什么对「成本」如此敏感。创始人公开说过，目标是把推理成本再降一到两个数量级，逼近视频网站的带宽成本。这不是技术炫技，而是商业模型决定的：实时互动意味着长时间挂会话，按分钟计费的成本压不下来，B 端客户就算不过账。

4.2 融资节奏与产品节奏并不同步

五轮融资在 11 个月内完成，速度很快，但产品发布集中在 2026 年下半年。换句话说，资本先于收入，估值建立在「实时交互会成为新内容形态」的判断上，而不是已跑通的规模化营收。团队有钱继续压成本，但商业化仍在早期，API 稳定性、SLA、客服体系都要时间验证。

2026 年 9 月亮相云栖大会、10 月官网焕新并开放 A1 与 W1 实测、11 月推出 W1 的限时折扣，这条节奏说明它正在从「技术展示」转向「获取开发者」。但截至公开资料可查的时间点，官方仍未披露具体的客户数量与收入规模。

五、核心优势

5.1 低延迟带来的「对话感」

官方数字是：平均可见反应约 0.6 秒，流式调度器响应新输入最短 300 毫秒，端到端首次反应低于 1.7 秒。放进真实场景，观众说完一句，角色在两次呼吸之间就能接上，打断也不用等整句念完。这是预渲染数字人做不到的。

所以对你意味着什么：需要「来回」的场景——答疑、带货、陪聊、导览——延迟就是体验本身，值得优先测试。它不擅长高速动作与精细手部，快速挥拍、系鞋带、拧瓶盖仍可能变形，正式拍摄要避开或改用特写遮掩。

5.2 把视频成本压到「按秒算不心疼」

官方定价页在 2026 年 11 月显示，W1 标准版约 0.005 美元/秒，W1 Fast 约 0.016 美元/秒，W1 Ultra Fast 约 0.028 美元/秒，三者画质相同，差别在速度。按这个量级，一条 15 秒片子的生成成本不到 0.1 美元。A1 的实时会话则按分钟计费，第三方评测提到的公开口径约为 0.22 美元/分钟。

所以对你意味着什么：你可以低成本做 A/B 测试，同一段提示词跑五版再挑。它不擅长「一条过」的高端商单：单帧的材质、光影不会因为便宜就达到影视级，预算充足仍要搭配更高端的离线模型。

5.3 原生多模态，而不是五段流水线拼接

传统方案里，语音、语言、动作是三个模型，靠接口串起来，任何一段抖动都会让口型和动作错位。Vivix 把它们放进同一个流式模型联合建模，官方称之为全双工。实际差别是：角色说话时的眼神、手势、重心变化是连着的，打断后不会出现「嘴停了手还在动」的割裂。

所以对你意味着什么：做需要长时间观看的角色内容，这种连续性比单帧画质更影响观感。它不擅长严格唇形对齐，中文多音字、快速绕口令仍可能差半拍，重要镜头要人工复核。

5.4 一套 API 覆盖实时与离线

同一个账号、密钥与响应结构，既能开实时会话，也能提交异步任务。开发团队不用为「直播」和「短视频」维护两套供应商，角色资产、音色、参考图可复用。官方还提供 Avatar Playground 模板与命令行工具，能本地跑示例，缩短从文档到 Demo 的时间。

所以对你意味着什么：小团队可以先用异步接口做内容，等业务需要互动时再切实时，迁移成本较低。它不擅长开箱即用：没有可视化剪辑器与成品工作台，交互和兜底要自己设计。

5.5 中文场景与国内合规环境

团队与运营主体都在国内，官方文档有中文版本，中文对话、口型、人设指令都能直接用。国内客户最在意的支付、发票、数据出境、内容审核都能在境内闭环，比接海外 API 省事。

所以对你意味着什么：客户在国内、又要把数字人接进私有系统，这种本地化是实打实的优势。它不擅长全球节点与多语言覆盖，官方没有公开海外加速细节，跨境业务要先确认延迟与合规。

六、如何使用

6.1 从注册到第一条成品

Vivix 没有面向普通用户的「一键成片」界面，主入口是开发者平台。下面这条路径以「做一条 60 秒数字人讲解视频」为目标，全程在网页控制台与接口之间完成。

打开开发者平台并注册。用邮箱注册，完成验证后进入控制台。
创建 API 密钥。在左侧找到 API Keys，点新建，把密钥复制到自己的密码管理器。密钥只显示一次，页面关掉就看不到完整值。
确认余额与模型权限。在 Billing 或 Pricing 页查看 A 积分与 W 积分的余额，两者相互独立、不能混用；再调用模型列表接口，确认你的密钥已开通 vivix-a1 或 vivix-w1。
准备素材。首帧图按目标分辨率准备，横屏 1280×672、竖屏 672×1280，单文件不超过 10MB；音频用 mp3 或 wav，同样不超过 10MB。
上传素材。分别调用图片上传与音频上传接口，拿到返回的 url。本地路径不能直接用，接口只认公开地址或工作区地址。
提交生成任务。填 model、prompt、first_frame_image，再选 audio 或 dialogue 加 voice_id；如果要多个镜头，改用 segments 数组，最多 20 段。resolution 选 720p 或 480p，video_ratio 选 16:9 或 9:16。
等待并轮询。提交成功会返回 video_id，状态先是 queued，再变 processing。官方示例里一条十几秒的片子处理耗时约 16 秒，实际看队列；建议 3 到 5 秒查一次。
取片与复核。状态变成 succeeded 后，从 playback_url 播放或下载。先查口型、手部、商品 logo，再决定是否重跑；失败原因写在 watch_error 里。
开实时会话（可选）。如果要接直播，改用 Streaming Avatar 的会话接口，配置人设、音色、形象与语音识别参数，前端通过 WSS 接收控制事件与媒体流。浏览器端只拿临时凭证，长期密钥留在后端。

6.2 每一步大概要等多久

注册与建密钥是分钟级；素材上传通常几秒到十几秒；异步生成按官方对比数据，8 秒 720p 片子约 8 到 15 秒，排队高峰更久；实时会话首帧通常 1 到 3 秒，之后每次回应约 1 秒。第一次接入先用 480p 跑通，再切 720p。

容易卡住的地方有三个：密钥权限没开、素材 url 不可公网访问、积分余额不足。对应的报错分别是 10001/10003、20004 一类参数错误、10004/10005。处理掉这三类错误，后面的调试会顺很多。

七、使用教程

7.1 案例一：60 秒数字人产品讲解

目标：给一款便携咖啡机制作一条 60 秒横屏讲解视频，角色站在厨房台面前，先打招呼，再拿起咖啡机展示正面与侧面，结尾给出购买理由。要求角色全程同一张脸、同一套衣服，口型与中文配音对齐。

参数设置：模型选 vivix-a1，分辨率 720p，画幅 16:9，首帧图用一张半身厨房场景图；segments 设 5 段：开场 ta2v 12 秒、展示正面 a2v 15 秒、静默反应 3 秒、侧面演示 a2v 15 秒、结尾 ta2v 15 秒。音色从平台音色列表中选一个偏低沉的中文男声，语速 1.0。

你是一位在厨房里介绍产品的讲解员，镜头为固定中景，人物站在浅木色台面前。
开场：看向镜头，微笑点头，说「早上好，今天带你看看这台能装进背包的咖啡机」。
展示：双手从台面拿起咖啡机，转到正面，拇指指向水箱位置，动作缓慢稳定。
侧面：把咖啡机转向右侧，用右手食指轻敲机身侧面的刻度线，不要遮挡品牌标识。
结尾：把咖啡机放回台面，双手自然交叠，身体微微前倾，说「一键萃取，清洗只要三十秒」。
全程保持同一件深灰色针织衫，表情自然，不要夸张手势，不要快速走动。

结果评估：这类分段结构下，角色身份与服装的稳定性通常不错，口型在正常语速下能对上九成以上；商品在拿起、转向时外观基本一致，但侧面刻度线可能出现轻微漂移。整体观感更像真人讲解短视频，不是广告大片。

返工点：如果手部出现粘连，把「双手拿起」改成「单手拿起、另一只手扶住台面」，减少手指交互；如果咖啡机变形，换一张背景更干净、产品占比更大的首帧图，并在提示词里明确「产品外观以参考图为准」；如果某一段口型错位，单独重跑该段，不要整条重来。

7.2 案例二：15 秒竖屏品牌氛围片

目标：给一款气泡水做一条 15 秒竖屏短片，要求有夏日、冰块、水花、产品特写四个层次，结尾出现品牌色。不需要人物说话，重点在质感与节奏。

参数设置：模型选 vivix-w1，时长 15 秒，画幅 9:16，参考图 3 张（产品正面、品牌色卡、水面质感），参考音频 1 段 15 秒的环境声；不启用首尾帧模式，避免与参考图冲突。生成后用剪辑软件补 logo 与字幕。

竖屏广告，夏日午后，一杯加满冰块的气泡水放在白色石台上。
镜头从水面特写开始，气泡持续上升，阳光透过玻璃在台面形成流动光斑。
中段镜头缓慢后拉，露出瓶身的品牌色字样，水珠沿瓶壁滑落。
结尾镜头快速推近瓶口，一滴水落下，画面定格在品牌色背景。
整体色调清爽，青绿色与乳白色为主，高光柔和，不要出现人物，不要出现文字。

结果评估：W1 在液体、气泡、玻璃折射这类材质上的完成度较好，15 秒内可以保持场景连续；生成速度很快，适合一次跑三到五版挑一条。缺点是镜头语言偏「氛围」，很难精确控制某一句文案对应某一个动作，因为这条链路没有音频驱动分镜。

返工点：如果瓶身字样文字糊掉，不要指望模型重跑能修好，直接在后期贴图；如果水花太大遮住产品，把「一滴水落下」改成「水珠沿瓶壁滑落」，降低瞬时运动幅度；如果 15 秒不够讲完卖点，拆成两条 8 秒短片，用剪辑衔接，而不是硬拉到上限。

八、价格优惠

8.1 官方计费结构

Vivix 采用预充值积分制，A 系列与 W 系列各有一套积分，互不通用。W 系列的公开单价按输出秒数计算，A 系列的实时会话按分钟计费，具体以控制台结算页为准。官方在 2026 年 11 月挂出的 W1 价格带有黑五折扣字样。

套餐/计费项	价格（公开口径）	包含额度	适合谁
W1 标准版	约 0.005 美元/秒	按实际输出秒数扣 W 积分，1 积分约 0.003 美元	批量试片、预算敏感的内容团队
W1 Fast	约 0.016 美元/秒	同画质，生成更快	有时效要求的投放团队
W1 Ultra Fast	约 0.028 美元/秒	同画质，速度最快	直播前临时补片、紧急改稿
A1 实时会话	媒体口径约 0.22 美元/分钟	按会话时长扣 A 积分	直播电商、展馆、陪伴类应用
企业定制	官方未公开	按并发、时长与部署方式报价	有私有化与 SLA 要求的企业

8.2 怎么买最省

一是默认选标准版，不为「快」多付三到五倍。W1、W1 Fast、W1 Ultra Fast 的画质相同，差别只在生成速度。除非你在直播前十分钟必须补一条片子，否则标准版的 8 到 15 秒出片已经够用，单价却只有 Ultra Fast 的不到五分之一。

二是先用 480p 验证构图，再切 720p 出终版。很多返工来自构图和动作不对，不是清晰度不够。用低分辨率把首帧、机位、动作跑顺，确认后再用 720p 重跑，能省下大量无效消耗。参考图也尽量一次给准，反复换图会让角色一致性变差。

三是把能合并的段落合并，把能复用的会话复用。异步任务按输出秒数计费，分段越多，边界处的重跑成本越高；实时会话按分钟计费，提前写好脚本、减少冷场，比反复开关会话更省。活动期充值优先补 W 积分，A 积分的消耗取决于直播时长，不容易预估。

九、最新动态

9.1 2026 年 7 月：A1 与 W1 正式发布

官方在 7 月 24 日发布两款模型，并同步上线技术报告。A1 定位实时全双工角色，W1 定位流式原生世界模型，两者都是 30B 量级参数。这是它从产品原型转向模型平台的节点，也是后续 API 能力的基础。

9.2 2026 年 9 月：云栖大会亮相

据官方与媒体公开信息，Vivix 在 9 月 22 日至 24 日参加云栖大会，现场展示实时数字人与互动叙事。对国内客户来说，这是它第一次大规模面对企业观众，意义在于建立「可商用」的认知，而不只是技术圈的口碑。

9.3 2026 年下半年：官网焕新，开放实测

官方公众号称官网完成改版，A1 与 W1 开放实测，用户可以从一张图、一份人设、一种声音开始创建角色，也可以从一个想法生成一段世界视频。同期上线的还有 Avatar Playground 的五种模板，降低了第一次上手的门槛。

9.4 2026 年 11 月：限时折扣与第三方实测

官方定价页出现黑五限时折扣，W1 标准版一度标到 0.005 美元/秒；腾讯新闻等媒体在 11 月初发布实测，提到 10 秒视频约 13 秒生成、A1 五分钟连续对话口型稳定。有消息称团队还在压推理成本，具体幅度官方没有时间表。

十、竞品对比

10.1 能力横向对比

维度	Vivix	HeyGen	Tavus	可灵（Kling）
核心定位	实时互动角色与世界模型	数字人营销视频	实时对话视频 API	文生/图生视频
实时打断	支持，300 到 900 毫秒响应	以预生成视频为主	支持实时会话	不支持
全身动作	走、转身、拿取物体	多为半身口播	以头肩为主	可生成动作，但非实时
多模态输入	语音、文字、图片、触控	文字、音频、图片	语音、视频	文字、图片、首尾帧
开发者接口	REST + WSS	有 API	API 优先	有 API
中文支持	原生中文界面与口型	支持多语言	支持多语言	原生中文
单段时长	视频 5 到 15 秒，会话可长时	按套餐与模板	按会话	通常 5 到 10 秒

10.2 价格与适用场景

工具	计费方式	入门成本量级	最适合	主要短板
Vivix	积分预充，W 按秒、A 按分钟	几美分一条短片，按量付	实时角色、直播、互动叙事	画面上限与开箱体验
HeyGen	订阅制，按月付	数十美元/月起	营销口播、多语言配音	实时全身互动弱
Tavus	订阅 + 按分钟	面向开发者，按月付	客服、陪伴、实时对话	动作幅度小，偏头肩
可灵（Kling）	会员 + 点数	数十元/月起	高质量单条视频、广告镜头	不能实时互动