生数科技发布实时视频生成与编辑模型Vidu S2

生数科技于2026年9月17日正式发布Vidu S2实时视频生成与编辑模型。该模型包含S2-Avatar实时交互模型和S2-Editing实时编辑模型两部分，面向实时数字人互动和视频流实时编辑场景。

S2-Avatar支持720p高清输出，增强了动作指令遵循与人物表演能力，可在直播过程中输入参考图，根据指令完成持品互动、换服装和换背景等操作。S2-Editing则面向正在流动的视频画面，支持实时修改风格、服装、人物主体与背景，为直播、虚拟演绎和互动内容提供即时视觉编辑能力。

为应对长时间流式生成中的画面崩溃与漂移问题，生数独创了SRF（Self-Replay Forcing）训练技术。该技术让模型在训练中直面自身的生成历史并修正误差，以降低长时间生成过程中的指令漂移率。

Vidu S2采用Backbone-Refiner两阶段架构：主干网络以低延迟负责骨架运动、物理规律和镜头语言的实时推流，精炼网络以异步流水线方式完成720p高清细节重构与材质纹理修复。临时加入的参考图则交由基于视觉语言模型的VLM Agent进行协调，解析当前画面的运动相位和空间状态，完成特征对齐。

公开信息显示，Vidu S2的API平台已开放，技术报告已发布至arXiv。Vidu S系列围绕交互式视频生成展开，面向实时对话、AI情感陪伴、虚拟IP、互动游戏及直播等场景。