视频还在播你就能改它：Vidu S2 全量开放，实时流上手指南

看腻了发布会？这次它动的不是成片，是正在播的那条流

这两年你大概已经免疫了。每隔几天就冒出一个视频大模型，画面更漂亮，样片更惊艳，然后你点进去，流程还是那一套：写提示词，点生成，盯进度条，拿到一段成片。不满意就改提示词，再等一遍。

这个循环的本质是内容是死的，你只能重做。就连阿里 Wan3.0 直接把 PPT 生成 30 秒成片这种提效狠活，解决的也只是更快出一段，出完之后想改，还是得回到起点。

所以 9 月 16 日生数科技发布 Vidu S2，我的第一反应不是又来一个，是真愣了一下。它换了个问题在解。过去两年所有模型都在琢磨怎么给你生成一段更好的视频，Vidu S2 琢磨的是另一件事：视频还在播，你怎么随时改它。

而且不用排队。发布当天就全量开放，vidu.com/vidu-stream 直接能上手，API 文档同步放出，GitHub 仓库 shengshu-ai/Vidu-S 也公开了。距上一代 S1 发布，只隔了 69 天。

先说清楚看哪一段，你才好决定这半小时花在哪：

做电商、做直播的，直奔第三章，实时换装和换背景是你最该看的。
关心数字人、虚拟陪伴、AI 主播的，第四章是重点。
想搞懂流式视频为什么一过几分钟就崩的，第五章别跳，那才是真东西。

两个模型，一个管人，一个管画面

先泼盆冷水。Vidu S2 不是一个模型，是两个，各管一摊，混着看你一定会看晕。

S2-Avatar 管人，做的是持续交互的数字角色。你可以把它想成一个永远不下播的主播：镜头一直开着，你说一句它动一下，中间不黑屏、不重启。上一代基本是个说话的头，这一代连跳舞这种大幅肢体动作都跟得上。

S2-Editing 管画面。它接的是一条正在流动的视频流，实时改风格、改衣服（虚拟试穿）、换人物、换背景。它更像给直播信号接了台实时调色台，推子在你手里，画面还在往前走。

你要的是让人一直活着，还是要让画面一直变，选的模型完全不一样。

S2-Editing 可以对正在流动的视频流实时换装、换背景

直播还在跑，衣服和背景当场换掉

先说最容易变现的那个，S2-Editing。

思路上你得先转个弯，别拿它当剪辑软件。剪辑软件是先拍完再改，它是边播边改。所以正确用法是：把一场直播或者一条短视频，当成可以中途改主意的东西。

提示词怎么写？我的建议是，给保留下的指令要比给改变下的更具体。因为帧对齐稀疏注意力干的活儿就是让改动贴合原来的运动轨迹、不穿帮，你把要保的东西说清楚，它才不会顺手把你的人物也一起改了。

换装：保留模特的走位和手势，上身换成米白色亚麻西装，
袖口保留褶皱细节，光照跟随原场景主光源

换背景：人物与运动轨迹完全保留，背景切换为暖色木质直播间，
地面反射随人物移动变化

电商这边最直接的用法是虚拟试穿。以前一个 SKU 要拍一遍，现在是一条流里连续换。做短视频的则可以一条素材跑多个版本，同一套人物动作，换三件衣服、三个背景，出三条内容。

我不给你编点这里点那里的路径，界面会变。但有件事确定：先拿你自己的真实素材去试，别拿官方样片的标准衡量你手里那条抖得厉害的手机素材。

数字人终于不掉线了：720P 和随时插参考图

再看 S2-Avatar。

分辨率从 S1 的 540P 提到 720P，帧率 25 到 42 FPS。540P 在手机竖屏里还能糊弄，一上大屏就露馅，720P 算是摸到了能进直播间的门槛。

但真正让我觉得有意思的是动态参考图。以前做数字人，你想让它换件衣服，得停掉会话、重传参考图、再起一遍，观众那头看到的就是一次卡顿或者说重来。现在可以在流不中断的情况下追加新的参考图，服装、道具、场景当场换，会话不重启。

说到参考图，站内之前聊过 Seedance 2.5 用 50 张参考图锁死人物，那套思路是开工前把一致性备足。Vidu S2 走的是另一条，参考图可以在流跑起来之后再加，靠的是状态保留，角色能持续响应新指令和新视觉信息。一个是开工前备料，一个是开工后加料，适用场景不一样。

所以数字人直播、AI 陪伴这类长时交互场景，这次是真进了一步。它第一次让中途改主意不必付出掉线的代价。

SRF 自回放强制：把模型自己的输出重新送回训练，抑制流式漂移

流式视频为什么一过几分钟就崩

这一段是硬货，但你听懂了，就知道这 69 天到底卷在哪。

流式视频生成有个老毛病，叫误差累积。每一段都以上一段自己的输出为条件，前一帧歪一点点，后一帧跟着歪，几十秒之后角色就开始融化、漂移、崩坏。特别像传话游戏，传到第十个人嘴里，那句话跟第一句已经没关系了。

SRF（Self-Replay Forcing，自回放强制）就是治这个的。做法朴素得有点可爱：把模型自己生成的轨迹重新加噪，再回放给它自己看一遍，走一条可以算梯度的因果前向路径。等于让它反复练习接住自己刚才那一拍，而不是一直以为自己在跟标准答案走。训练时就喂自己的输出，推理时再撞见自己的输出，它才不会飘。

留意用词，官方说的是抑制漂移和崩坏。抑制这两个字，跟根治之间差着好几个数量级的工程量。

第二个主角是推理栈，也是这次最容易被漏掉的部分。720P、25 到 42 FPS 这个数字，不是模型本体一个人撑起来的。GitHub 上写得很明白：TurboDiffusion 加 TurboServe 的服务栈，堆了高效注意力、低比特 GEMM、kernel 与启动优化、多 GPU 流水线，目标就是把实时推理压到低成本 GPU 上。模型决定上限，推理栈决定这个上限你买不买得起。

如果你一直在看这波视频模型，会发现大家卷的是先出成片，比如 MiniMax H3 一张图加一句文案自动出成片，本质还是离线渲染。Vidu S2 把力气花在延迟和长时稳定上，这是两条不一样的赛道，别拿同一把尺子量。

补个背景。这套东西的全链路研发由清华朱军教授的博士生、生数科技流式视频生成与推理负责人张金涛负责。生数科技由清华大学计算机系教授、IEEE Fellow 朱军领衔创立，2024 年发布过中国首个长时长、高一致性、高动态性视频大模型，走 U-ViT 融合架构。

先别急着吹，这几个坑我得说清楚

坑 1：成绩全是官方自报，第三方复现还没跟上

现象：S2-Avatar 在 StreamAV-Bench 九项指标上拿到报告所列对比模型最优，S2-Editing 在多项视频编辑基准上总分超过报告所列的离线与流式模型。根因：技术报告 9 月 10 日上传 arXiv（2609.11638），9 月 15 日以 393 赞登上 Hugging Face Daily Papers 第一，热度是真的，但独立第三方复现还没出来。解法：把它当上限看，别当基线，拿一条真实业务视频跑一遍再下结论。