一张图生成一个世界？Vidu S1体验：问题比想象的要多

发布时间：2026-07-18 05:05:50 来源：安智兰德资讯网 作者：知识

我对养宠物缺乏耐心，张图却对折腾 AI 角色有着近乎执着的生成热爱。

曾几何时，个世我沉迷于在豆包、体验通义千问等平台挖掘各类 Bot。问题从穿越现代的比想诸葛亮，到教导高数的张图霸道总裁，再到那位时刻催促我上班的生成二次元老婆……无论体验如何，每次点击进入，个世都像是体验在开盲盒，你永远不知道下一个“电子活人”会带来什么惊喜或惊吓。问题

然而，比想近期这些平台接连宣布下线相关功能，张图聊天框里的生成“电子朋友”逐一消失。正当我准备接受这一现实时，个世Vidu S1 横空出世，带来了一种更为抽象且极具潜力的交互体验。

（图源：Vidu）

Vidu S1 是一款主打实时视频交互的 AI 模型。与传统的文本型 AI Bot 不同，它允许用户仅上传一张图片，模型即可快速解析角色的身份、外观及风格，并在交互过程中实时生成该角色的表情与动作，力求保持形象与音色的高度统一。

既然大厂 Bot 已难觅踪迹，我（ID：leitech）决定亲自上手，尝试打造一个会说中文、听懂指令，甚至能当场打坐的“哈兰德”。

一张图生成可对话的哈兰德：流程与基础体验

Vidu S1 的使用门槛极低，且模型本身完全公开。用户只需在手机应用商店搜索并下载 Vidu AI Pro（注意：务必区分于普通的 Vidu AI，二者为不同应用），进入 APP 即可体验。

（图源：雷科技）

为了降低上手难度，Vidu S1 内置了丰富的预设角色库。其中女性角色占比最高，涵盖古装、现代、魔幻及写实风格；此外还有动画人物及宠物等选项，多样性表现尚可。

在未上传图片前，我首先体验了预设角色的交互逻辑。选定角色后，用户可通过麦克风直接发送语音指令。角色会在画面中实时回应，并根据对话内容同步生成口型与表情，配合自然的肢体晃动，营造出一种类似视频通话的沉浸感。

（图源：雷科技）

画质方面，官方规格为 540P、25 帧，画面清晰度有限，建议将其视为网络信号不佳时的视频通话效果。

动作控制方面，Vidu S1 的表现超出了简单的口型同步。当我发出“举起左手”的指令时，角色响应流畅，无穿帮现象。对于推眼镜、撩头发等中等复杂度动作，完成度也较高。

甚至当我发出“左手整理头发，右手整理衣襟，双手比心”的复合指令时，角色也能勉强执行，尽管动作细节略显生硬。

（图源：雷科技）

主要槽点在于延迟与动作限制：

1. 交互延迟：所谓的“实时”是相对于视频生成速度而言。用户说完话后，角色通常会有明显停顿才回应。这种延迟在视频通话场景下尤为突兀，加上角色始终直视镜头，带来一定的心理压迫感。
2. 动作僵硬：为防止穿帮，系统似乎限制了角色的转身能力，无论怎么尝试，角色均拒绝转身。对于跳舞、深蹲等连续动作，响应更是敷衍，仅做象征性晃动，如同“摆烂”状态。

（图源：雷科技）

自定义角色测试：从二次元到真人

预设角色经过官方优化，表现相对稳定。接下来，我尝试上传自定义图片，测试模型在非标准体型及真人场景下的处理能力。

测试一：Q 版角色（菲比啾比）

上传 Q 版角色图片，填写描述并选择音色（或录制声音），等待约 1 分钟即可生成自定义角色。

（图源：雷科技）

结果令人失望：
* 体型崩坏：角色动作与体型严重不匹配。发出“跳起”指令后，角色身体被异常拉长，呈现“橡胶人”效果。
* 指令失效：角色描述似乎未被有效采纳，角色始终自说自话，无法根据设定调整行为逻辑。

（图源：雷科技）

测试二：真人角色（哈兰德）

鉴于训练集偏差，真人图片的处理难度低于二次元。

• 静态表现：静止状态下，五官与发型还原度较高。
• 动态表现：说话时口型基本同步，但情绪激动时，牙齿、脸颊及眼神偶尔出现不协调。
• 声音问题：我录制的人声未生效，系统随机切换不同男女声，导致画面与声音严重割裂，观感诡异。
• 动作还原：尝试复刻哈兰德招牌“打坐庆祝”，角色仅低头抬手，最终仍站立不动，未能还原动作精髓。

（图源：雷科技）

结论：Vidu S1 目前只能生成一个“会聊天的哈兰德”，尚无法还原其在球场上的动态表现，改进空间巨大。

竞品对比：灵光 App 的“世界模型”体验

无独有偶，谷歌 Genie 及灵光 App 近期也推出了类似的世界模型功能。其核心卖点一致：上传一张图，AI 解析场景元素（地面、障碍物等），将静态画面转化为可交互的视频应用，实现“画即游戏”的梦想。

灵光 App 宣传中展示了攻击、射箭、施法等丰富交互，且暂无会员限制，极具吸引力。

（图源：雷科技）

测试一：赛博朋克都市

选择“解锁冷冽的高科技都市”，灵光 App 在半分钟内生成了类似《赛博朋克 2077》的场景。

（图源：雷科技）

• 生成速度：确实迅速，且视角切换与路径生成同步，具有持续探索感。
• 交互局限：虽然界面出现了个性化交互按钮，但实际功能仅为播放不同特效。无法与其他人物对话、攻击或产生实质接触。本质仍是用户控制角色在 AI 生成的视频中行走。
• 延迟问题：角色移动存在 1-2 秒延迟，视角切换卡顿明显。

（图源：雷科技）

测试二：《怪物猎人》截图

上传游戏截图，期望模型能识别战斗场景并生成攻击、闪避等按钮。

（图源：雷科技）

结果：
* 交互通用化：系统提供的交互方式与《怪物猎人》无关，缺乏针对性。
* 角色漂移：角色移动后，原猎人形象逐渐变为“悟空”，模型似乎认为“打怪”即可，无需区分具体游戏内容。

（图源：雷科技）

测试三：足球比赛截图

上传哈兰德比赛截图，问题更为直接：
* 关键元素丢失：足球消失，系统未操控哈兰德，反而选中对方白衣球员。
* 互动缺失：无法踢球，无法与队友/对手互动。球场、观众仅作为背景贴图，无法触碰。
* 场景不稳定：角色移动导致画面剧烈变化。因模型无法稳定记忆人物与场景，球员位置、衣服细节甚至主控角色外貌均发生随机漂移，如同“边跑边整容”。

（图源：雷科技）

唯一亮点：POV 视角的风景图片体验较好，能带来在虚拟世界旅行的感觉，但需忍受频繁的卡顿。

（图源：雷科技）

总结：作为新鲜玩具，娱乐几分钟尚可；但长期可玩性极低，难以支撑深度体验。

世界模型：AI 的下一个核心战场？

面对画质粗糙、Bug 频出的现状，有人质疑厂商投入世界模型是否“点错科技树”。

我认为恰恰相反。

这类模型的意义远超游戏本身，它标志着 AI 从“理解静态世界”向“模拟真实世界”的关键跨越。

• 传统视频模型（如 Seedance、可灵）：侧重被动展示，观众只能观看，无法互动。
  
  （图源：字节跳动）

• 世界模型：核心在于让 AI 理解“动作与世界的因果关联”。从被动展示转向主动交互，从静态叙事转向动态推演，这是通往更强通用人工智能（AGI）的重要路径。

未来展望：
若灵光等世界模型能进化至 4K 画质、60 帧，并具备准确的物理逻辑，将彻底改变机器人训练范式。我们无需在现实世界中训练机器人，只需在虚拟世界中让其摔倒万次，习得行走、抓取等技能，再将算法迁移至实体机器人。

目前，OpenAI（Sora）、英伟达（Cosmos）及国内多家自动驾驶、机器人和游戏公司均在布局此赛道。大家都在赌谁能率先构建出成熟的世界雏形。

对这个新领域而言，好戏才刚刚开场。

相关文章