Восемь секунд видео за восемь секунд рендера: Vivix показала потоковую нейросеть W1
Зритель в чате стрима голосует за поворот сюжета, нажимает кнопку или отправляет реплику голосом — и сцена на экране моментально перестраивается без паузы на рендер очередного файла. Привычная схема видеогенерации, где после каждого текстового запроса приходится ждать минуту ради короткого статичного клипа, медленно уходит в прошлое. Команда Vivix выкатила мультимодальную модель Vivix W1, способную собирать непрерывный видеопоток прямо на лету, отвечая на внешние команды с минимальной задержкой.
Поток вместо клипов
Классические диффузионные видеомодели работают по изолированному циклу: запрос отправлен, карточка считает кадры, сервер возвращает готовый пятисекундный файл. Для интерактивных форматов и прямого эфира такой подход не годится в принципе. При живом видеовзаимодействии поток данных достигает десятков тысяч визуальных токенов в секунду — это на три порядка плотнее текстового диалога с языковой моделью, где обрабатывается скромные три-пять токенов за то же время. Чтобы справиться с таким потоком, инженерам пришлось проектировать систему с задержками на уровне считаных секунд и замкнутым контуром обработки сигналов.
Vivix-W1 насчитывает около 30 миллиардов активных параметров. Модель изначально училась синхронному производству картинки и звука. Система на лету синтезирует речь на разных языках, выстраивает точный лип-синк под движение губ персонажа и генерирует пространственные звуковые эффекты под окружение. Входной контекст может быть любым: референсные изображения, аудиодорожки, черновые видеоролики, текст или действия человека — вплоть до сенсорных касаний экрана и физических жестов.
Главная беда длинных генераций — постепенная деградация картинки, когда к двадцатой секунде у героя двоится лицо, а комната плавится в абстрактное пятно. В Vivix для решения этой проблемы собрали надстройку Vivix-Turbo, работающую по четырём ключевым направлениям:
- Ультранизкошаговая дистилляция для резкого снижения вычислительной нагрузки при потоковом вещании;
- Интеллектуальное планирование ракурсов камеры для бесшовного монтажа и временной связности планов;
- Минимизация накопления ошибок, предотвращающая расползание геометрии и траекторий движения;
- Жесткое удержание референсов, сохраняющее консистентность внешности персонажей, стилистики и голоса на длинной дистанции.
В связке с многокадровым нарративом (Multi-Shot) это позволяет нейросети переключать крупности, монтировать разные ракурсы одной сцены и вести осмысленный диалог между действующими лицами в рамках единого непрерывного потока.
От чипсов до аниме: что умеет инструмент
В тестовых демонстрациях разработчики сосредоточились на прикладных креативных задачах. Нас подкупило, насколько живо модель справляется со сменой стилистики: в демонстрационном блоке Anime Transition кинематографичный кадр с живыми актерами мгновенно трансформируется в классическую графику японской анимации. В роликах показали боевые сцены с развилками сюжета по выбору аудитории, динамичный баскетбол (Basketball Animation), предметную рекламу кроссовок Sneakers и пачки чипсов Potato Chip Ad, а также бытовые сюжеты со статичными планами вроде сцены Opening the Fridge и взаимодействия с застывшими объектами Frozen Subject.
При этом модель выдает рекордную скорость на стандартных тестах Reference-to-Video. Замеры проводились по десяти запускам при создании 8-секундного ролика в разрешении 720p на основе одного изображения-референса (без учета времени нахождения в очереди запросов):
| Модель | Время генерации 8-секундного видео |
|---|---|
| Vivix W1 | 8,4 с |
| MiniMax H3 Max (fal) | 10,8 с |
| Kling 3.0 (Omni Std) | 145,9 с |
| Seedance 2.0 | 183,5 с |
| Seedance 2.5 | 272,4 с |
Разница с тяжеловесами рынка впечатляет: пока Kling или Seedance тратят на восьмисекундный отрезок от двух с половиной до четырёх с половиной минут, W1 отдает готовый результат практически со скоростью хронометража самого ролика.
Экономика и доступность
Второй чувствительный фактор для продакшенов — цена перебора вариантов. Полноценный поиск визуального решения требует сотен генераций, и при высоких тарифах бюджет на драфты быстро улетает в трубу. Vivix открыла доступ к W1 через официальный API и интерактивную песочницу платформы, запустив акционную стоимость генерации до 31 октября 2026 года. Расценки конкурентов зафиксированы по состоянию на 8 октября 2026 года (для Seedance расчет выполнен при частоте 24 кадра в секунду):
| Модель и провайдер | Стоимость за секунду готового видео |
|---|---|
| Vivix W1 (акция до 31 октября) | $0,003 |
| MiniMax H3 Max (fal) | $0,080 |
| Kling 3.0 (Omni Std) | $0,112 |
| Seedance 2.0 (BytePlus) | $0,151 |
| Seedance 2.5 (BytePlus) | $0,231 |
Тариф в три десятых цента за секунду позволяет получить почти в восемьдесят раз больше тестовых вариантов на тот же бюджет по сравнению с топовыми аналогами. Для арт-директоров это означает возможность смело экспериментировать с раскадровками прямо во время созвона с клиентом.
Без оговорок не обошлось: разработчики честно признают, что пока обучали архитектуру на датасете среднего объема. Если верить первым тестам, в сценах с предельной кинематографической детализацией и бешеной динамикой движений W1 всё ещё уступает лучшим офлайн-системам, которые могут позволить себе рендерить кадр минутами. Чтобы закрыть этот разрыв, команду ждет масштабирование обучающей выборки до десятков миллионов часов сложного видеоматериала.
Но вектор задан предельно четко. Интерактивные рекламные баннеры, меняющие сюжет под действия курсора, стримы с ветвящимися сценариями и мгновенная примерка визуальных стилей перестают быть техническими демками. Генеративное видео наконец-то учится реагировать быстрее, чем зритель успевает моргнуть.
