突破显存与稳定性瓶颈，Soul 上市进程展现 AI 多模态研发实力

　　在实时数字人走向规模化落地的过程中，长时稳定生成、恒定显存占用与低成本部署已成为行业核心诉求，AI 技术的持续突破正不断破解这些关键痛点。近期，Soul AI Lab 推出全新开源模型 SoulX-LiveAct，通过独创机制实现小时级稳定流式生成与可控算力消耗，相关技术成果在 Soul 上市推进过程中，成为平台多模态 AI 能力的重要体现。在 Soul IPO 稳步前行的阶段，这套兼顾稳定性与实用性的技术方案，不仅为行业提供了可落地的工程化路径，也进一步丰富了平台的技术叙事与核心竞争力。

　　如何让数字人视频在流式实时推理下做到小时级甚至无限长度、同时保持身份一致/细节稳定/口型精准?此次开源的SoulX-LiveAct能够在 2 张 H100/H200 条件下，达到 20 FPS 的实时流式推理能力，且支持输入图像、音频和指令驱动，生成表情生动、情绪可控、拥有丰富全身动作的实时数字人视频。通过不断开源不同技术路线的模型，Soul AI团队为开源社区及行业提供了差异化的实时数字人方案，覆盖各种硬件条件、不同应用落地的开发者实际需求。

　　• Project Page: • Technical Report: • Source Code: • Hugging Face: •

　　SoulX-LiveAct 三大亮点

　　1) 恒定显存：真正支持无限时长生成

　　过去的 AR diffusion 往往依赖 KV cache 记忆历史信息，但缓存会随视频长度线性增长——视频一长，不是爆显存，就是不得不丢历史，稳定性随之崩掉。SoulX-LiveAct 从“条件传播方式”和“历史记忆管理”两个层面解决了这一瓶颈，创新机制使系统既能“带得动”长时历史，又不会因缓存膨胀而拖慢推理，从而在机制上具备小时级甚至更长时长的持续生成能力。

　　2) 实时吞吐：2 张 H100/H200 即可 20 FPS 流式推理

　　在 512×512 分辨率下，SoulX-LiveAct 仅需 2 张 H100/H200 即可达到 20 FPS 的实时流式推理能力，端到端延迟约 0.94s。同时，单帧计算成本降低到 27.2 TFLOPs / frame，在追求实时的条件下显著减轻算力压力，为线上部署提供更现实的成本方案。

　　3) 长时一致：身份稳定 + 细节不“掉件”

　　长视频最容易“翻车”的不是第一分钟，而是第十分钟、第三十分钟：常见现象包括脸漂、发型/衣纹漂移、饰品忽隐忽现，甚至口型逐步失配。在报告的长时对比中，基线方法普遍出现不同程度的身份漂移与细节不稳定;而 SoulX-LiveAct 能在更长时间窗口内保持身份一致性与关键细节持续稳定(如配饰与衣物纹理不“掉件”)。

　　依托模型表现，SoulX-LiveAct 将能够在“长期在线”数字人直播间、AI教育、智慧柜员、知识付费、播客录制、开放世界互动等方向快速落地，例如，在线开放世界的NPC互动中，要求“说得像、动得像、一直像”，SoulX-LiveAct 在全身数据集 EMTD 上的同步与质量指标领先，并支持实时流式推理，适合在数字空间里实现长时间在线的、具备情绪动作表达的角色交互。

　　今年，在实时数字人生成方向，Soul AI 团队已陆续开源了SoulX-FlashTalk、SoulX-FlashHead，前者是首个能够实现0.87s亚秒级超低延时、32fps高帧率，并支持超长视频稳定生成的14B数字人模型;后者是1.3B轻量化模型，可实现在单张消费级显卡( RTX 4090 )上跑出96FPS的工业级速度。

　　除了实时数字人生成方向的SoulX-FlashTalk、SoulX-FlashHead、SoulX-LiveAct ，现阶段，Soul AI团队还开源了播客语音合成模型SoulX-Podcast、歌声合成模型 SoulX-Singer、全双工语音对话控制模块SoulX-Duplug，综合来看，团队围绕“实时交互”这一核心领域，在多模态方向不断夯实技术基建，同时通过工程化部署方案将技术推向可真正工业级应用阶段。

　　而坚持开源方向，Soul不仅完成了自身AI基础设施的持续升级，还通过携手全球开发者，持续拓展“AI+”的新落地场景，共同推动AI应用生态的建设。

　　在 Soul 上市推进过程中，平台持续在实时交互领域深耕技术并开放成果，既展现了扎实的 AI 研发功底，也为 Soul IPO 构建了可持续的技术生态优势。依托一系列差异化开源模型矩阵，Soul 正以务实的技术落地能力，为行业长时交互场景提供可靠支撑。