Soul App在AI交互领域持续发力，其AI团队Soul AI Lab今年年初正式开源实时数字人生成模型SoulX-FlashTalk，作为行业首个实现0.87s亚秒级延时、32fps高帧率及超长视频稳定生成的14B数字人模型，它填补了大参数量实时数字人商用落地的空白。Soul团队长期专注AI技术创新，致力于打造沉浸、多元的交互体验，此次开源既是技术积累的集中展现，也为行业提供可直接应用的业务方案，推动实时数字人产业整体升级。

SoulX-FlashTalk在性能层面实现多重突破，核心优势集中于四大维度。亚秒级延时是核心竞争力，全栈加速引擎极致优化下，模型首帧视频输出延时降至0.87s，让14B级大模型数字人摆脱传统生成滞后感，实现即时反馈，无论是视频通话即时对答、直播间弹幕秒级互动，还是智能客服实时响应，均能达成自然流畅的深度对话，适配各类实时交互场景。高帧率输出保障画面流畅度，即便搭载14B超大DiT模型，推理吞吐量仍稳定32fps，远超直播25fps标准，画面清晰丝滑，证明大模型经深度优化后可兼顾高参数与高效率。

长视频生成稳定性是SoulX-FlashTalk的突出优势，有效解决行业长期存在的画质下降、面部不一致、身份漂移等痛点。模型搭载独家自纠正双向蒸馏技术，通过多步回溯自纠正机制，实时模拟并修正长视频生成误差传播，实现无感纠错且画质无损；同时完全保留双向注意力机制，每帧生成可同步参考过去与隐含未来上下文，从根本抑制身份漂移，确保超长直播中数字人口型、面部细节、背景环境始终一致，无模糊变形。动作表现上，模型突破传统数字人仅面部对口型局限，支持音频驱动全身肢体动态合成，依托14B DiT建模能力消除手部畸形与模糊，精准呈现手部细节，维持99.22%身份一致性，平衡动作灵动性与画面稳定性。

训练流程示意图

为平衡性能与速度，Soul团队为SoulX-FlashTalk设计完善的技术方案与推理加速体系。训练采用两阶段策略，第一阶段延迟感知时空适配，结合动态长宽比分桶微调，适配低分辨率与短帧序列；第二阶段自纠正双向蒸馏，通过DMD框架压缩采样步数、移除CFG加速，搭配多步回溯自纠正与随机截断策略优化显存。推理依托8-H800节点全栈加速引擎，通过混合序列并行、FlashAttention3算子优化、3D VAE并行化、整链优化，大幅提升推理速度，达成亚秒级延迟。传统单向模型易出现时间不一致与身份漂移，双向注意力机制充分利用上下文，提升生成质量与一致性。

实测数据显示，SoulX-FlashTalk在TalkBench-Short和TalkBench-Long数据集表现优异，短视频ASE达3.51、IQA达4.79、Sync-C达1.47，刷新视觉保真度与口型同步精度；长视频Sync-C达1.61，有效抑制同步漂移，长短视频均稳定32fps，性能超越行业主流模型。依托卓越性能，模型可落地电商AI直播、短视频制作、AI教育、NPC交互、AI客服等领域，解决电商数字人直播长时间运行后画质模糊、口型错位痛点，助力企业降本增效。Soul此前开源播客语音合成模型SoulX-Podcast收获广泛认可，此次开源标志Soul开源战略深化，未来团队将聚焦核心交互能力，携手开发者共建AI+社交生态。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。