本報訊 （記者陳紅）據(jù)Xmax AI官方消息，Xmax AI近日正式發(fā)布全球首個虛實融合的實時交互視頻生成模型——X1。該模型實現(xiàn)毫秒級實時視頻生成和低門檻的手勢交互，可將虛擬內(nèi)容實時、無縫地融入現(xiàn)實物理空間，打破了AI視頻生成“預制內(nèi)容”的傳統(tǒng)范式。目前，Xmax AI已通過技術(shù)演示應用X-cam beta開放了X1模型的能力體驗，用戶可通過TestFlight下載。

    當前，全球AI視頻生成領域發(fā)展勢頭迅猛，行業(yè)企業(yè)紛紛在畫質(zhì)、時長和分辨率上展開技術(shù)角逐，相關技術(shù)主要服務于影視、廣告等專業(yè)領域的生產(chǎn)力需求。但現(xiàn)有技術(shù)路線多聚焦于“文生視頻”的單向輸出，對于普通用戶而言，復雜的操作流程、漫長的生成等待時間以及內(nèi)容缺乏互動性，使得AI視頻生成難以真正融入日常生活。

    針對這一行業(yè)痛點，Xmax AI選擇“虛實融合+實時交互”的技術(shù)路線，X1模型無需復雜的提示詞，也無需漫長的云端渲染等待，僅憑手機攝像頭和直覺化手勢，即可實現(xiàn)虛擬與現(xiàn)實的無縫融合，推動AI視頻從“被動的消費內(nèi)容”向“共創(chuàng)體驗”躍遷，讓AI視頻實現(xiàn)“人人可玩”。

    基于X1模型的實時生成能力，Xmax AI落地了四大核心玩法，覆蓋多元交互場景。一是次元互動，上傳任意角色圖，通過手機攝像頭對準現(xiàn)實平面，即可將角色實時置入現(xiàn)實場景，虛擬角色能對觸摸、捏握等手勢做出精準的動態(tài)與物理反饋；二是世界濾鏡，上傳指定風格圖片后，攝像頭捕捉的現(xiàn)實畫面可實現(xiàn)實時全域風格化轉(zhuǎn)化，動作同步保持風格一致性與連貫性；三是觸控動圖，上傳靜態(tài)照片后，通過觸摸屏拖拽照片中的元素，可喚醒并操控角色做出相應動作；四是表情捕手，鏡頭對準人物后選擇指定表情Emoji，AI可實時生成神態(tài)精準的動態(tài)表情包。

    X1模型的技術(shù)實現(xiàn)，源于團隊在算法與工程層面的核心突破。為實現(xiàn)極速響應與精準意圖理解，Xmax AI團隊創(chuàng)新端到端流式重渲染架構(gòu)，實現(xiàn)幀級自回歸DiT模型，通過多階段蒸餾壓縮與對抗訓練，將擴散采樣速度大幅提升；同時構(gòu)建統(tǒng)一交互模型架構(gòu)，融合空間三維關系與屏幕二維操作，讓模型能精準解析“捏”“拖拽”等復雜用戶意圖。針對虛實融合數(shù)據(jù)稀缺的行業(yè)困境，團隊還搭建了半自動化合成管線，筑牢技術(shù)壁壘的同時，也為AI視頻生成領域儲備了數(shù)字資產(chǎn)。

    硬核技術(shù)的突破，依托專業(yè)的研發(fā)團隊。據(jù)悉，Xmax AI團隊匯聚了來自華為“天才少年”計劃、清華大學KEG與HCI實驗室、香港科技大學（廣州），以及字節(jié)跳動、快手等高校和頭部企業(yè)的頂尖人才，兼具算法研發(fā)與工程落地能力。

    Xmax AI方面表示，X1模型和X-cam應用只是企業(yè)布局的開端，團隊正致力于定義全新的內(nèi)容交互范式，搭建下一代內(nèi)容交互引擎。X1模型的推出，讓AI視頻從單純的內(nèi)容生成走向虛實融合的實時交互，為行業(yè)發(fā)展提供了全新的技術(shù)方向。

（編輯 李波）