映象舆情

传统数字人生成模型普遍面临生成慢、延迟高、画质差、长视频不稳定等难题，为解决这些痛点，SoulAppAI团队正式开源实时数字人生成模型SoulXFlashTalk。该模型基于创新两阶段训练策略与全栈推理加速架构，在14B参数量级别下实现0.87s亚秒级延时、32fps高帧率与超长视频稳定生成，为实时AI交互领域提供可复用、可落地的技术路径，也标志着Soul在多模态AI技术研发上迈入新阶段。

SoulXFlashTalk采用两阶段训练策略，在生成质量与推理速度之间实现最佳平衡。第一阶段为延迟感知时空适配，通过动态长宽比分桶策略进行微调，让模型适配更低分辨率与更短帧序列，为低延迟推理打下基础。第二阶段为自纠正双向蒸馏，利用DMD框架压缩采样步数并移除无分类器引导，进一步提升运行速度;同时引入多步回溯自纠正机制，以连续分块合成方式显式模拟长视频误差传播，配合随机截断策略实现高效显存优化，让模型在长序列生成中保持稳定高效。与传统单向模型不同，SoulXFlashTalk完整保留双向注意力机制，使模型可同时利用历史与未来上下文信息，显著提升时间一致性与画面细节质量，从根本上解决身份漂移问题。

推理阶段的全栈加速引擎是实现低延迟高帧率的关键。Soul团队针对8H800节点进行系统化优化，通过混合序列并行整合多种先进技术，单步推理速度提升约5倍;FlashAttention3算子异步执行减少20%延迟;3DVAE并行化实现5倍加速;再通过整链编译优化完成图融合与内存管理，构建起覆盖模型、算子、系统三层的加速体系。这套架构让14B大模型在保持超强生成能力的同时，实现亚秒级响应与高帧率运行，满足实时交互严苛要求。

SoulX-FlashTalk推理架构流程图

在效果层面，SoulXFlashTalk具备四大核心优势：0.87s亚秒级延时实现即时交互;32fps高帧率保证画面流畅;自纠正技术确保长视频稳定清晰;全身动作生成带来更自然交互体验。模型在TalkBench评测集上表现突出，短视频与长视频任务均刷新多项分数，口型同步、视觉保真、生成稳定性全面领先行业。该模型可支持电商直播、AI教育、短视频生产、智能客服等多场景商用落地，解决传统数字人落地成本高、效果差、不稳定等问题。

Soul此前开源的SoulXPodcast语音模型已获得社区高度认可，此次开源SoulXFlashTalk进一步完善其AI技术布局。未来，Soul将继续聚焦实时语音、视觉交互等核心方向，持续开放技术成果，与全球开发者共建AI生态，以技术创新推动AI+社交领域不断向前发展。