近日，Soul App AI團隊（Soul AI Lab）宣布開源其自主研發的實時數字人生成模型SoulX-FlashTalk，為行業帶來突破性技術方案。該模型以140億參數規模實現0.87秒亞秒級響應、32幀/秒高幀率輸出，并支持超長視頻穩定生成，標志著大參數量數字人技術正式進入可商用階段。這一成果不僅解決了傳統數字人技術中延遲高、畫面卡頓等痛點，更通過多項創新技術重新定義了實時交互體驗標準。
技術突破方面，SoulX-FlashTalk通過全棧加速引擎實現性能躍升。其首幀生成延遲較行業平均水平降低72%，在視頻通話、直播互動等場景中可實現"零感知"響應。模型采用14B超大DiT架構，推理吞吐量達32fps，遠超直播行業25fps的基準要求，確保畫面流暢度。針對長視頻生成中的身份漂移問題，團隊研發的自糾正雙向蒸餾技術通過多步回溯機制實時修正誤差，配合雙向注意力機制同時參考前后文信息，使數字人在超長直播中保持口型、面部特征與背景的高度一致。
在動作生成領域，該模型突破傳統面部驅動局限，支持音頻驅動的全身動態生成。通過14B DiT建模能力，模型可精準呈現手部細節，消除畸形與模糊現象，動作自然度提升40%的同時保持99.22%的身份一致性。技術實現上，團隊采用兩階段訓練策略：第一階段通過動態長寬比分桶微調優化時空適配性；第二階段運用DMD框架壓縮采樣步數，結合隨機截斷策略實現顯存高效利用。全棧加速引擎集成混合序列并行、算子級優化等創新方案，最終達成亞秒級延遲與32fps穩定輸出的雙重突破。
實測數據顯示，在TalkBench-Short評測中，SoulX-FlashTalk的ASE評分達3.51、IQA評分4.79，口型同步指標Sync-C為1.47；長視頻生成場景下Sync-C提升至1.61，且全程維持32fps輸出。這些數據全面領先行業主流模型，特別是在電商直播、短視頻制作等商用場景中，可有效解決畫質模糊、口型錯位等問題，幫助企業降低60%以上的運營成本。此前，該團隊開源的語音合成模型SoulX-Podcast已獲HuggingFace TTS趨勢榜首位，GitHub星標數突破3100，此次開源標志著Soul在AI+社交領域的技術布局進入新階段。
