Vivix A1発表：仮想キャラクターをリアルタイムに「聞いて動く」存在へ

導入

Vivixは、リアルタイム対話型マルチモーダルモデルA1を発表した。あわせて、ユーザーが物語の進行に介入できる世界モデル的なW1も紹介している。A1の狙いは、単に短い動画を生成することではない。画面の向こうのキャラクターが、ユーザーの声や新しい入力に応じて、話し、動き、姿勢を変え、その後の映像を更新し続ける体験だ。

主なポイント

• 統一ストリーミング構成：A1は画像、動画、音声、過去フレーム、対話履歴を継続状態として扱い、生成が続いてもキャラクターの同一性、場面、物体関係を保つことを目指す。
• テキストだけに依存しない対話：ASRで得た文字列だけを中間表現にせず、言語意味、音響特徴、非言語音、環境イベント、ジェスチャー、視覚的な動きも直接扱う。声の調子や突然の環境音が、まだ生成されていない映像に影響し得る。
• 速い反応と長期制御：素材によれば、A1は約300ミリ秒の最小時間片で新しい応答tokenを推論する。一方で上位のDirector Agentが、推論、ツール利用、長期的な行動制御を非同期に担う。
• MJDによるステップ削減：VivixはMultidimensional Joint Distillationを用い、8-Stepの品質基準を2-Step推論へ圧縮すると説明している。短期画質、動き、長期一貫性を同時に残すのが目的だ。
• VMI推論基盤：EncoderとDecoderの分離、prefill/decode分離、KV Cache転送の再設計、NVFP4を前提にした訓練・推論協調、計算・通信・メモリの共同スケジューリングが含まれる。公式情報では、単一GPUで10000 video tokens/s超、新入力への最短応答は約300ミリ秒、可視反応の平均遅延は0.6秒未満とされる。

意味と影響

A1が示す方向性は、デジタルヒューマンを「口パクする映像」から「身体を持つリアルタイムキャラクター」へ進めることだ。そのためには、同一性の維持、動作生成、音声とイベント理解、割り込み、再指示、低遅延推論を同時に成立させる必要がある。

これが実運用で安定すれば、インタラクティブエンタメ、AIコンパニオン、仮想客服、ゲームNPC、リアルタイム制作支援などに広がる可能性がある。動画AIの評価軸も、静止画的な美しさだけでなく、長時間動き続けられるか、即時に反応できるか、漂移しないかへ移るだろう。

ただし、現時点の情報は主に企業発表とメディア報道に基づく。実際の安定性や長時間利用での品質は、公開デモや第三者評価を待つ必要がある。

出典：量子位