Vidu S1 论文完整整理（arXiv:2607.03118）一、论文整体概述1. 基础信息论文由清华大学 + 生数科技（Shengshu Technology）联合发布，提出Vidu S1——一款语音可控、无限时长、实时交互的数字人视频生成模型，解决现有离线视频生成模型无法实时交互、语音控制弱、长视频画面漂移、推理成本高四大行业痛点。现有主流视频模型（Sora、Veo、Wan、Seedance）均为离线一次性生成：用户输入提示词后等待数分钟拿到完整视频，中途无法干预；而Vidu S1实现流式实时生成，用户可在视频生成全程用语音实时下发动作指令，数字人即时响应。2. 核心功能语音实时控制数字人：语音作为原生控制信号，随时下发抬手、比心、坐下等全身动作指令；无限时长稳定流式生成：抑制时序误差累积，无画面漂移、模糊、人物崩坏；自定义角色生成：单张图片即可生成真人、动漫、宠物类交互数字人，支持自定义音色；消费级显卡实时推理：基于自研TurboDiffusion加速内核+TurboServe部署框架，RTX 5090可输出540p、最高42