摘要：

當(dāng) AI 視頻還在卷時(shí)長(zhǎng)與畫質(zhì)時(shí)，Xmax AI 另辟蹊徑，用毫秒級(jí)延遲的實(shí)時(shí)交互模型 X1，開啟了從「看視頻」到「玩視頻」的交互范式革命。

如果 2024 年我們還在為 Sora 模擬的流體視頻驚嘆，那么在 2026 年的今天，單純的高清視頻已經(jīng)在光速發(fā)展的 AI 世界隨處可見。

當(dāng)你對(duì)著屏幕里的那個(gè) AI 虛擬形象，無論多么逼真，終究只是一段“被播放”的像素。AI 視頻生成實(shí)際上仍被禁錮在“預(yù)制內(nèi)容”的舊范式中。而如今打破這層次元壁的，是一家由前華為「天才少年」創(chuàng)立的初創(chuàng)公司——Xmax AI

近日，Xmax AI 正式發(fā)布全球首個(gè)虛實(shí)融合的實(shí)時(shí)交互視頻生成模型——X1。不同于當(dāng)前主流文生視頻模型聚焦影視內(nèi)容生產(chǎn)與工業(yè)流程重構(gòu)，X1 選擇了另一條更為硬核，且鮮有人涉足的征途：實(shí)現(xiàn)毫秒級(jí)的實(shí)時(shí)視頻生成和低門檻的手勢(shì)交互，并將虛擬內(nèi)容實(shí)時(shí)、無縫地融入現(xiàn)實(shí)物理空間。

它意味著著 AI 視頻正在從“被動(dòng)的消費(fèi)內(nèi)容”，躍遷為“共創(chuàng)體驗(yàn)”。我們將可以調(diào)動(dòng)現(xiàn)實(shí)與虛擬世界的任何一粒像素。

手機(jī)對(duì)準(zhǔn)桌面，選取一張滾球獸的照片。下一秒，它就“脫屏而出”，立在你的桌面上東張西望。你伸出手，它先是警惕，隨后親昵地蹭向你的手心；你輕輕一捏，它會(huì)給出Q彈的物理反饋；攤開手掌，它甚至能被你穩(wěn)穩(wěn)“托”住。

這就是X1，不需要復(fù)雜的Prompt（提示詞），不需要漫長(zhǎng)的云端渲染等待，僅憑一個(gè)手機(jī)攝像頭和最符合直覺的手勢(shì)，它就能讓幻想掙脫屏幕，與現(xiàn)實(shí)無縫融合。目前，Xmax AI已通過技術(shù)演示應(yīng)用X-cambeta開放了X1模型的能力體驗(yàn)，并可以通過 TestFlight 下載。

一、 告別“只能看”，AI視頻“人人可玩”

過去一年，全球AI視頻生成領(lǐng)域呈現(xiàn)出爆發(fā)式增長(zhǎng)態(tài)勢(shì)。全球AI視頻生成領(lǐng)域呈現(xiàn)出“神仙打架”的繁榮景象。數(shù)據(jù)顯示，2024年全球相關(guān)市場(chǎng)規(guī)模已達(dá)6.148億美元，Sora、Runway等行業(yè)巨頭紛紛在畫質(zhì)、時(shí)長(zhǎng)和分辨率上展開激烈角逐。然而，縱觀行業(yè)生態(tài)整個(gè)賽道，大多數(shù)技術(shù)路線仍聚焦局限于“文生視頻”的單向輸出，主要服務(wù)于影視、廣告等專業(yè)領(lǐng)域的生產(chǎn)力需求。對(duì)于普通用戶而言，復(fù)雜的操作流程高昂的操作門檻、漫長(zhǎng)的生成等待時(shí)間，以及內(nèi)容本身的缺乏低互動(dòng)性，使得AI視頻生成始終難以真正融入日常生活。

Xmax AI敏銳地捕捉到了這一行業(yè)痛點(diǎn)：AI視頻要真正走向大眾，不僅需要進(jìn)一步降低門檻，更要從“生成結(jié)果”進(jìn)化為“生成體驗(yàn)”。為此，Xmax AI選擇了一條截然不同的技術(shù)路線：虛實(shí)融合 + 實(shí)時(shí)交互。不僅要生成畫面，還要讓畫面理解現(xiàn)實(shí)，并允許用戶用最本能的手勢(shì)去參與。

二、Xmax AI四大核心玩法

基于X1模型的實(shí)時(shí)生成能力，Xmax AI落地了四大核心玩法：

1. 次元互動(dòng)：打破次元壁的觸摸

任意上傳一張角色圖（動(dòng)漫IP、寵物照片、毛絨玩具），并通過手機(jī)攝像頭對(duì)準(zhǔn)現(xiàn)實(shí)平面，X1模型即可將其實(shí)時(shí)置入現(xiàn)實(shí)場(chǎng)景中。當(dāng)你撫摸屏幕中的兔子時(shí)，X1會(huì)實(shí)時(shí)生成它“轉(zhuǎn)頭蹭手”的動(dòng)態(tài)響應(yīng)；當(dāng)你的手指劃過它的眼睛，還能看到絨毛因觸碰而發(fā)生的細(xì)微形變。

2. 世界濾鏡：萬物皆可“風(fēng)格化”

上傳一張梵高畫作或樂高積木圖，攝像頭所捕捉的現(xiàn)實(shí)畫面即可實(shí)時(shí)全域風(fēng)格化轉(zhuǎn)化。這是一整套“世界重繪”系統(tǒng)：當(dāng)你對(duì)著鏡頭揮手、搖頭，畫面中那個(gè)變成“樂高人”或“二次元紙片人”的你，會(huì)同步保持風(fēng)格一致性與動(dòng)作連貫性。

3. 觸控動(dòng)圖：指尖輕劃喚醒靜態(tài)圖片

上傳一張照片，在觸摸屏上拖拽照片中角色的耳朵，它會(huì)跟著搖頭；拖動(dòng)嘴角，它會(huì)露出微笑。你甚至可以上傳自家貓咪的照片，通過觸控讓它揮拳、跳舞。

4. 表情捕手：社交破冰神器

鏡頭對(duì)準(zhǔn)朋友，選擇一個(gè)“憤怒”或“大笑”的Emoji，AI會(huì)瞬間捕捉對(duì)方人物特征與神態(tài)，實(shí)時(shí)生成一個(gè)神態(tài)精準(zhǔn)、魔性十足的動(dòng)態(tài)表情包。

二、 華為“天才少年”領(lǐng)銜，攻克算法與工程的世界難題

在業(yè)內(nèi)人士看來，X-cam看似簡(jiǎn)單的“好玩”背后，其實(shí)是極高技術(shù)門檻的工程化勝利。

為了為了破解“極速響應(yīng)”與“精準(zhǔn)意圖理解”這一世界性難題，解決極致實(shí)時(shí)性與精準(zhǔn)意圖理解的難題，團(tuán)隊(duì)創(chuàng)新了端到端流式重渲染架構(gòu)，實(shí)現(xiàn)了幀級(jí)自回歸DiT模型。通過多階段蒸餾壓縮與對(duì)抗訓(xùn)練，擴(kuò)散采樣速度提升了百倍。同時(shí)，團(tuán)隊(duì)構(gòu)建了統(tǒng)一交互模型架構(gòu)，融合空間三維關(guān)系與屏幕二維操作，使模型能精準(zhǔn)解析“捏”、“拖拽”等復(fù)雜用戶意圖。針對(duì)虛實(shí)融合數(shù)據(jù)稀缺的困境，Xmax.AI還搭建了半自動(dòng)化合成管線，在筑牢行業(yè)技術(shù)壁壘的同時(shí)，也為我國(guó) AI 視頻生成領(lǐng)域儲(chǔ)備了珍貴的數(shù)字資產(chǎn)。建立了堅(jiān)實(shí)的行業(yè)壁壘。

硬核技術(shù)的突破，源自一支兼具算法與工程能力的硬核團(tuán)隊(duì)。Xmax AI團(tuán)隊(duì)匯聚了來自華為“天才少年”計(jì)劃、清華大學(xué) KEG 與 HCI 實(shí)驗(yàn)室、香港科技大學(xué)（廣州），以及字節(jié)跳動(dòng)、快手等領(lǐng)軍企業(yè)的頂尖人才。

三、 X1：Play the World through AI

對(duì)于Xmax AI團(tuán)隊(duì)而言，X1模型和X-cam應(yīng)用只是一個(gè)開始。他們?cè)谠噲D定義全新的內(nèi)容交互范式，以及搭建下一代內(nèi)容交互引擎。正如Xmax AI的Slogan所言：Play the World through AI（用AI玩轉(zhuǎn)世界）。

技術(shù)，終將讓幻想觸手可及。