Vidu S2のリアルタイム動画、アバターからライブ編集へ拡張
Viduは、Vidu S2のリアルタイム動画モデルを2種類公開した。会話型アバターの枠を超えてライブ編集へと領域を広げるとともに、空間動画への道筋も提示している。Vidu S2-AvatarとVidu S2-Editingの2モデルで構成され、いずれもセッションの進行中にフレームを生成または変換するよう設計されている。
これは重要だ。生成動画製品の大半は、依頼して待つワークフローを前提に構築されている。ユーザーはプロンプトを送信し、完成したクリップを待ち、結果を確認してから次の生成を始める。これに対しVidu S2は、会話や動き、新たな視覚的参照が提示される最中にも応答できる継続的なインターフェースとして動画を扱う。
今回の公開により、ViduはRunway、PixVerse、Odysseyなど、インタラクティブ動画を追求する開発企業との競争に加わることになる。重要なのは、単にどのシステムが最も魅力的なデモを生み出すかではない。持続的な利用において、リアルタイム生成が制御可能性、一貫性、手頃なコスト、安全性を維持できるかどうかだ。
Viduの技術論文は、毎秒25〜42フレームでの720pアバター生成を含む大幅な向上を報告している。また、ライブのスタイル転写、バーチャル試着、キャラクター置換、背景置換についても説明している。ただし、評価の多くは著者ら自身が実施または選定したものだ。
空間動画に関する取り組みはさらに初期段階にある。ViduはこれをVRヘッドセット向けの実現可能性の探究として提示しており、快適性に関する研究や独立したステレオ品質テストに裏付けられた成熟製品としては位置付けていない。野心的なインターフェースと、不十分な実環境での検証との隔たりこそが、今回の公開を特徴づけている。
Vidu S2のリアルタイム動画は2つのモデルに分割される
Vidu S2は、単一のインタラクティブアバターシステムから、より広範なライブ動画スタックへと製品を変化させる。
Viduは、関連する技術論文を9月10日に公開した後、2026年9月16日にリリースを発表した。論文では、両方の処理を単一の公開インターフェースに押し込むのではなく、システムをVidu S2-AvatarとVidu S2-Editingに分割している。
Vidu S2-Avatarは、アイデンティティ画像、音声、指示からデジタルキャラクターを生成する。固定されたトーキングヘッド動画とは異なり、キャラクターは継続中のセッションを通じて応答できる。ユーザーはストリーム開始後に新たな参照画像を提示することも可能だ。
この動的な参照は、物体、衣服、または環境を表現できる。ユーザーはキャラクターにジャケットを見せ、それを着るよう求められる。別の参照は、キャラクターを異なる背景や視覚的文脈へ導くことができる。
従来のVidu S1は、より限定的にトーキングヘッドの対話へ焦点を当てていた。Vidu S2 paperによれば、S1は540p動画を生成し、より大きな身体動作に苦戦していた。また、定義用の参照もストリーム開始後は固定されたままだった。
S2-Avatarは、報告された毎秒25〜42フレームの範囲を維持しながら、出力解像度を720pへ引き上げている。Viduによれば、このモデルはダンスを含む、より大きな身体動作に関する指示にも従えるという。
2つ目のモデルは異なる入力を扱う。Vidu S2-Editingは既存の動画ストリームを受け取り、元の動きとタイミングを保ちながら見た目を変更する。アバターへの指示からすべての動作を生成するものではない。
Viduは編集機能を4つのカテゴリに分けている。システムは視覚スタイルの転写、衣服の置換、人物またはキャラクターの置換、背景の変更を行える。指示にはテキストに加え、求める外観を示す任意の参照画像を含められる。
この違いにより、製品はバーチャルプレゼンター以外にも関連性を持つ。ライブ配信のホストは、複数のバージョンを撮影せずに衣服を試せる。パフォーマーは元の動きのタイミングを維持したまま、架空のキャラクターとして登場できる。
同じシステムは、カメラ映像に一貫したイラスト風スタイルを適用できる。また、従来のグリーンスクリーンのワークフローを使わずに、被写体を別の環境へ配置することも可能だ。もっとも、これらは製品シナリオであり、制作現場での信頼性を証明するものではない。
Viduの公開モデル文書は、2つの系統がより大きなサービス内でどのように位置付けられるかを示している。アバター版は、キャラクター画像、音声、動作指示、ライブ通信チャネルの組み合わせを受け付ける。編集版は、ソース動画ストリームと置換用素材を受け付ける。
文書では、密結合型とコンポーネントベースの導入も区別されている。マネージド版は、通信、音声、言語、ボイスのスタックをより多く提供する。コンポーネント版では、顧客が独自のリアルタイム通信および音声システムを接続できる。
このアーキテクチャは発表の重要な部分だ。Viduは研究モデルや選別されたデモを提示しているだけではない。ライブ生成動画を、開発者が顧客サービス、教育、コマース、ゲーム、エンターテインメント製品に組み込めるインフラとして位置付けている。
ただし、このリリースを汎用的な世界シミュレーターと混同すべきではない。S2-Avatarは生成キャラクターを中心とし、S2-Editingは入力ストリームに従う。空間拡張はステレオ表示を加えるが、永続的な3次元理解を確立するものではない。
真の転換点はレンダリングから継続的制御へ
中心的な仕組みは、ストリームの未知の未来を見ずに次のセグメントを生成する因果生成だ。
従来の拡散動画システムは、反復的なノイズ除去ステップを通じて動画クリップ全体を処理することが多い。この手法は、固定されたシーケンス全体でフレームを協調させるうえで役立つ。一方で、システムがクリップの完了を待つため、即時の対話を難しくする。
ライブモデルは反対の制約に直面する。すでに利用可能な参照、指示、履歴だけを使って次のフレームを生成しなければならない。まだ発生していない動作やカメラ移動を確認することはできない。
この因果的な処理は、誤差の蓄積を招く。アイデンティティ、プロポーション、動き、背景の小さな変化が、あるセグメントから次のセグメントへ伝わる可能性がある。説得力のある冒頭でも、より長い会話の間に徐々に不安定になることがある。
Viduは、この学習への対応をSelf-Replay Forcingと呼ぶ。システムはまず、より長い自己回帰ロールアウトを生成する。つまり、過去の出力に部分的に基づいてセグメントを生成する。その後、生成された履歴にノイズを加え、学習中に軌跡を再生する。
この再生により、勾配ベースの学習に向けてセグメント間の接続が維持される。より簡単に言えば、シーケンスの後半で現れた誤差が、前半のセグメントをどのように修正するかに影響できる。Viduは、これによってモデルが実際のストリーム中に遭遇する状況をより適切に反映できると主張している。
この手法は、クリーンな履歴フレームまたはノイズを含む生成状態のいずれかを用いてモデルを学習させる従来手法を拡張するものだ。Viduによれば、これらの手法は最適化中に長い生成軌跡を完全には接続していなかった。その再生段階は、効率と長時間セッションの安定性を向上させることを意図している。
解像度も別の制約となる。メインの生成モデル内ですべてのフレームを720pで生成すれば、より多くの計算量を必要とし、遅延も増加する。そこでViduは、低解像度の出力を引き上げる軽量なワンステップリファイナーを説明している。
これにより、因果バックボーンは動きと連続性に集中できる。別のリファインメントステップが、フレームが視聴者に届く前にディテールを復元する。この設計は、高速な時間的生成とコンパクトな超解像を分業させる構造に似ている。
Viduは、キャラクターの動きに用いる学習データも変更した。チームはソロダンス素材に加え、2次元および3次元アニメーションを追加した。背景を安定化させることでサンプルを破棄する代わりに、移動カメラの映像をより多く保持した。
キャプションはイベントの順序に従って整理された。この選択は、ストリーミング指示が時間とともに展開するため重要だ。時間順に並んだ説明は、どの動作が先に起こるべきかについて、モデルにより明確な情報を与える。
Viduによれば、人間の選好に基づく強化学習は、自然な動き、表情、指示追従をさらに改善した。ただし、論文では各学習変更の寄与を個別に切り分けていない。最終結果には、新データ、再生学習、リファインメント、選好最適化、サービング改善が組み合わされている。
Vidu S2-Editingは、frame-aligned attentionと呼ばれる別の仕組みを導入している。生成される各ターゲットフレームは、同じ時点のソースフレームを参照する。参照画像は編集シーケンス全体を通して利用可能なままだ。
この制約は、元の動きとタイミングの維持に役立つ。ソースストリーム内の人物が腕を上げれば、置換キャラクターもその瞬間に腕を上げるべきだ。システムは、無関係な動作スケジュールを作り出すことなく外観を変更する。
その後、ソースフレームは対応するターゲットフレームの生成後にアクティブキャッシュから削除される。これにより、継続中のストリームにおけるメモリ増大が抑えられる。このような制限がなければ、セッションが長くなるにつれて処理要件が増加する可能性がある。
こうした仕組みは、今回の公開が単なる機能群以上のものである理由を示している。Viduは、拡散ベースの動画を継続的なコンピューティング表面へ変えようとしている。すべての対話は、セッションを止めずにモデルが解釈しなければならない新たな状態を生み出す。
この設計は、より厳格な成功の定義も生み出す。事前録画動画では、進捗バーの背後に生成遅延を隠せる。ライブキャラクターでは、遅延、ドリフト、指示の取りこぼし、視覚的な不安定さが即座に露呈する。
RunwayとPixVerseはすでに同じインターフェースをめぐる競争を加速させている
Viduは、完成済みクリップを応答性のある動画セッションへ置き換える活発な競争に参入している。
Runwayは2025年12月、世界、キャラクター、ロボティクス向けのリアルタイムモデル群としてGWM-1を公開した。同社のキャラクターシステムは、参照画像から会話可能な人物を生成する。ワールドモデルは、移動可能な環境とアクション条件付きシミュレーションを重視している。
Runwayは後に、Charactersを表情、眼球運動、リップシンク、ジェスチャーを生成できる動画エージェントAPIとして説明した。同社は毎秒24フレームと、話者が話し終えた後のサーバー側応答を報告している。
これらの数値は、Viduが報告したフレームレートと直接比較できるものではない。フレーム毎秒は出力スループットを測る一方、会話のターンアラウンドは応答遅延を測る。動画を滑らかに描画できるモデルでも、新たな指示への反応は遅い場合がある。
Runwayの新しいinteractive worldsは、継続的なカメラ制御、テキストで指示するアクション、生成音声を追加している。このシステムは、Viduのより限定的なキャラクターとストリーム編集の組み合わせではなく、探索可能な環境を対象としている。
PixVerse R1はさらに広い主張をしている。PixVerseはR1を、継続的な1080p動画を生成し、マルチモーダル入力に応答するリアルタイム世界モデルと説明している。想定用途にはゲーム、ライブエンターテインメント、トレーニングシミュレーション、コマースが含まれる。
PixVerse R1 launchは、持続的な視聴覚世界を強調している。Vidu S2は、既存のライブ動画の最中にキャラクター、衣服、視覚スタイル、背景を変更することをより重視している。
Odysseyは別の経路をたどっている。同社のモデルは、ユーザーがアクションを通じて移動するオープンエンドな環境を生成する。同社は製品を、アバターまたはライブカメラ編集サービスではなく、世界シミュレーターとして位置付けている。
こうした違いが、競争における主要な分岐を生み出している。Runway、PixVerse、Odysseyは、シミュレートされた世界の各バージョンを提供している。Viduは、応答性のあるキャラクターと編集可能な動画ストリームを中心とするインターフェースを構築し、それらのストリームをステレオ表示へと拡張している。
そのように焦点を絞ることには、商業的な価値がある。チューター役のキャラクター、ショッピング配信のホスト、ゲームキャラクター、インタラクティブなパフォーマーを開発する人々は、必ずしも完全にシミュレートされた世界を必要としているわけではない。必要なのは、安定したアイデンティティ、同期した音声、予測可能なジェスチャー、そして許容可能なレイテンシだ。
Vidu S2-Editingは、実用面での競争力も提示している。多くのリアルタイム動画製品は、シーンを内部で生成する。外部カメラやアップロード済みストリームを編集できれば、ユーザー本来のタイミング、身体の動き、パフォーマンスを維持できる。
ライブコマースの司会者を考えてみよう。完全に合成されたホストを生成するには、モデルが話し方、表情、ポーズ、製品とのやり取りを制御しなければならない。司会者の実映像を編集する方式なら、人間が動きを担い、モデルは衣服や周囲の環境を変更できる。
この役割分担は、一部の制御上の問題を軽減し得る。一方で、製品の周囲で手が自然な形を保てるか、動作中に衣服が正しく反応するかといった別の課題も生じる。Viduの論文には選定された例が含まれているが、それらの事例があらゆるポーズや物体との相互作用を代表するわけではない。
同じトレードオフはエンターテインメントにも当てはまる。キャラクター置換により、従来のモーションキャプチャ準備なしで、演者がアニメーションキャラクターを動かせる可能性がある。ただし制作チームは、輪郭のちらつき、アイデンティティの漏出、急激な動きの後の復元に注意を払うだろう。
Viduが報告する720p出力は、PixVerseが主張する1080p解像度にも及ばない。ただし、企業ごとにハードウェアやテスト条件が異なるため、解像度だけで品質は決まらない。レイテンシ、一貫性、指示への応答性、運用コストも同等に重要だ。
各社は「リアルタイム」の定義も異にしている。モデルの処理速度を報告する企業もあれば、表示フレームを報告する企業、ユーザーが体感する応答性を説明する企業もある。共通のレイテンシ計測プロトコルがなければ、見出しの仕様は誤った比較を生みかねない。
この点で、開発者アクセスは重要になる。公開デモでは明白な視覚的欠陥を確認できるが、APIがあれば、ネットワーク条件やセッションの長さをまたいだ再現可能なテストが可能になる。企業の購入者は、自社の言語、キャラクター、カメラ入力、安全要件を検証する必要がある。
Viduのモデルマップでは、想定用途としてソーシャルコンパニオン、教育、コマース、ゲームキャラクター、動画制作、ライブストリーム編集が挙げられている。この幅広さは事業機会を示している。同時に、洗練された1本のデモだけで製品全体を検証することはできないことも意味する。
Viduのベンチマークは有望だが独立検証ではない
論文は強い数値を提示しているものの、結論の大半は依然として企業主導の評価と選定された比較に依存している。
Viduは、S2-EditingがStreamAV-Benchで総合スコア3.74を達成したと報告している。また、指示追従、前景の動き、背景のダイナミクス、視覚品質で首位のスコアを記録したとも報告する。
OpenVEとRefVIEを組み合わせた評価では、ViduはJoint Overallスコア4.26を報告している。報告された設定で最も強力なオフラインベースラインであるBernini-R 14Bは3.92で、差は0.34ポイントだった。
モデルの報告されたRefVIE総合スコアは3.78だった。これはストリーミング型のDecart-Lucy2.5の結果を0.07上回った。このような小さな差には、不確実性の分析が必要だ。モデルのバージョンや評価者設定が結果に影響し得るためである。
バーチャル試着について、論文はViViDテストセットでVFIDスコア9.9515を報告している。この分布距離指標では低いほど良い。CatV²TONは19.5131、ViViDは同じ表で21.8032を記録した。
これらの結果は、論文が選択した設定において潜在的に大きな優位性を示している。ただし、ライブ小売映像で同等の性能が得られることを立証するものではない。制御されていない照明、重ね着、素早い回転、鏡、手による遮蔽は、異なる失敗を引き起こし得る。
アバター評価には、公開システムと商用製品が含まれる。Viduは、総合品質においてRunway Character GWM-1に対する選好率が85.7パーセントに達したと報告している。また、PixVerseおよびHeyGenとの一部の比較では、満場一致の選好を得たとも報告する。
割合は分母を示さなければ決定的に聞こえ得る。85.7パーセントという結果は、少数のペア比較判断、あるいは限定的なケースから導かれた比率を反映していることが多い。論文は、そのサンプル設計を踏まえて読むべきだ。
内部編集ベンチマークには、150のペアケースが含まれている。Viduは、時間的一貫性スコア3.56を報告しており、Decart-Lucy2.5の2.59、XMax-X2.0の1.67と比較している。著者らは、対応する元動画、参照画像、プロンプト、時間サンプリングを使用した。
この制御された設定は、テスト内での公平性を高める。しかし、ベンチマークを独立したものにするわけではない。企業が依然としてケースを選び、システムを設定し、分析を報告している。
Viduの定性的な例は、対象とする失敗モードを理解するうえで有用だ。動作中の衣服置換、キャラクター代替、背景変更、水彩画風のレンダリングが示されている。比較では、余分な人物、不正確な衣服、ぼやけ、競合出力におけるアイデンティティのドリフトが強調されている。
読者はこれらの図を、選定条件下でモデルが実行できることを示すデモとして扱うべきだ。失敗率の推定ではない。論文は、制約のないライブセッション全体でシステムが類似のアーティファクトをどの程度の頻度で生むかを報告していない。
レイテンシ報告も依然として別の不足点である。提示された毎秒25〜42フレームの範囲は、生成スループットを表している。指示からフレームまでのレイテンシ、ネットワークのオーバーヘッド、ストリーム初期化、接続問題後の復旧を完全には説明していない。
比較対象として、Runwayはそのキャラクターシステムについてフレームレートとサーバー往復時間の両方を公開している。ただし、これらの数値でさえ完全なベンダー横断ベンチマークにはならない。ハードウェア、地域、入力長、サービス負荷は依然として異なる。
音声処理についても明確化が必要だ。Vidu S2-Avatarは音声駆動のインタラクションを中心に構築されているが、編集モデルは主に視覚変換に焦点を当てている。論文は、編集済みストリームが音声、環境音、リップシンクをどのように保持するかを十分に説明していない。
モデレーションも別の運用上の課題を生む。Viduの開発者向けドキュメントにはモデレーションの選択肢が含まれているが、製品チームには禁止対象となるアイデンティティ、なりすまし対策、生体情報に関する同意、インシデントレビューについてさらに詳しい情報が必要だ。
キャラクターや衣服の置換は、正当なクリエイティブ作業を支援し得る。同じ機能は、なりすましや欺瞞的なライブ配信にも利用され得る。企業導入には、録画完了後だけでなく、ストリーミング速度で機能する制御が必要だ。
したがって、証拠を最も妥当に読むなら慎重な評価になる。Viduは、複数のテストで競争力のある結果を持つ充実した技術システムを公開している。独立した評価者は、レイテンシ、一貫性、選好に関する主張を再現する必要がある。
空間動画は実現可能性の検証であり、完成したVRプラットフォームではない
Viduの空間動画パイプラインはビジョンを広げるが、論文が没入感について提示する証拠は、アバターや編集に比べて少ない。
空間動画は、視聴者の左目と右目に別々の視点を提供する。わずかな視点差によって、対応ヘッドセット内で奥行きの知覚が生まれる。説得力のあるストリームは、不安定なジオメトリを生じさせることなく、その差異を維持しなければならない。
Viduは、この出力を生成する2つの経路を説明している。アバター経路は、単眼の生成ストリームから始まる。システムは各フレームの深度を推定し、そのストリームを同期した左目・右目のビューに変換する。
編集経路は、単眼またはステレオスコピック入力を受け付ける。単眼動画では、S2-Editingがステレオ変換の前にストリームを変換する。既存のステレオ入力では、システムがペアのビューを結合して処理し、その後に再び分離する。
これらの出力はVRヘッドセットへストリーミングできる。原理上、ユーザーは、目に見える奥行きを持つシーンを占めているように見える生成キャラクターと会話できる。また、没入型ストリームにスタイルやキャラクターの変更を適用することも可能だ。
ここで重要なのは「explore」という言葉だ。論文は定性的な空間動画の例を示しているが、ヘッドセットを用いたユーザー調査は報告していない。また、ステレオ視差の精度や左右の時間的一貫性に関する定量指標も欠いている。
これは軽微な欠落ではない。平面動画は、ある程度の深度誤差があっても身体的な反応を起こさずに済む場合がある。だが、矛盾するステレオ手掛かりは、ヘッドセットで眼精疲労、不快感、あるいは弱い臨場感を引き起こし得る。
モーション・ツー・フォトン・レイテンシも重要だ。この指標は、ユーザーの動きから対応する表示更新までの遅延を対象とする。Viduの動画フレームレートは、許容可能なモーション・ツー・フォトン性能を示すものではない。
システムには、髪、手、透明な物体、動く境界の周囲で安定した深度も必要だ。深度誤差は、前景と背景の不正確な分離を生み得る。ステレオ変換は、通常のディスプレイでは目立たないアーティファクトを増幅する可能性がある。
より深い問題は、シーン表現に関するものだ。単眼ストリームを2つのビューへ変換することは、永続的な三次元世界を維持することと同義ではない。すべての物体の周囲を自由に移動できなくても、ステレオの奥行きを作り出すことはできる。
RunwayとOdysseyは、移動可能な環境を中心的な目標として強調している。Viduの空間技術は、アバター生成と編集のステレオ表示を重視している。これらのアプローチは重なる部分もあるが、異なる問題を解決している。
それでもViduの経路には価値があり得る。多くの没入型アプリケーションは、着席または正面を向いた視点を用いる。トレーニング用キャラクター、案内付き小売セッション、パフォーマンス、ソーシャルインタラクションは、必ずしも制限のない移動を必要としない。
リアルタイム編集は、既存の空間カメラにとっても有用になり得る。ペアになったビュー全体で衣装や背景を確実に変更するシステムは、大量のポストプロダクション作業を削減できる。このワークフローを成功させるには、両目に一致する編集が提供されなければならない。
Viduの現時点の証拠は、そのレベルの信頼性を確立していない。論文は代表的な左目・右目の出力を示しているが、広範なステレオベンチマークを提示していない。また、多様な動作を対象とした継続的なヘッドセットテストも省略している。
商用提供の状況も不明確だ。Viduは利用可能なアバターおよび編集体験を公開している一方、空間動画の節は研究の方向性として読める。購入者は、3つの要素すべてが同等に成熟していると想定すべきではない。
したがって、この空間技術は戦略的なシグナルとして機能する。Viduは、ストリーミングアーキテクチャをブラウザ上のキャラクターやカメラエフェクトの先へ広げようとしている。没入型ディスプレイ向けのライブ生成レイヤーになるという意図を示している。
その意欲が信頼に足るものになるには、新たな証拠が必要だ。有用なテストには、ステレオの一貫性、エンドツーエンドのレイテンシ、ヘッドセットの快適性、深度の安定性、長時間セッション中の性能が含まれる。専用の空間動画システムとの独立比較も、さらなる助けになるだろう。
Vidu S2がデモを超えられるかを決める3つのシグナル
次の段階は、再現可能なレイテンシ、継続的な開発者利用、検証済みの空間性能にかかっている。
第1のシグナルは、標準化されたレイテンシ報告だ。Viduは、毎秒フレーム数と併せて、指示から可視の応答までの時間を公開すべきである。結果では、ハードウェア、ネットワーク地域、解像度、セッション長、パーセンタイルレイテンシを特定すべきだ。
これにより、キャラクターが単に滑らかに動くのか、それとも実際に素早く反応するのかが分かる。また、動的な参照が応答時間にどのように影響するかも示せる。新しい衣服や背景は、通常の会話ターンより多くの処理を必要とする可能性がある。
独立テストでは、コールドスタート時間と長時間セッションでの挙動を測定すべきだ。また、急な指示、矛盾する参照、ネットワーク中断後の復旧も追跡すべきである。安定した平均性能は、深刻なテールレイテンシの問題を隠し得る。
これらの結果が引き続き良好であれば、Viduのメカニズムに基づく主張はより説得力を増す。滑らかな出力が遅いインタラクションを覆い隠しているだけなら、この製品はデモンストレーションや軽度のインタラクティブ体験により適したままとなる。
第2の指標は、Vidu APIを通じた開発者による実際の採用だ。プロダクトチームは、S2が外部の音声認識、言語モデル、音声システム、リアルタイム通信プロバイダーと連携できるかを報告すべきである。
統合が成功すれば、コンポーネント版が単なる設定オプション以上の価値を提供していることが示される。開発者がタイミング、アイデンティティの一貫性、モデレーションの網羅性を損なうことなくパイプラインを制御できることの証明にもなる。
最も有益な導入事例は、プロモーション用クリップではなく、反復的なセッションを含むものになる。教育、コマース、ゲーム、カスタマーサポートにはそれぞれ異なる要件がある。アクセント、中断、身体の動き、製品の取り扱い、予測不能なユーザー指示が露わになる。
こうした導入を評価するチームは、プロンプト、観察結果、失敗事例を検索可能なナレッジベースに保存すべきである。その記録があれば、単発のデモから得た印象に頼るのではなく、モデル更新を比較しやすくなる。
継続的な利用の証拠は、Runway CharactersやPixVerse R1に対するViduの立場を強化する。厳重な監督を伴う限定的なパイロットにとどまるなら、運用上の信頼性は依然として未完成であることを示唆する。
第3の指標は、定量的な空間ビデオのリリースだ。Viduには、左右並列のステレオサンプル以上のものが必要である。深度精度、両眼間の一貫性、モーション・トゥ・フォトン遅延、対応ヘッドセットによる快適性の結果を報告すべきだ。
公開された空間デモがあれば、研究者は高速な動き、細かな境界、反射する物体、混雑したシーンを検証できる。また、このシステムが固定視点の体験だけをサポートするのか、より柔軟な没入型インタラクションにも対応するのかも明確になる。
ヘッドセットでの強力な結果は、Vidu S2リアルタイムビデオの意味を広げる。このシステムは、生成キャラクター、ライブ編集、没入型ディスプレイをつなぐ信頼できる橋渡しとなる。結果が弱ければ、空間ビデオは将来性のある拡張機能にとどまる。
競合他社の対応も有用な文脈を提供する。Runwayは制御可能なオーディオ・ビデオ世界へと進み、PixVerseとOdysseyは永続的なシミュレーションを強調している。Viduは、ライブ編集と動的参照が防御可能な優位性をもたらすことを示さなければならない。
開発者にとって、実務上の問いはすでに明確だ。アプリケーションに必要なのは、生成された世界、会話可能なキャラクター、それとも実在するパフォーマンスの変換なのか。Vidu S2が最も差別化されるのは3番目のカテゴリであり、そのカテゴリがアバターと重なる領域でもある。
エンタープライズの購入担当者にとっては、評価を解像度ではなく遅延と一貫性から始めるべきだ。本番環境で想定される最も難しい身体の動き、参照画像、衣服、背景をテストする。識別可能な人物を導入する前に、安全性レビューを含める。
Viduはストリーミングシステムを固定アバターの参照モデルから進化させ、魅力的な編集系統を追加した。このローンチにより、継続的な制御が製品の中心的な考え方となり、空間ビデオはその考え方をVRへと拡張する。
証拠は有望だが、不均一でもある。アバターと編集に関する主張には、ベンチマーク、アーキテクチャの詳細、利用しやすいインターフェースが伴う。空間ビデオの主張は、重要な測定値がなお欠けている初期段階の技術的方向性にとどまる。
今後1〜3か月で、Viduが比較可能な遅延データを公開し、継続的なAPI統合を引き付け、空間パイプラインを意味のあるテストに開放するかどうかが明らかになるはずだ。これらの指標が、S2がインフラストラクチャとなるのか、印象的なデモンストレーションにとどまるのかを決定する。
