Vidu S1: o vídeo gerado por IA vira conversa em tempo real — numa GPU de consumidor

A geração de vídeo por IA sempre foi um correio: você escreve o pedido, espera minutos, recebe o pacote — e, se não gostou, escreve outro pedido e espera de novo. O Vidu S1, apresentado pela ShengShu Technology na Global Digital Economy Conference e desde então no topo dos papers diários do Hugging Face com 95 votos, propõe outra coisa: vídeo como streaming — gerado quadro a quadro, sem duração pré-definida, e redirecionável por voz enquanto acontece.

Na demonstração, o usuário sobe uma única foto — de uma pessoa real, um personagem de anime, um bicho de estimação —, escolhe uma voz, e o sistema anima o personagem em conversa contínua: 540p, em tempo real, respondendo a instruções faladas com expressões faciais, gestos e movimento corporal coerentes com o tom emocional do que foi dito. Tudo isso, segundo o paper, rodando em GPUs de consumidor comuns.

Como um modelo de difusão fica rápido assim?

Difusão — a técnica dominante em geração de imagem e vídeo — é naturalmente lenta: o resultado emerge de dezenas de passos de remoção de ruído. O Vidu S1 combina uma arquitetura de difusão autorregressiva (cada trecho novo de vídeo é condicionado no que já foi gerado, como um LLM condiciona a próxima palavra nas anteriores) com duas peças de engenharia batizadas de TurboDiffusion e TurboServe, responsáveis por comprimir o custo de cada passo e servir o resultado com latência de streaming.

O resultado declarado: vídeo 540p a até 42 quadros por segundo, com duração ilimitada e — a parte tecnicamente mais difícil — sem o borrão e a deriva visual que costumam corroer vídeos autorregressivos longos, em que cada quadro herda e amplifica os erros do anterior.

Por que "interativo" muda a categoria do produto?

Vale separar o avanço real do adjetivo. Modelos como Sora, Veo e Seedance geram vídeos mais bonitos, em resolução maior — o Vidu S1 não compete nesse eixo. O que ele muda é a natureza do artefato: de clipe renderizado para personagem ao vivo. Isso o coloca mais perto dos "modelos de mundo" interativos — a linhagem do Genie, do Google, e do Mira, da Kyutai — do que dos geradores de texto-para-vídeo tradicionais.

As aplicações óbvias são avatares para atendimento, ensino, entretenimento e streaming — mercados onde a China tem apetite comprovado: apresentadores virtuais já vendem em lives no país há anos, quase sempre com animação pré-renderizada ou captura de movimento. Um personagem que improvisa em tempo real, a partir de uma foto, derruba o custo dessa indústria em ordens de magnitude.

Onde mora o ceticismo?

Em três lugares. Primeiro, a resolução: 540p é suficiente para uma janela de chat, não para muito além disso — e a promessa de "GPU de consumidor" não veio acompanhada de especificação clara de qual GPU, nem de benchmarks comparativos contra outros sistemas em tempo real. Segundo, "duração infinita sem deriva" é o tipo de afirmação que só se verifica com uso prolongado e independente; o paper não traz métricas quantitativas robustas disso.

Terceiro — e mais sério —, animar pessoas reais a partir de uma única foto, com voz customizável e em tempo real, é uma descrição funcional de máquina de deepfake ao vivo. A ShengShu oferece o serviço via plataforma própria, o que permite alguma moderação, mas o paper e o código público empurram a capacidade para o domínio comum. É a tensão de sempre entre abertura e abuso, agora com latência zero.

O que observar daqui em diante

A trajetória provável é a mesma da geração de imagem: a resolução sobe, o custo cai, e a interatividade — hoje diferencial — vira requisito. Se 540p/42fps roda hoje numa placa de consumidor, a pergunta não é se o vídeo interativo em alta definição chega, mas quando. E, quando chegar, a fronteira entre videochamada, jogo e conteúdo gerado terá ficado consideravelmente mais difusa.

Perguntas Frequentes

O que diferencia o Vidu S1 de modelos como Sora ou Veo?

Sora e Veo geram clipes finitos de alta qualidade após segundos ou minutos de espera. O Vidu S1 gera vídeo contínuo em tempo real (540p, até 42 fps) e aceita comandos de voz durante a geração — é interação ao vivo, não renderização sob demanda.

O que é difusão autorregressiva?

É a combinação de duas técnicas: a difusão (gerar imagem removendo ruído em etapas) aplicada em blocos sequenciais, onde cada trecho novo é condicionado no vídeo já gerado — como um modelo de linguagem prevê a próxima palavra com base nas anteriores. Isso permite duração ilimitada, mas exige controle rigoroso do acúmulo de erros.

O modelo é aberto?

O paper é público (arXiv 2607.03118) e há código no GitHub, além de demo e API comercial em vidu.com. Os pesos do modelo de produção, porém, não foram disponibilizados abertamente.

Quais os riscos de um sistema assim?

O principal é o uso para deepfakes em tempo real: o sistema anima pessoas reais a partir de uma única foto, com voz customizável. A moderação existe na plataforma oficial, mas a técnica descrita no paper é reproduzível fora dela.