7月18日，2026世界人工智能大会（WAIC）腾讯AI 应用创新论坛在上海成功举办。虎牙公司董事长林松涛出席论坛并致辞，他表示，真实场景是AI价值的第一现场，终端是AI普及的最后一公里。当前模型能力的差距在收窄，但工程化的差距在拉开；AI普惠的标志不是最强的人变得更强，而是普通人用AI不再普通。随后，虎牙公司CEO黄俊洪的演讲则为这一理念提供了来自游戏娱乐场景的具体注脚，虎牙自研的实时多模态数字人VAM1.0，正是在一个真实的、7×24小时运转的场景中生长出来的AI应用。
虎牙公司董事长 林松涛
沙利文最新报告数据显示，中国数字人赛道年复合增长率达52%，约为全球增速的1.5倍至2倍，亚太是最大的增量市场。但市场很热，落地很冷，多数数字人仍停留在照着脚本念的阶段，能说不能听，能输出不能互动。一段三分钟视频没问题，一场三小时直播撑不住。黄俊洪认为，数字人从展示型产品走向实时交互型应用，需要同时解决稳态、拟态和动态三类问题，即长时间生成不崩、表情动作足够自然，以及能够实时聆听、实时反馈、实时互动。
此次亮相的VAM1.0，正是虎牙围绕上述行业痛点打造的最新技术成果。作为基于DiT架构的实时多模态数字人基础模型，黄俊洪一句话概括其能力：“给它一张静态照片，它还你一个能实时说话、实时聆听、实时反应的虚拟人。不是预渲染，不是录播，是每一帧都在线生成。”VAM采用三段式训练体系，一阶让它稳，通过多参考帧加运动帧锚定形象；二阶让它真，利用偏好优化算法在多目标间找到平衡；三阶让它快，推理步骤大幅压缩并引入自纠错机制。“总结来说，就是让它不崩，让它好看，让它省钱”，黄俊洪表示。性能方面，在同等推理集群下，VAM达到36.4帧每秒、首帧1.3秒，与八个主流模型对比，推理最快、延迟最低，四项核心指标全面领先且算力开销更低。
黄俊洪特别强调了VAM的交互特性，原生覆盖静默、聆听、说话三种状态。用户说话时数字人点头注视，停下来它自然接话，打断它立刻反应，弹幕和语音双通道驱动。在他看来，这是虎牙的场景优势：“大多数模型只学过怎么说，没学过怎么听。虎牙泡在直播间十几年，观众不会等你说完再发弹幕。场景，倒逼出了技术。”
据悉，VAM后续将分阶段持续迭代，在推理效率、模型表现力和成本优化三个方向同步推进，最终实现多模型融合与低成本人物风格定制。
红星新闻记者 郭晶晶
编辑 李星龙
