Vivix คืออะไร: แพลตฟอร์มสร้างสรรค์ AI มัลติโมดัลเรียลไทม์แบบดูเพล็กซ์เต็มรูปแบบ

Vivix คืออะไร

Vivix คือแพลตฟอร์มสร้างสรรค์ AI ที่มุ่งเน้นโมเดลมัลติโมดัลแบบโต้ตอบเรียลไทม์ ผลิตภัณฑ์หลักประกอบด้วย: Vivix-A1 โมเดลดูเพล็กซ์เต็มรูปแบบแบบเรียลไทม์แรกของโลก สามารถสร้างตัวละคร AI แบบโต้ตอบที่มีการเคลื่อนไหวทั้งตัว ฟังได้ พูดได้ และทำได้; Vivix-W1 โมเดลมัลติโมดัลเนทีฟแบบสตรีมมิง ที่เป็นทั้งเอนจิ้นเล่าเรื่องโต้ตอบซึ่งสามารถเปลี่ยนทิศทางเรื่องราวแบบเรียลไทม์ผ่านเสียง ข้อความ และการสัมผัส ตลอดจนรันไทม์วิดีโอแบบเรียลไทม์ Vivix IVI Vivix ได้พัฒนาเทคนิคการกลั่นกรอง MJD การควอนไทซ์ NVFP4 และเอนจิ้นอินฟิเรนซ์ VMI ด้วยตนเอง ทำให้โมเดลขนาดเกือบ 30B พารามิเตอร์สามารถทำงานแบบเรียลไทม์บน GPU ระดับผู้ใช้ทั่วไป ด้วยความหน่วงในการโต้ตอบต่ำกว่า 1 วินาที โดย Vivix-A1 ได้เปิด API แล้ว

ฟังก์ชันหลักของ Vivix

• การสร้างตัวละครแบบทั้งตัว: Vivix-A1 สามารถสร้างดิจิทัลฮิวแมนแบบทั้งตัวที่เดินได้ หันได้ หยิบของได้ และเต้นได้แบบเรียลไทม์
• การโต้ตอบแบบดูเพล็กซ์เต็มรูปแบบเรียลไทม์: ผู้ใช้สามารถขัดจังหวะด้วยเสียงได้ทุกเมื่อ การเคลื่อนไหว แสดงออกทางสีหน้า และการตอบกลับของตัวละครจะเปลี่ยนทันทีโดยไม่ต้องหยุดเพื่อสร้างใหม่
• ผลลัพธ์ภาพและเสียงที่ซิงค์กัน: เสียง แสดงออกทางสีหน้า ท่าทาง และเสียงรอบข้างถูกสร้างในแบบจำลองรวมกันแบบเนทีฟ ไม่มีรอยต่อ
• การสร้างเรื่องราวโต้ตอบ: Vivix-W1 รับคำเดียวสามารถสร้างเรื่องราวภาพและเสียงที่พัฒนาต่อเนื่องได้ และผู้ใช้สามารถเปลี่ยนทิศทางเรื่องราวแบบเรียลไทม์ได้
• อินพุตแบบมัลติโมดัล: รองรับเสียง ข้อความ รูปภาพ การคลิก และการสัมผัสเป็นช่องทางในการมีส่วนร่วม
• การประยุกต์ใช้ไลฟ์คอมเมิร์ซ: ดิจิทัลพรีเซนเตอร์สามารถเดินไปมาและโชว์สินค้าได้อย่างอิสระ และทีมปฏิบัติการสามารถปรับทิศทางการถ่ายทอดแบบเรียลไทม์ด้วยเสียง
• ความหน่วงต่ำมาก: ความหน่วงของเฟรมแรกต่ำกว่า 0.6 วินาที การตอบสนองต่อการขัดจังหวะ 300–900 มิลลิวินาที ความหน่วงแบบ end-to-end ต่ำกว่า 1.7 วินาที
• ทำงานเรียลไทม์บนฮาร์ดแวร์ระดับผู้ใช้ทั่วไป: โมเดลที่มีพารามิเตอร์ใช้งานเกือบ 30B ผ่านการกลั่นกรอง MJD และการควอนไทซ์ NVFP4 สามารถอนุมานแบบเรียลไทม์บน GPU ระดับผู้ใช้ทั่วไปเพียงการ์ดเดียว ต้นทุนต่ำกว่า 1 ดอลลาร์ต่อชั่วโมง

วิธีใช้ Vivix

• สมัครและรับ API Key: เข้าไปที่แพลตฟอร์ม Vivix API ที่ platform.vivix.ai สมัครบัญชี และสร้าง API Key ในแดชบอร์ดนักพัฒนา คำขอทั้งหมดใช้ https://api.vivix.ai/ เป็น base URL และแนบ Bearer authentication
• เลือกโมเดล: เลือกซีรีส์ A (การโต้ตอบ Avatar แบบเรียลไทม์ หรือวิดีโอ Avatar ขับเคลื่อนด้วยสคริปต์) หรือซีรีส์ W ตามความต้องการ เช่น vivix-a1-stream, vivix-w1-stream
• สร้างเซสชัน: ผ่าน REST interface ส่ง POST ไปที่ /v1/realtime-avatar/sessions เพื่อกำหนดโหมด รูปภาพลักษณะตัวละคร เสียง คำสั่งบุคลิก การรู้จำเสียง (เช่น server_vad) และพารามิเตอร์อื่น
• สร้างการเชื่อมต่อแบบเรียลไทม์: หลังได้รับ session_id ให้ควบคุมเซสชันผ่านช่องควบคุม WebSocket (wss://api.vivix.ai/v1/realtime-avatar/control) ส่วนเอาต์พุตภาพและเสียงส่งผ่านสตรีม RTC (TRTC)
• ขับเคลื่อนการโต้ตอบ: เขียนเสียงหรือข้อความของผู้ใช้ลงในบริบทบทสนทนา Avatar จะสร้างคำตอบแบบเรียลไทม์และส่งออกแบบสตรีมทั้งเสียง วิดีโอ และคำบรรยายทีละคำ รองรับการขัดจังหวะระหว่างดำเนินการ
• แทรกแซงแบบเรียลไทม์: ผ่านอินเทอร์เฟซ Streaming Control สามารถสลับรูปภาพ/ตัวละคร ส่งคำสั่งการเคลื่อนไหว หรือส่งเสียงจากสคริปต์โดยตรงระหว่างการสร้างได้โดยไม่ต้องเริ่มใหม่
• รูปแบบโลก W1: ขับเคลื่อนเรื่องราวด้วยเหตุการณ์ (Event) แบบเปิดที่สามารถยกเลิกได้ก่อนมีผล สนับสนุน hold/pause และ resume ของเซสชัน สามารถแทรกเหตุการณ์ใหม่เปลี่ยนทิศทางเรื่องราวได้ตลอดเวลา

ข้อได้เปรียบหลักของ Vivix

• การโต้ตอบแบบดูเพล็กซ์เต็มรูปแบบแท้จริง: ทะลวงโหมดกึ่งดูเพล็กซ์แบบคำขอ-ตอบกลับ โมเดลสามารถรับอินพุตใหม่และเปลี่ยนเนื้อหาทันทีได้แม้ขณะสร้างภาพและเสียงต่อเนื่อง
• การเคลื่อนไหวทั้งตัวของตัวละคร: A1 เป็นโมเดลเรียลไทม์แรกที่รองรับการสร้างการเคลื่อนไหวทั้งตัวอย่างสมบูรณ์ ตัวละครเดินได้ หันได้ หยิบของได้ แทนที่จะแค่เปล่งเสียงตรงกล้องตายตัว
• สถาปัตยกรรมมัลติโมดัลเนทีฟ: เสียง ข้อความ รูปภาพ ถูกสร้างในพื้นที่สัญญาณเดียวกัน ข้ามการต่ออนุกรม ASR+LLM+TTS การรับรู้ขับเคลื่อนพฤติกรรมโดยตรง ภาพ เสียง และการเคลื่อนไหวจึงซิงค์กันอย่างเป็นธรรมชาติ
• ความหน่วงต่ำมาก: เฟรมแรก < 0.6 วินาที การตอบสนองต่อการขัดจังหวะ 300–900 มิลลิวินาที end-to-end < 1.7 วินาที ความหน่วงโต้ตอบต่ำกว่า 1 วินาที
• พารามิเตอร์ใหญ่ + ทำงานเรียลไทม์บนระดับผู้ใช้ทั่วไป: พารามิเตอร์ใช้งานเกือบ 30B ร่วมกับอัตราบีบอัดคุณภาพสูง 8x8x4 ผ่านการกลั่นกรอง MJD และการควอนไทซ์ NVFP4 ช่วงเทรน สามารถสร้างวิดีโอ tokens/s เกิน 10,000 บน GPU ระดับผู้ใช้ทั่วไปเพียงการ์ดเดียว ต้นทุนอินฟิเรนซ์ต่ำกว่า 1 ดอลลาร์ต่อชั่วโมง
• สถาปัตยกรรมสตรีมมิงเนทีฟที่ขัดจังหวะได้: การออกแบบแยกโคเดก VMI ร่วมกับการสร้างแบบ因果 (causal) คำสั่งใหม่ถูกเพิ่มลงในลิงก์การถอดรหัสโดยตรง โดยไม่ต้องหยุดการสร้างปัจจุบัน

การเปรียบเทียบคู่แข่งของ Vivix

ช่องทางการประยุกต์ใช้ Vivix

• ไลฟ์คอมเมิร์ซ: ดิจิทัลพรีเซนเตอร์ปรากฏทั้งตัว เดิน ลองสวม และหยิบสินค้า ทีมปฏิบัติการปรับคำพูดและเลือกสินค้าแบบเรียลไทม์ด้วยเสียงโดยไม่ต้องหยุดการถ่ายทอด
• คู่ Companion เสมือน / โซเชียล AI: แอปประเภทแฟน AI ชาย/หญิง การเคลื่อนไหว สีหน้า และเสียงซิงค์กันอย่างเป็นธรรมชาติ ผู้ใช้ขัดจังหวะได้ทุกเมื่อ ตัวละครตอบสนองทันที
• ภาพยนตร์โต้ตอบ / ซีรีส์สั้นโต้ตอบ: ป้อนคำเดียวสร้างเรื่องราวที่พัฒนาแบบเรียลไทม์ ผู้ชมมีส่วนร่วมในการตัดสินใจเรื่องผ่านเสียงและการคลิก เปิดโหมดชม "ทุกคนคือผู้กำกับ"
• NPC ในเกมและโลกเปิด: มอบความสามารถรับรู้และกระทำอิสระให้ตัวละครเกม ผู้เล่นใช้เสียงโต้ตอบกับ NPC ได้อย่างเป็นธรรมชาติ ขับเคลื่อนเรื่องราวโลกเปิด
• ลูกค้าสัมพันธ์อัจฉริยะและที่ปรึกษาขายเสมือน: พนักงานดิจิทัลทั้งตัวออนไลน์ 7×24 สามารถสาธิตสินค้า ตอบคำถาม และตอบสนองความต้องการลูกค้าแบบเรียลไทม์ สามารถฝังในเว็บไซต์/แอป/จอขนาดใหญ่หน้างาน

คำถามที่พบบ่อยเกี่ยวกับ Vivix

Q1: Vivix มีโมเดลหลักอะไรบ้าง? A1: Vivix-A1 คือโมเดลดูเพล็กซ์เต็มรูปแบบเรียลไทม์แรกของโลก สามารถสร้างตัวละคร AI แบบโต้ตอบที่มีการเคลื่อนไหวทั้งตัว ฟังได้ พูดได้ และทำได้; Vivix-W1 คือโมเดลมัลติโมดัลเนทีฟแบบสตรีมมิง ที่ให้เอนจิ้นเล่าเรื่องโต้ตอบซึ่งสามารถเปลี่ยนทิศทางเรื่องราวแบบเรียลไทม์ผ่านเสียง ข้อความ และการสัมผัส ตลอดจนรันไทม์วิดีโอแบบเรียลไทม์ Vivix IVI

Q2: ความหน่วงในการโต้ตอบของ Vivix เป็นเท่าใด? A2: ความหน่วงเฟรมแรกต่ำกว่า 0.6 วินาที การตอบสนองต่อการขัดจังหวะ 300–900 มิลลิวินาที ความหน่วง end-to-end ต่ำกว่า 1.7 วินาที ความหน่วงโต้ตอบโดยรวมต่ำกว่า 1 วินาที

Q3: จะเชื่อมต่อกับ Vivix ได้อย่างไร? A3: เข้าไปที่แพลตฟอร์ม Vivix API ที่ platform.vivix.ai สมัครและสร้าง API Key สร้างเซสชัน realtime Avatar ผ่าน REST interface จากนั้นขับเคลื่อนการโต้ตอบภาพและเสียงผ่านช่องควบคุม WebSocket และสตรีม RTC

Q4: การ์ดจอระดับผู้ใช้ทั่วไปสามารถทำงานเรียลไทม์ได้หรือไม่? A4: ได้ โมเดลพารามิเตอร์ใช้งานเกือบ 30B ผ่านการกลั่นกรอง MJD และการควอนไทซ์ NVFP4 สามารถอนุมานแบบเรียลไทม์บน GPU ระดับผู้ใช้ทั่วไปเพียงการ์ดเดียว ต้นทุนอินฟิเรนซ์ต่ำกว่า 1 ดอลลาร์ต่อชั่วโมง