Soul App 开源实时数字人生成模型 SoulX-FlashHead，轻量 化模型支持“消费级”实时高保真直播

在实时数字人赛道，开发者们曾长期面临一个困扰：追求高画质就需要具备昂贵的 H800 集群，追求低成本就得忍受“面瘫”和画面崩坏。

为解决这一问题，继开源 14B 的实时数字人生成模型SoulX-FlashTalk 之后，近日，Soul App AI团队（Soul AI Lab)推出了SoulX-FlashHead。这款1.3B参数的轻量化模型，能够在单张消费级显卡（ RTX 4090 ）上跑出96FPS的工业级速度，同时实现高质量画质，为行业提供新的实时数字人方案。

SoulX-FlashHead核心亮点： 不仅是实时，更是“算力自由”

在消费级显卡上，SoulX-FlashHead 的表现：

• Lite版本（高速率）：单卡4090推理帧率可达96FPS，仅需6.4G显存，最高支持3路并发，让实时数字人模型真正走到了消费级终端上。

• Pro版本（高画质）：单卡5090推理帧率16.8FPS，双卡可实时（25fps+），FID（视觉质量指标）和Lip-sync（唇形一致指标）在benchmark上达到了SOTA，甚至超过了更大参数量的模型，解决了“小模型没好画质”的行业痛点。

原理介绍

如何让 1.3B 模型“以小博大”？SoulX-FlashHead创新引入了：

训练“先知”：双向蒸馏机制 (Oracle-Guided Distillation)

长视频生成的“身份漂移”一直是行业痛点。SoulX-FlashHead引入了“上帝视角”教师模型，利用 Ground Truth 作为先知锚点进行强约束。

效果：像给模型装了校准器，无论视频多长，人物特征始终稳定。

8秒记忆：时序音频上下文缓存 (TACC)

流式生成中，音频切片太短会导致口型抖动。

创新：强制模型缓存8秒历史音频特征，补偿上下文缺失。

体验：解决“嘴瓢”和“对不上号”问题，开播即进入理想状态。

高质量数据底座：自研 VividHead 数据集

从 10,000+ 小时素材中精炼出782 小时高质量音画数据：

严苛筛选：经过切分、DWpose 关键点、唇形一致分数过滤等多个处理步骤，为模型提供了最纯净的“养料”。

客观表现

在 HDTF 与 VFHQ 两大权威数据集的实测中，SoulX-FlashHead 展现了出色的表现：

画质新标杆：在高清视频（HDTF）评测中，Pro版本以8.31 (FID)103.14 (FVD)的成绩刷新纪录，视觉细腻度超过 一些“大参数”模型。

口型精准捕捉：面对野外复杂场景（VFHQ），凭借独创的“时序音频上下文缓存”策略，其Sync-C 得分高达 5.60，大幅领先此前相关工作，解决对不上口型的尴尬。

速度“快”：仅凭 1.3B 的轻量化体量，Lite 版本在单张RTX 4090上跑出了96 FPS的吞吐量。这不仅是实时基准（25 FPS）的近4倍，推理效率更是行业同类主流模型的100倍以上。

应用场景： “人人可用”的数字人技术

今年1月，Soul AI Lab开源了实时数字人生成模型SoulX-FlashTalk，能够实现0.87s亚秒级超低延时、32FPS高帧率，并支持超长视频稳定生成。

对比SoulX-FlashTalk，SoulX-FlashHead的价值在于，将高保真技术进一步从“算力机房”解放到了“个人工作站”，让更广泛的场景应用成为可能：

• 7x24h矩阵直播：个人主播用一台游戏 PC，即可搭建高保真电商直播间。

• 游戏NPC引擎：1.3B 体积极易集成，NPC 毫秒级响应，且不抢占核心渲染资源。

• AI一对一外教：支持 15 种语言，实时将音频转化为生动的教学画面。