/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Wan2.2-S2V-14B
Опубликована
11 дек 2025

RealVideo

Мультимодальная модель

RealVideo — система видеозвонков, которая превращает текстовый ввод в голосовой ответ и синхронизированное разговорное видео в реальном времени.

0скачиваний за 30 дней106лайковвеса обновлены11 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

RealVideo — система видеозвонков в реальном времени от zai-org, использующая GLM-4.5-AirX и GLM-TTS для генерации голосовых ответов и автокорреляционную диффузию для создания соответствующих видеокадров. Репозиторий связан с дообученной Wan-AI/Wan2.2-S2V-14B и содержит веса PyTorch.

Система принимает текстовые сообщения, генерирует речь и синхронизированное с аудио разговорное видео на основе входного изображения. Обмен сообщениями организован через WebSocket с двусторонней связью; заявлены клонирование голоса и генерация видео в реальном времени. В метаданных указан тег задачи any-to-any и поддержка английского и китайского языков.

Лицензия — MIT. Описание не раскрывает точные требования к оборудованию, задержку, ограничения на длительность видео или условия клонирования голоса; заявленная работа в реальном времени не сопровождается количественными показателями.

Сценарии применения

  • создание видеозвонка с голосовым AI-ответом на текст
  • генерация синхронизированного с речью видео по входному изображению
  • создание говорящего аватара для диалога
  • клонирование голоса для озвучивания текстовых ответов
  • двусторонняя передача сообщений через WebSocket

Ограничения

Поддержка реального времени заявлена без численных показателей задержки или производительности; требования к оборудованию и максимальная длительность видео не описаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RealVideo

RealVideo is a WebSocket-based video calling system that supports text input. It leverages GLM-4.5-AirX and GLM-TTS models to generate audio responses and utilizes autoregressive diffusion to generate corresponding video frames. The system features a modular design with full functionality and a clean code structure. Visit blog here!

Features

  • Text Input: Supports text message input.
  • AI Voice Response: Integrates GLM-4.5-AirX and GLM-TTS models to generate voice responses.
  • Lip Sync: Generates real-time conversational video based on any input image and audio.
  • Real-time Communication: WebSocket-based real-time bidirectional communication.

Quick Start

you can check in our GitHub.

Technical Highlights

  • Model Integration: Allows for convenient and quick voice cloning, taking text input to generate audio output.
  • Modular Design: Clear code structure, easy to maintain and extend.
  • Real-time Performance: Optimized audio processing and real-time video generation algorithms.

Acknowledgements

This project utilizes the following open-source libraries:

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
1447f2d

0 моделей