人機互動的進化，Soul如何重新定義實時多模態(tài)交互丨WAIC2026

WAIC 2026現(xiàn)場，模型能力在具身智能、AI硬件等領(lǐng)域應用是最熱門的方向，“AI與人如何更好地交互”成為眾多參展者關(guān)注的話題。

過去兩年，AI語音助手、數(shù)字人、陪伴產(chǎn)品層出不窮，但大多數(shù)交互仍停留在你問我答的機械邏輯里。當通用大模型能把知識問答做得越來越好的時候，一個更本質(zhì)的問題浮出水面——AI能不能真正理解人，而不只是回答問題？

筆者在WAIC 2026現(xiàn)場體驗SoulX實時數(shù)字人及全新AI硬件B Soul后，一個清晰的信號正在浮現(xiàn)：AI交互正在從功能型應答逐漸向情緒感知、實時多模態(tài)過渡，而Soul的野心不止于做一款更好的AI社交APP，而是成為一家模型與應用一體化的AI生態(tài)公司。

一場有“活人感”的對話

在Soul的展臺上，筆者面對Soul的數(shù)字人，在沒有預設(shè)問題、沒有引導話術(shù)，就是隨便聊聊的場景下，進行了一場簡單的對話。

令人意外的是，Soul的數(shù)字人不是那種逐句等待你說完再接話的節(jié)奏，它會在你話說到一半時自然地插入回應，會在你語氣變化時調(diào)整自己的語調(diào)，甚至在你停頓猶豫的間隙里，補上一句“你是不是在想什么？”。而當筆者在它回答問題的時候，打斷它，進而轉(zhuǎn)移到其它話題的時候，它也總是能接住后續(xù)話題，并繼續(xù)展開反饋。

這種對話的感覺，不像在跟機器說話，更像跟一個朋友聊天。甚至，它給筆者的反饋要超過某些邊看手機邊與人聊天的體驗。

如果把體驗量化，可以通過一個數(shù)據(jù)來體現(xiàn)：0.87秒。這是Soul實時數(shù)字人模型之一——SoulX-FlashTalk的首幀視頻輸出延時，也是業(yè)內(nèi)首個實現(xiàn)亞秒級超低延時的14B數(shù)字人模型達到的數(shù)字。聽起來只是不到一秒鐘的差距，但在實時視頻交互中，延遲是決定用戶體驗的核心變量。

人類在面對面交談時，對方的反應時間通常在200到500毫秒之間；一旦延遲超過1.5秒，人們開始覺得對方在想，而不是在聽。傳統(tǒng)大模型驅(qū)動的數(shù)字人，延時普遍在2到5秒之間，這正是為什么大多數(shù)AI對話都像你發(fā)一條、它等一會兒再回一條的原因。

這種體驗在當前的AI產(chǎn)品中并不普遍。當前市面上的AI互動產(chǎn)品，往往各自聚焦于某一種能力：有的擅長根據(jù)角色設(shè)定持續(xù)輸出符合人設(shè)的回應，有的通過長期文字交流建立陪伴感，也有的能夠識別語音中的情緒變化。但角色回應、情緒識別和真實互動之間，往往還存在一定距離。

Soul的不同之處，在于嘗試把情緒感知、實時語音、數(shù)字表達和虛擬形象放進同一個互動過程里。AI不只是識別情緒或生成一句符合預期的話，而是結(jié)合對話語境、語氣變化和互動歷史作出回應，讓聲音、表情和語言等多模態(tài)共同參與交流，使互動更接近人與人之間自然發(fā)生的對話。

除了數(shù)字人，Soul還在WAIC 2026現(xiàn)場首次亮相了公司第一款AI硬件B Soul。這款定位AI硬件的便攜式設(shè)備，將自研大模型SoulX的語音交互、情感表達和數(shù)字生命能力融入其中。用戶可以通過配套的軟件自定義角色的名稱、性別、關(guān)系、聲音等，角色接入記憶體后能記住與用戶的交互內(nèi)容。這標志著Soul的能力正從手機屏幕走向現(xiàn)實的物理空間。

當模型長在場景里

在B Soul之中，核心的能力來自Soul自研大模型SoulX，而SoulX的定位很明確：基于情緒感知、語音為先、面向多模態(tài)的交互大模型。區(qū)別于通用大模型什么都能答的路線，Soul選擇了一條更聚焦但也更深的路徑：專注情緒感知與交互。

這個選擇是基于多年深耕行業(yè)的經(jīng)驗而做出的。成立于2016年的Soul，沒有采用當時主流社交產(chǎn)品圍繞真實照片和地理位置做匹配的模式，而選擇了一條不同的路：用戶以虛擬形象出現(xiàn)，由算法根據(jù)興趣、性格和社交偏好完成連接。當時，AI雖然尚未成為產(chǎn)品主角，卻已經(jīng)承擔起撮合者的角色。

2020年前后，Soul啟動了AIGC技術(shù)研發(fā)，圍繞情緒感知和交互方向探索自研模型SoulX。如今，Soul已構(gòu)建了包括語音生成、歌聲生成、語音轉(zhuǎn)換、多說話人轉(zhuǎn)錄、雙工實時交互、實時數(shù)字人生成在內(nèi)的核心能力體系，覆蓋語音理解、語音生成、情感表達、交互控制和多模態(tài)呈現(xiàn)等關(guān)鍵環(huán)節(jié)。

更重要的是，Soul的優(yōu)勢不僅在于單項模型能力，還在于已經(jīng)形成了“模型—產(chǎn)品—用戶—數(shù)據(jù)”的完整閉環(huán)：模型在產(chǎn)品中被使用，用戶在使用中產(chǎn)生數(shù)據(jù)，有效反饋推動模型迭代，優(yōu)化后的模型再進入產(chǎn)品。每一輪循環(huán)，模型對情緒的理解就更精確一層。這不是一個可以從外部復制的優(yōu)勢，因為它的起點是一個已經(jīng)運轉(zhuǎn)了多年的社交平臺，而非一張白紙。

2024年全球人工智能市場規(guī)模近2800億美元，2025年達7575.8億美元，預計2026年將突破9000億美元。AI落地具體的產(chǎn)業(yè)鏈，形成更大的市場空間已經(jīng)成為大趨勢，但在融入具體的場景中，大多數(shù)產(chǎn)品的留存率和商業(yè)模式仍不穩(wěn)固。一個閉環(huán)運轉(zhuǎn)的系統(tǒng)能做到的，恰恰是那些單點產(chǎn)品做不到的事：持續(xù)迭代、持續(xù)積累、持續(xù)加深對用戶的理解。

Soul App聯(lián)合中國青年報發(fā)布的《2025年大學生AI使用行為與心態(tài)洞察報告》給出了另一個維度的佐證：超九成受訪大學生已接入AI服務，年輕一代對AI交互的心理門檻正在快速降低，他們需要的不是一個更聰明的問答機器，而是一個能“接住”他們情緒的對象。而能接住情緒的前提，是先理解情緒，理解情緒的前提，是有足夠多的場景去觀察情緒。這就是閉環(huán)的價值。

數(shù)據(jù)可以說明Soul閉環(huán)的運轉(zhuǎn)效率：Soul目前已有460萬用戶日常使用AI功能，約占整體日活的40%。這意味著，每天有近一半的活躍用戶在跟AI交互，在具體的場景中，指導模型有效迭代，創(chuàng)造實際的用戶價值。

不止于社交

從一款應用到整體生態(tài)的建設(shè)，Soul正在將實時語音、數(shù)字人、內(nèi)容演繹和情緒交互能力，從Soul App延伸至AI硬件及To B產(chǎn)業(yè)場景。Soul的定位已從社交平臺升級為模型與應用一體化的AI生態(tài)公司。

SoulX自研模型體系已形成差異化互補的模型矩陣。例如，實時數(shù)字人方向，SoulX-FlashHead主打輕量化、低成本，適配消費級硬件，單卡RTX 4090即可實現(xiàn)96FPS流式推理，僅需6.4G顯存；SoulX-FlashTalk主打高幀率、低延時，適配實時直播場景；SoulX-LiveAct主打全身動作、小時級穩(wěn)定，適配長期在線復雜場景。三款模型覆蓋不同硬件條件和性能要求，滿足開發(fā)者的差異化生成需求。

例如，SoulX系列可應用于電商AI直播、短視頻制作、AI教育、NPC交互、AI客服等領(lǐng)域，現(xiàn)階段，也正面向具身智能、內(nèi)容演繹等行業(yè)輸出情緒感知與交互決策方案。這意味著，SoulX不再只在Soul App里服務社交用戶，它開始進入更廣闊的商業(yè)世界。

據(jù)了解，2026年下半年，Soul計劃在國內(nèi)市場為企業(yè)與開發(fā)者提供更豐富的一站式多模態(tài)交互能力服務，包括面向內(nèi)容演繹領(lǐng)域輸出解決方案，涵蓋有聲小說、AI漫劇、AI播客等方向。同時基于IP音色和交互技術(shù)，面向智能硬件終端提供服務。

這意味著Soul的商業(yè)模式正在從單一的C端社交服務，向B端產(chǎn)業(yè)解決方案延伸。它不再只是一家社交軟件公司，而是正成為一家模型與應用一體化的AI生態(tài)公司。

在這樣的市場背景下，一家擁有社交場景、數(shù)據(jù)閉環(huán)和模型能力的公司，輸出能力、擴展場景、建設(shè)生態(tài)，是從“做好一個產(chǎn)品”到“定義一個行業(yè)”的必經(jīng)之路。

不僅于此，據(jù)悉Soul預計于2027年啟動海外市場拓展，優(yōu)先圍繞語音生成、實時交互及內(nèi)容演繹等能力推出面向海外市場的產(chǎn)品和服務。這一步意味著，閉環(huán)的邊界將從中國市場擴展到全球，SoulX的賽道也將從國內(nèi)社交延伸到國際AI語音與人機交互市場。

此前，Soul AI團隊已開源了語音合成模型SoulX-Podcast，該模型發(fā)布后快速登頂HuggingFace TTS趨勢榜，目前在GitHub上擁有超3500星標。此外，團隊還開源了歌聲合成模型SoulX-Singer、全雙工語音對話控制模塊SoulX-Duplug、端到端多人對話轉(zhuǎn)錄模型SoulX-Transcriber，以及實時數(shù)字人方向的SoulX-LiveAct、SoulX-FlashTalk、SoulX-FlashHead等模型。開源是生態(tài)建設(shè)的杠桿：讓更多開發(fā)者用你的模型，就有更多人依賴你的基礎(chǔ)設(shè)施，就有更多場景推動模型優(yōu)化迭代。

Soul 團隊在交互方向的技術(shù)基建已經(jīng)形成了完整的鏈路：語音理解、語音生成、情感表達、交互控制、多模態(tài)呈現(xiàn)，每一個環(huán)節(jié)都有對應的模型或模塊。這不是碎片化的技術(shù)展示，而是系統(tǒng)化的能力底座。一個“模型與應用一體化”的定位，需要的就是這種從底層到場景的貫通，而不是只有幾個亮眼的單點。

AI交互的終局不是讓機器變得更聰明，而是讓機器能感知、接住、回應情緒，從而讓AI具備“活人感”。Soul正在用一套“模型－應用－場景－數(shù)據(jù)”的完整閉環(huán)，試圖回答一個更大的問題：當AI真正學會理解人的時候，人與AI的交互范式會變成什么樣子？