国产团队发布实时交互视频X2.0：一步跨入AI视频的GPT‑3时刻

July 23, 2026

昨天，中国团队Xmax AI推出了一款全新的实时交互式AI视频模型——「X2.0」。经过数天内测体验，它的表现既让人意外，又充满乐趣。

不同于Seedance、Kling、Wan等追求极致画质或电影感的路线，X2.0选择了一条完全不同的交互路径：它让视频从“只能观看”变成了“可以亲手操控”。

例如，输入提示词“双眼发射激光”，右侧的输出界面立刻就会生成对应画面，光影、人物面部和运动细节都能精准匹配。

选择一个角色，画面中的人物瞬间就能切换成早川秋，动作、表情完全同步。

指定一件衣服即可一键换装，只有服装会改变，其他元素保持不变。

在手机上用手指捏一捏小狗的头，它便活灵活现地跟随手指动起来。

而且，以上所有效果都是实时生成出来的。

解读X2.0：它究竟是什么？

目前大家熟悉的AI视频模型，无论是Seedance、可灵还是Wan，其逻辑都差不多：写一段提示词，点击生成，然后等待。等它渲染完毕，会输出一段固定的视频文件。你只能观看，无法修改。

Xmax AI截然不同。

打个比方，其他模型像“看电影”，片子早已拍好剪辑完成，你从头看到尾，剧情一个字都改不了；而X2.0像“打游戏”，画面完全根据你的操作实时生成，你往左它就往左，你伸出手它就变化。你不再是观众，而是玩家。

官方将其定位为“视频流的操作系统”。这个说法听上去野心勃勃，但在体验之后我得承认，它确实捕捉到了核心——视频不再是一个既定的结果，而是一个能被实时操控的交互媒介。

响应速度有多快？毫秒级，几乎零延迟，真的就像刷抖音一样，手指划到哪里画面就变到哪里，中间没有那种令人焦躁的转圈等待。

今年2月，Xmax AI发布了第一代模型X1，在海外社交媒体引起了不少关注，但当时的能力还停留在“技术秀”的阶段。

时隔5个月，他们带来的X2.0在多个方面都做了升级：

画质升级，从480p提升到960p、24fps；
速度提升，毫秒级响应，几乎零延迟；
交互升级，新增实时换人、换装等能力，也支持自定义提示词。

目前，X2.0已在platform.xmaxai.com开放体验。首次注册赠送600积分，差不多够玩10分钟的视频。同时也开放了商用API，可以直接接入自己的产品。

实际体验：五大功能逐一试玩

这次X2.0带来了三大类、五项主打能力，下面一一说明。

1）实时重渲染

简单说，就是实时替换摄像头或视频里的主体，角色、服装、视觉风格都能换。

它又细分为三个：CharX换人（人变、背景不变）、ClothX换装（只换衣服）、VibeX换风格（连背景一起换）。

比如对着摄像头随手一点，自己就变成了马斯克，动作跟得很紧，几乎没有延迟。

不仅是单人，多人换装也支持。只会替换服装，动作和背景都保持不动。

而且主体角色、服装、背景的参考图全都可以自定义。你把指定素材传上去，它就会按照参考图实时渲染出新的视频。

如果要接入API，只需填入下面这段命令，就能把它搬进你自己的产品里：

// npm install @xmaxai/sdk
import { createXmaxClient, models } from "@xmaxai/sdk";

// 选择实时模型
const model = models.realtime("x2.0");

// 用你的API key创建Xmax客户端
const client = createXmaxClient({
  apiKey: "<YOUR_XMAX_API_KEY>",
});

// 请求摄像头权限，使用你偏好的视频设置
const stream = await navigator.mediaDevices.getUserMedia({
  video: {
    frameRate: model.fps,
    width: model.width,
    height: model.height,
  },
});

// 选择用来显示生成视频的页面元素
const remoteElement = document.querySelector("#video-output") as HTMLElement;

// 建立Xmax实时会话，发布摄像头流，并绑定远程输出元素
const realtimeClient = await client.realtime.connect(stream, {
  model,
  remoteElement,
});

// 通过提示词、参考图或二者同时开始生成
await realtimeClient.set({
  prompt: "视频中人物衣服替换成参考图中衣服", // 用中文提示词可以获得更稳定的输出
  image: "<YOUR_REF_IMAGE_URL>",
});

2）触屏交互（MoX）

这也非常有趣。只需在屏幕上轻轻拖拽（鼠标或触屏都可以），就能让静态图里的主体瞬间“活起来”，也可以在任意视频中进行实时操控。

例如，用鼠标在屏幕上一拖，画面里的小猫就活了，能跟着手指移动。

3）次元互动（DimX）

这一项最为魔幻。

可以把虚拟角色直接召唤到现实世界里。

也能把手里的蛋糕换成一只小猪。

还可以让现实中的IP活过来，用语音命令它眨眨眼。注意，这不是AI生成，而是实拍内容。

除了这三类，X2.0还有一个Free模式。打开摄像头或上传视频，自己写提示词，例如眼睛发射激光、嘴里喷火、全身着火后变成骷髅，右侧就会立即输出一段特效视频。

这足以说明，X2.0在范式上已经取得了重大突破，能够支撑更多开放的场景和玩法。

技术难点：突破实时交互的挑战

玩起来固然有趣，但底层的技术挑战却相当大。

传统视频模型使用双向注意力，是对整段视频统一建模，所有计算完成后你才能看到结果，这就是为什么要等待。Xmax则改成了逐帧自回归生成，算一帧就给一帧，把响应时间压缩到了极致。

然而这背后存在着一个“不可能三角”：速度、成本、质量，很难同时兼顾。

堆算力可以变快，但成本会高到普通人玩不起；强行加速又容易让画质崩溃。Xmax的解法是多阶段融合蒸馏，加上FP8量化等压缩手段，最终做到单张消费级显卡就能满血运行。

更厉害的是端侧部署。他们成功将模型塞进iPhone本地运行，成为首个能在手机上本地运行实时交互的模型。当然也要实事求是：端上目前是384分辨率、16fps，比网页端的960p、24fps低不少。但能在一台手机上本地实时跑起来，应用场景一下子就打开了。

另外，成本也值得单独说一说。

海外做实时交互AI视频比较有代表性的公司是以色列的Decart，它的API是每秒0.02美元（720p），折算下来是72美元/小时。而X2.0的API海外定价是6美元/小时，不到Decart的1/12；国内更低，只要20元/小时。

用一个具体场景就能看清这笔账有多划算。按Decart的价格，一个电商用户花2分钟在线试穿，成本是2.4美元，这个价位相信很多商家都难以承受；换成X2.0，同样2分钟只需0.2美元，国内更是只要6毛钱。到了这个价位，大规模部署才算真正算得过账来。

落地场景：哪些行业能被重塑？

端侧能跑，云端也用得起，这两点结合在一起，就意味着X2.0拥有了足够宽的商业空间。

随手列举几个真实能跑通的场景：

电商/服装：镜前实时换装，站着不动一分钟就能试穿几十套，加速下单决策，也有助于降低退货率。

文旅：站在景区对着镜头，一秒换上古装或超级英雄，在古迹前直接拍出科幻大片。
直播社交：主播一键变身，观众发弹幕就能实时控制主播的服装和动作，互动感彻底拉满。

虚拟陪伴：隔着屏幕跟虚拟角色互动，摄像头对准立牌，角色就在屏幕里活了过来。
短剧/影视：观看短剧时若对演员不满意，可以实时将其替换，甚至把自己换上去，过一把主角瘾。
IP潮玩：把镜头对准桌上的labubu，它就能在桌面上走动、跳舞，从摆件变成伙伴。

视频社交也很有意思：跟好友视频不想素颜出镜，可以直接把自己实时换成一只正在喝咖啡的猫。这种需求，懂的都懂。

这些并不是花哨的demo，而是能直接接入实际生产流程的技术。它们覆盖了智能硬件、消费、文旅、社交、互动视频等，横跨2B和2C市场。

结语：重新定义人与画面的关系

体验完Xmax X2.0，我想把目光放得更远一些。

一百多年前，卢米埃尔兄弟放映《火车进站》，观众看到火车迎面冲来吓得四散奔逃。从那天起到今天，视频这个媒介经历了无数轮进化：黑白到彩色，电影到电视，长视频到短视频，胶片到4K再到AI直接生成。画质越来越好，生产越来越快，节奏越来越强。

但你有没有发现，有一件事一百多年来始终没有改变——你始终是坐在屏幕另一头、只能观看的那个人。视频再精彩，也是一段拍好、剪好、直接推到你面前的结果。你和画面之间，永远隔着一层玻璃。

Xmax AI真正触动到的，正是这层玻璃。

它改变的不是画质，也不是速度，而是人与画面之间的关系。你从观众变成了玩家，从被动接收变成了随时可以修改。如果说抖音把内容的分发权交到了每个人手里，那么X2.0是想把内容的生成权也实时地交出来。视频第一次不再只是一段只能观看的结果，而是一个你能伸手进去操纵的世界。

这件事的想象空间，比“又一个视频模型”要广阔得多。往小了说，可以不出门换装、看剧能换脸；往大了说，当每一块屏幕、每一个摄像头、每一副眼镜中的画面都能实时响应你时，许多商业场景就有了被重新定义的可能。

当然，我们必须实事求是。X2.0现在并不完美，960p只达到消费级的合格线，端侧还只有384分辨率，内测版也存在一些小bug。它距离终点还很远。但当所有人都在卷画质、卷电影感、服务专业创作者的时候，Xmax选择掉头去啃“人人可玩、实时交互”的视频，我从心底里喜欢这个选择。

团队来自清华KEG和HCI实验室，智谱也出自KEG，这个出身无需多言。他们自己说，正在逼近交互视频模型的GPT-3时刻。这话说得有点大，但方向我信。

平心而论，这一轮最好玩的AI视频，也许真的不在硅谷了。

想亲自体验的，现在就可以去他们官网。玩完之后记得回来告诉我，你把自己变成了什么。