字节跳动将发布实时空间视频生成模型，延迟约0.05秒

会懂网AI资讯，9月8日，据彭博社报道，字节跳动创始人张一鸣亲自监督开发新一代实时空间视频生成AI模型，基于Seedance构建，延迟约0.05秒、每秒20帧，面向直播、短剧、游戏互动虚拟世界等场景，最快下月发布。

0.05秒的延迟是关键指标。50毫秒接近人类视觉感知的实时阈值，意味着用户可以与生成的画面进行即时互动——你说一句话、做一个动作，画面几乎同步响应。这让”实时生成”从概念变成了可用的交互体验。

每秒20帧虽然低于电影的24帧，但对于实时交互场景已经足够。这里的设计取舍很清晰：优先保证低延迟，宁可牺牲一点流畅度。因为在互动场景中，延迟带来的卡顿感远低于掉帧的违和感，用户的注意力在”响应”而非”画质”。

空间视频的”空间”二字，指的是生成内容具备三维一致性。传统视频生成模型在视角变化时容易出现物体变形、场景崩坏，而空间一致性意味着生成的世界在几何上是自洽的，用户可以在其中自由移动视角。

这一方向直接指向”世界模型”。李飞飞、Yann LeCun等学者都将世界模型视为AI的下一个关键方向，其核心是让模型理解并生成符合物理规律的三维世界。字节此番入局，意味着国内大厂在这一前沿方向上展开了正面竞争。

应用场景上，直播、短剧与游戏互动是最直接的三类。虚拟直播间的背景可以实时生成与变换，短剧制作不再受限于实拍成本，游戏中的开放世界可以按需生成而非预先建模。若这些场景跑通，内容生产的成本结构将被重塑。