Soul推出Loxinity多模态交互产品：主打活人感AI新突破 | AI新闻

type

status

date

slug

summary

引言

随着大模型与生成式人工智能技术的演进，AI的竞争维度正悄然从“参数规模与静态知识储备”转向“拟人化、低延迟的实时多模态交互”。在这一趋势下，主打年轻社交生态的Soul近日被曝将推出全新自研语音、视觉与多模态交互产品——Loxinity（洛希无限）。

与市面上聚焦于短视频配音、旁白朗读的传统TTS工具截然不同，Loxinity从底层架构开始就瞄准了即时交互场景，主打具备情绪起伏与呼吸感的“强活人感”。该产品包含语音合成模型Loxi Speech与视频生成模型Loxi Avatar，并提供开放API接入能力。这不仅标志着Soul在社交主营业务之外迈出了向外输出AI能力的关键一步，也为当下关注AI资讯和大模型落地的从业者提供了一个观察情感向交互AI的代表性样本。

告别传统TTS：Loxinity如何打造“超强活人感”

在传统的文本转语音（TTS）领域，主流评价标准往往侧重于咬字发音的标准度、清晰度以及背景噪音控制。然而，这类模型一旦被引入即时聊天、实时通话等双向互动场景，极易显现出生硬、机械的“播音腔”，难以建立真正的情感连结。

Loxinity的核心语音模型 Loxi Speech 则选择了一条截然不同的优化路径。它将研发重心放在了连续对话中的副语言特征上：

副语言细节还原：在自然对话中，真人往往带有轻微的吞吐、语气词（如“嗯”、“啊”）、呼吸停顿与情绪轻重音。Loxi Speech支持副语言标记与情绪标记，让AI在输出语音时能够模拟真人的迟疑、兴奋或安抚情绪。

双模式与音色定制：该系统支持单人配音与多人多轮对话模式，并配备了灵活的音色克隆与音色设计工具，开发者与创作者可以通过细粒度的参数调整，打造出极具辨识度的虚拟声线。

API开放集成：为了便于生态扩展，Loxinity采用积分与订阅套餐的形式对外开放API，支持开发者将这种强活人感的语音交互快速接入第三方应用。

这种针对副语言和语气起伏的精细化建模，使AI语音不再是单向的信息宣读，而是具备了支撑连续社交互动的生命力。

音画原生协同：Loxi Avatar重塑数字人实时通话

除了语音维度的突破，Loxinity的另一大支柱是视频生成模型 Loxi Avatar。它与语音合成深度咬合，形成了语音、视觉与多模态交互的闭环产品形态。

当前许多数字人产品面临的核心痛点在于“音画脱节”：声音具备情感时，数字人的面部肌肉和口型却显得呆滞僵硬；或者画面渲染精细，但端到端延迟过高，无法支持实时通话。Loxinity选择从底层原生打通语音与数字人驱动机制：

多风格虚拟形象矩阵：平台预置了真人实景、二次元番剧以及奇幻概念等多种风格的数字人载体，满足社交娱乐、虚拟陪伴、互动课件等多元场景的需求。

轻量化自定义生成：用户仅需上传静态图片，配合文本脚本或音频输入，即可驱动生成兼顾口型匹配与微表情变化的动态数字人视频。

实时视频通话支撑：不同于传统的预渲染离线视频，Loxi Avatar从架构设计上即服务于低延迟的实时音视频通话，为构建可插话、可打断的AI虚拟伴侣和智能助手提供了基座支持。

通过将AI语音、实时视频流与数字人打包，Loxinity避开了同质化的通用文生图、文生视频内卷，专注切入高黏性的交互型多模态赛道。

从“AI苟蛋”到“SoulX”：社交场景沉淀的数据壁垒

Loxinity的技术并非凭空诞生，其背后是Soul在社交垂类场景中持续数年的AI探索与语料积累。

2022年（初代伴侣与虚拟载体）：Soul上线了生活化聊天机器人“AI苟蛋”，开始探索主动式情感关怀；同期推出的NAWA虚拟形象引擎，为用户自定义3D Avatar提供了底层图形渲染支持。

2023年（情绪大模型基座）：发布自研垂类大模型 SoulX。不同于追求写代码、做数学题的通用LLM，SoulX专注强化AI对人类微妙情绪的感知力、拟人化人设的一致性以及超长上下文记忆能力。

全双工与群体交互验证：依托SoulX，平台落地了支持实时插话、自然打断的端到端全双工语音模型，并在“群聊派对”场景中演练了具备控场能力的AI主持人，甚至在站内狼人杀、虚拟陪伴等长轮次互动中持续经受高频检验。

在海量真人社交对话样本的打磨下，Soul掌握了大量关于“对话节奏、情绪反馈、插话时机”的非结构化数据。正是这些在垂直社交闭环中沉淀下来的工程经验，构成了Loxinity在多模态交互领域的独特技术护城河。

走向B端交付：商业化落地与技术挑战

尽管Loxinity在站内社交场景表现亮眼，但作为一款面向更广泛市场、提供API的独立产品，它从“内部赋能”走向“对外输出”的过程中，依然需要直面几道现实考验：

端到端延迟控制：实时双向通话对延迟极其敏感。在多人并发、复杂网络环境下，如何将“语音识别-大模型思考-语音合成-数字人驱动”的全链路耗时压缩在毫秒级，是决定交互沉浸感的生死线。

算力成本与定价平衡：高质量的实时音视频生成需要昂贵且充沛的GPU算力。在积分与订阅制模式下，如何降低单路交互的推演成本，使其具备大规模商业化推广的性价比，是B端客户考量的核心指标。

复杂环境下的鲁棒性：面对B端客户多样的业务场景（如电商互动、线上教育、客户服务等），Loxinity的微表情自然度与情绪连贯性能否在更长时间跨度的连续对话中保持稳定，仍需真实商业项目的反复检验。

结语：多模态交互与AGI探索的新维度

Soul推出Loxinity这一动作清晰地表明：AI产业正加速从“以文字为主的问答助手”跨越至“视听一体、富含情绪的拟人交互体”。在通用大模型竞争格局逐渐明朗的今天，围绕人类情绪价值、副语言细节与多模态实时交互的探索，展现出了极具吸引力的商业化想象空间。

无论是追踪最新的AI新闻、研习前沿的LLM架构演进，还是寻找前沿多模态技术的落地变现途径，深入理解交互型AI的变革都至关重要。关注全球人工智能最新动态与深度解读，欢迎访问专业的新一代 AI门户，一站式获取高质量AI资讯、模型动态与实践指南，把握智能交互时代的发展先机。