虎牙发布实时多模态数字人基础模型 VAM 1.0，一张照片即可24小时直播

虎牙推出基于 DiT 架构的实时多模态数字人基础模型 VAM 1.0（Vivid Avatar Model），只需一张照片即可生成能实时对话、唱歌跳舞的 AI 数字人。该模型支持 480×832 分辨率、28 帧实时流式输出，可连续运行 24 小时以上，在 8 块 H200 GPU 集群上达到 36.4 帧每秒推理速度，首帧延迟约 1.3 秒，每片段延迟 0.77 秒。