Xmax AI 发布 X2.0：把视频变成可以「玩」的界面

Xmax AI 发布了新一代实时交互视频模型 X2.0：对着摄像头比个手势，桌上出现虚拟企鹅；拖拽一张小猫照片，它能跟着手指跑；输入“我手上有个火球”，掌心就能实时燃起特效。

站内对应入口：Xmax AI X2.0：把视频变成可以玩的界面。这篇文章保留源文核心信息，并从视频创作者、直播、电商试穿和 AR 互动角度重新梳理它的价值。

从 X1 到 X2.0：视频开始可以被“玩”

Xmax AI 今年 2 月发布过虚实融合实时交互视频模型 X1，当时展示了次元互动、世界滤镜、触控动图、表情捕手等玩法。X2.0 在此基础上完成了两个关键升级：画质提升和交互泛化。

画质从 480p 提升到 960p、24fps，更接近直播、社交和电商所需的消费级体验。更重要的是延迟控制：模型做到毫秒级响应，用户不再是等 AI 渲染完，而是在画面里实时参与。

一个模型，理解手势、触控、摄像头和文字

X2.0 搭建了一套统一的多模态交互架构，可以同时理解触屏拖拽、手势控制、摄像头画面和文字指令。基于这套架构，它开放了 CharX 实时换人、ClothX 实时换装、VibeX 实时换风格、MoX 触控交互、DimX 次元互动，以及支持自定义 prompt 的 Free 模式。

基础设施：端侧推理和 API 开放

一项技术能不能落地，不只看模型效果，也看部署成本和接入门槛。X2.0 的两个重要进展，是端侧推理和商用 API 开放。

端侧方面，团队通过混合精度量化、结构化剪枝和移动芯片优化，让模型能在 iPhone 上实现实时流式推理。当前端侧分辨率还在 384p，但意义在于：未来实时交互视频不一定强绑定云端算力。

API 方面，X2.0 核心能力和 Free 模式已经对外开放。原文提到其海外调用成本约 6 美元/小时，国内约 20 元/小时，价格进入中小团队可以规模化测试的区间。

直播：让观众直接改变画面

直播互动长期停留在弹幕、礼物、连麦。实时交互视频接入后，观众指令可以直接改变主播画面：变角色、换风格、召唤虚拟角色、触发画面效果。这是从“文字反馈”升级到“视觉反馈”。

电商试穿：更接近真实购买决策

线上服装电商最大的痛点之一，是模特穿着好看但用户自己穿未必一样。X2.0 的 ClothX 可以打开摄像头实时换装，保留用户体型、动作和当前环境光线，让用户看到“这件衣服穿在我身上”的动态效果。

虚拟陪伴和 AR：不用 3D 建模也能虚实融合

DimX 面向虚拟陪伴、IP 潮玩和类 AR 游戏。它不一定依赖传统 SLAM 定位和完整 3D 建模，而是基于 2D 视频流实时输出虚实融合画面，让虚拟角色感知手势、桌面和人物动作。

视频的下一次跃迁：从观看到操作

视频这个媒介一百多年里经历了胶片、数字、录播、直播、UGC，但多数时候，观众和画面的关系仍然是单向的。实时交互视频想改变这一点：让视频从只能被观看的内容，变成可以被操作的界面。

做视频网总结

Xmax AI X2.0 不只是追求更长、更清晰的视频，而是把重点放在实时交互、虚实融合和可商用部署上。它真正值得关注的地方，是让“视频生成”从创作工具，进一步靠近直播工具、电商工具、AR 工具和互动产品基础设施。

想了解工具入口和接入方式，可以查看站内：Xmax AI X2.0。如果你做直播、电商视觉、虚拟 IP、互动屏或 AR 体验，这类实时交互视频能力值得提前关注。

补充演示图