Vivix-W1 laisse les interactions réécrire le monde en direct

Vivix-W1 génère un flux audiovisuel continu que le texte, la voix, les images, les gestes et les mouvements de caméra peuvent modifier pendant sa diffusion.

Une scène est déjà en cours lorsqu’une nouvelle image ajoute un objet, qu’un clic détourne l’attention d’un personnage ou qu’une instruction vocale modifie l’action. Vivix-W1 ne demande pas de relancer toute la génération : chaque intervention agit sur la partie du monde qui n’existe pas encore.

Vivix présente W1 comme un modèle multimodal « streaming-native ». Cette expression désigne ici un système pensé pour produire un flux audiovisuel continu plutôt qu’une vidéo fermée, calculée dans son intégralité à partir d’une instruction initiale.

La différence se trouve moins dans la liste des formats acceptés que dans le moment où ils peuvent intervenir. Une image peut établir le décor au lancement, puis une seconde introduire un nouvel objet pendant la diffusion. Un texte peut définir la situation de départ ou réorienter le récit plusieurs instants plus tard. La voix, la vidéo et les commandes de mouvement restent elles aussi disponibles après le début de la génération.

La formule employée par Vivix résume cette organisation : l’instruction crée le contenu, l’interaction change son avenir. Les commandes n’effacent donc pas ce qui a déjà été diffusé. Elles guident les prochaines séquences à partir de l’état atteint par le monde au moment où elles sont reçues.

W1 génère pour cela une succession de courts segments audiovisuels. Chaque portion produite devient une partie du contexte utilisé pour préparer la suivante. Le système lui ajoute les nouvelles instructions, les références multimodales et l’historique des interactions afin de poursuivre le flux dans une direction actualisée.

Cette mécanique le rapproche davantage d’une session interactive que d’un générateur vidéo traditionnel. L’utilisateur ne commande plus seulement une sortie avant de l’attendre. Il intervient pendant son déroulement, comme dans un jeu, une expérience narrative ou un environnement de prévisualisation.

Les commandes couvrent le texte, la voix, les clics, les interactions tactiles, les images ajoutées en direct, les mouvements et la caméra. La documentation de l’API définit notamment des événements contenant du texte, une référence, une image ou un signal audio. Ces événements s’appliquent à la partie encore non générée de la session.

Un clic sur un objet peut ainsi devenir une indication narrative. Un déplacement peut faire évoluer le point de vue. Une photographie peut apporter une apparence, un lieu ou un accessoire. Une instruction orale peut demander à un personnage de s’arrêter, de changer de direction ou de réagir différemment.

Cette ouverture ne signifie pas que toutes les interventions auront un effet instantané ou parfaitement prévisible. Le modèle doit recevoir le signal, l’interpréter, l’intégrer au contexte, puis générer une continuation compatible avec ce qui précède. Vivix parle d’une réactivité à l’échelle de la seconde, sans publier de mesure complète permettant de connaître le délai entre une action et sa conséquence visible.

La présentation insiste parfois sur les besoins de latence de l’ordre de la milliseconde propres à l’architecture. Cette indication décrit la vitesse requise pour certains traitements internes, et non la garantie qu’un monde répondra intégralement en quelques millisecondes. La documentation ne fournit pas encore de résultats portant sur la latence médiane, les valeurs les plus élevées ou les variations liées à la charge.

W1 génère également l’image et le son au sein d’un même flux. Il peut produire des voix, des dialogues, des ambiances et des effets spatiaux associés aux événements visuels. Cette génération conjointe vise à réduire les décalages qui apparaissent lorsqu’une vidéo, une voix et une bande sonore sont créées séparément puis réunies.

Le modèle prend en charge des séquences composées de plusieurs plans. Il peut décider d’un changement de point de vue, déplacer la caméra, organiser une coupe et poursuivre un dialogue dans le plan suivant. Vivix lui attribue ainsi une partie du travail de mise en scène normalement confié à une chaîne distincte.

Cette autonomie ne supprime pas la direction humaine. L’utilisateur peut toujours fournir une orientation visuelle, des références ou une nouvelle consigne. W1 tente plutôt de gérer les décisions intermédiaires nécessaires pour qu’une situation continue à avancer sans attendre une commande à chaque mouvement.

Les personnages, les objets, les décors, les voix et le style doivent rester suffisamment stables entre les segments pour que l’ensemble soit perçu comme un même monde. Cette continuité constitue l’une des principales difficultés du dispositif. Une petite dérive reproduite à chaque nouvelle portion peut finir par transformer un visage, déplacer un élément ou modifier progressivement l’organisation d’un lieu.

Vivix associe W1 à une technologie appelée Vivix-Turbo. Celle-ci utilise notamment une distillation à très faible nombre d’étapes pour accélérer la génération. Elle travaille également sur la planification des plans, la continuité temporelle et la réduction des erreurs qui s’accumulent au fil du flux.

L’entreprise affirme que cette approche améliore la stabilité des identités, des scènes, des mouvements de caméra et des références multimodales sur des séquences prolongées. Son rapport présente toutefois ces principes sans publier de résultats chiffrés détaillés, de protocole reproductible ou de comparaison complète avec d’autres systèmes.

Le modèle présenté possède environ 30 milliards de paramètres actifs. Cette formulation ne donne pas nécessairement sa taille totale : une architecture peut n’utiliser qu’une partie de ses paramètres lors de chaque traitement. Vivix ne fournit pas assez d’informations pour connaître la structure exacte de W1, ses besoins matériels ou les conditions dans lesquelles il atteint le temps réel.

La version actuelle a été validée à une échelle d’entraînement qualifiée de moyenne. La société indique avoir déjà réuni plusieurs dizaines de millions d’heures de données pour la prochaine phase de développement. Ce