Soul 在WAIC 2026：AI硬件首次亮相、SoulX实时数字人，共探下一代人机交互范式新可能

7月17日，2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC）于上海举办，今年大会主题为“智能伙伴 共创未来”。AI赋能千行百业过程中，深度融入每个人的日常工作生活，当AI从“生产工具”演进为“智能伙伴”，面向新时代的交互范式是什么？

长期专注于情绪感知与多模态交互技术研发，上海任意门科技有限公司（Soul）在WAIC 2026，呈现了自身聚焦实时多模态交互技术基建的探索，以及战略升级后的AI生态布局。

Soul CTO陶明介绍道，“ 从2016年推出App发展至今，Soul已成为一家专注于情绪感知与交互、模型与应用一体化的 AI 生态公司。区别于通用大模型方向，Soul以基于情绪感知、语音为先、面向多模态的交互大模型SoulX为技术内核，构建‘自有应用—产业生态’双层应用体系。对内，以 Soul App等真实社交场景为载体，持续迭代模型交互能力；对外，以SoulX模型能力为产业链赋能，面向具身智能、内容演绎等行业输出情绪感知与交互决策方案。WAIC 2026是Soul AI生态布局全面展示的一个重要窗口，也是让外界重新认识、理解Soul的新契机。”

SoulX 实时数字人，多模态交互新方案

作为全球人工智能领域备受瞩目的行业盛会，WAIC是研判全球AI技术迭代、产业落地的重要风向标。今年，WAIC“智能伙伴 共创未来”的主题，同样也呈现了在AI成为工作生活重要伙伴的当下，重构人机关系、交互范式的重要价值和行业发展方向。

Soul长期思考的核心命题，正是实时多模态交互技术基建。2016年，Soul App上线，是当时行业较早将AI引入人与人链接的互联网平台，并持续探索将AI深度融入社交场景，迭代交互模式。2020年前后，Soul启动系统的AIGC技术研发工作，专注情绪感知与交互方向。后续，Soul推出自研的SoulX——基于情绪感知、语音为先、面向多模态的交互大模型，为下一代人机交互场景打造新一代 AI 交互技术底座。

以实时交互为核心，SoulX 构建了包括语音生成、歌声生成、语音转换、多说话人转录、全双工实时交互、实时数字人生成在内的核心能力体系，覆盖语音理解、语音生成、情感表达、交互控制和多模态呈现等关键环节。

依托SoulX，在WAIC现场，用户可以直观感受到SoulX实时数字人带来的自然互动体验。SoulX实时数字人融合SoulX的实时语音交互、数字形象驱动等核心能力，可实现从用户理解、自然对话到声音、口型、表情和动作同步呈现的一体化交互。

区别于传统数字人生成技术方案，SoulX实时数字人在延迟、流畅度、稳定性、表现力等方面表现出色。目前Soul实时数字人模型系列包含 SoulX-LiveAct、SoulX-FlashTalk、SoulX-FlashHead 等核心能力，其中 SoulX-LiveAct 支持半身及全身数字人的实时生成，可精准控制人物动作、表情与口型变化；SoulX-FlashTalk 面向高实时性对话场景，能够实现低延迟、长时稳定的语音驱动视频生成；SoulX-FlashHead 则提供高效率、低成本的头部数字人生成能力。系列模型能力可以确保根据不同场景的生成需求，适配差异化方案。

例如，在电商领域打造7×24小时AI直播间，此前传统的数字人直播长时间运行后常会出现嘴型对不上或画质模糊的问题，而SoulX实时数字人可以支持全天候的流畅视频直播，即便是在高强度的实时互动中（如回复弹幕），也能保持如同真人出镜的高保真画质，极大降低直播成本，优化消费者购物体验。

Soul App陶明介绍道，从形式来看，人与人面对面交互能够传递更高密度的信息和情绪价值。在AI时代，重构人机交互范式的重点，便是要通过实时多模态交互技术，让AI具备更加自然的视觉表达与沟通体验，以实现交互效率、效果的提升。这也意味着，实时多模态交互技术是面向AI时代至关重要的技术栈，可以有效推动AI 从“内容生成工具”向“能够理解情绪、自然交流、持续陪伴的智能伙伴”演进。

AI硬件首次亮相，智能终端重塑“连接”

除了SoulX实时数字人，在WAIC现场，Soul还展示了核心能力在智能终端——B Soul的应用。

B Soul是Soul推出的AI硬件，通过将 SoulX 的语音交互、情感表达等核心能力融入可随身携带的智能终端，让 AI 陪伴从手机屏幕内走向真实物理空间。融合大模型对话与角色养成功能，B Soul提供了智能交互与定制化语音体验，并能够实现随时唤醒、自然交流和持续陪伴，让数字伙伴以更加即时、自然和有温度的方式融入每个个体的日常生活。WAIC 2026现场，也是B Soul的首次亮相。

陶明表示，“推出AI硬件的思考是， 我们的主产品Soul App 是人与人连接的平台，用户可以通过手机在这里获得情绪价值和交互体验。但如果放下手机，我们还希望通过更丰富的智能终端设备，让关系连接、情绪价值、陪伴体验延伸到现实生活中，让感知和交互更加随时随地实现。因此，独立的AI硬件成为我们当前尝试的一个载体，这也是在探索下一代人与 AI 交互的新形态，让智能伙伴从‘被动响应的工具”逐渐成为“主动连接的陪伴者’。”

与AI硬件 B Soul配套推出的，还包括了App、小程序。 软硬件将共同承载用户的 AI 角色、长期记忆、情绪关系与个性内容。具体来看，App 负责关系养成、记忆沉淀和内容运营，硬件设备负责把这段关系带到现实里，让陪伴可携带、可展示、可触发、可回应。

活动现场，观众通过B Soul 可体验与数字人的实时流畅对话，并定制专属的个性化数字人。B Soul相关负责人表示，AI硬件 B Soul很快将正式上市，预计在今年8月逐步量产销售。“在硬件基础上，我们也延展设计了高自由度可定制化的角色、内容、拓展配件生态及配套的订阅权益与线下社交场景。作为数字生命时代的关系基础设施，当每个虚拟角色、AI 助理、品牌 IP、个人数字分身都需要现实入口时，它可以成为统一的身份载体、交互方式和商业入口。”

自有应用+产业生态，“活人感”AI构建行业新价值

自2018年首届大会起，WAIC已在上海连续举办多届，作为根植于上海成长的科技企业，Soul 连续多年参展，WAIC也见证了Soul一路的技术发展和生态建设。

2025年，Soul携最新升级的自研端到端全双工语音通话大模型亮相WAIC，展示了具备“活人感”AI带来的有温度的人机交互体验。此次，参展WAIC 2026 企业生态展，Soul不仅呈现了最新技术能力和场景探索，也展示了公司作为大模型产业生态链重要组成部分的行业定位。

近年来，Soul在将技术快速落地于自身应用场景的过程中，继续夯实实时多模态交互技术基建，也让能力延展至产业端成为了可能。

2025年10月，Soul 开源语音播客生成模型SoulX-Podcast，发布第二天，SoulX-Podcast成为全球AI开源社区HuggingFace TTS（Text To Speech，从文本到语音）趋势榜榜首。在Github平台，该模型已收获3300+星星数。后续，Soul在实时数字人生成方向陆续开源了SoulX-LiveAct、SoulX-FlashTalk、SoulX-FlashHead等模型，并在语音领域开源了歌声合成模型 SoulX-Singer、全双工语音对话控制模块SoulX-Duplug、端到端多人对话转录模型SoulX-Transcriber。面向核心垂类方向，平台持续为产业链赋能，输出更落地、可商用的方案。

开源工作让Soul受到了AI开发者社区和产业伙伴的认可，也让公司在自有场景（App、硬件）之外，探索出了面向B端的新生态——基于情绪感知、语音为先、面向多模态的交互大模型SoulX，在AI 陪伴、具身智能、智能座舱、文娱内容、智能硬件、文旅服务等产业场景开展广泛合作，提供从底层模型到完整交互方案的技术支撑。

陶明表示，Soul作为模型与应用一体化的AI生态公司，站在AI模型、应用、互联网服务交汇的行业生态位，在与合作伙伴共同构建产业生态时也拥有差异化的思考与优势。首先是平台拥有完整的实时交互技术体系， 不同于行业多数模型聚焦于单一能力或API输出，Soul长期围绕真实人机交互场景持续建设覆盖语音理解、语音生成、双工交互、数字人驱动、多模态协同等完整技术链路，形成支撑下一代实时交互的AI技术底座，使客户能够快速构建具备持续交流、情绪表达和自然互动能力的AI产品。

此外，围绕Soul App这一核心应用，让团队快速积累场景优势、数据优势，并跑通“模型 - 产品 - 用户 - 数据”闭环飞轮。特别是，Soul将治理方案融入模型，并且在Soul App场景进行了有效验证。例如，围绕AI虚拟人、AI语音互动、AI内容生成等场景，平台逐步构建起覆盖“输入治理、生成治理、输出治理、风险干预、用户保护”的全链路安全体系。今年，Soul App成立人工智能伦理与治理委员会，邀请来自高校、机构、行业等领域不同背景的专家、学者担任外部委员，致力于更前置、系统地建立AI伦理治理体系和管理闭环机制，同时为行业输出可供参考的解决方案。

“对交互、内容生态场景来说合规问题非常重要，因为涉及到人与人、人机互动中，具体的监管要求、伦理规范、风控措施，这些都是红线问题。”陶明说。

现阶段，围绕实时交互、声音智能、数字表达和情绪理解等核心方向，Soul已经与多家具身智能、AI硬件企业开展合作。接下来，Soul将以 SoulX 为核心技术底座，深化情绪感知、多模态理解与智能交互能力研发，推动 AI 在真实场景中的持续进化，同时为企业与开发者提供更丰富的一站式多模态交互能力服务，推动多模态交互技术从模型能力走向规模化产业应用，让每一次交互都有理解、有回应、有温度。