HelixWorld：一张照片，走进一个有声的世界

生成视频这件事，今年已经不稀奇了。稀奇的是：你往前走两步，画面跟着变，声音也跟着从左边移到右边。

HelixWorld 是 Noiz AI 开源的实时交互音视频世界模型。给它一张图、一句话，它会生成一个能走动的场景：WASD 移动，方向键或者拖拽转头，画面实时续写。声音不是后期贴上去的配乐，而是和画面一起长出来的——你转身，声场跟着转；画面里有人在打鼓，鼓点就落在鼓的位置上。

技术上值得说的是两点。它把连续的 6-DoF 相机位姿注入视频分支，再用跨模态注意力把视觉几何和声学特征绑在一起，相机怎么动，立体声的声像就怎么偏。第二是速度：单张 H800，768×512、24 帧，稳定状态下的实时系数 0.77，视频和音频解码都算在里面。这意味着它是能玩的，不是排队等半小时出一段片。

代价也明摆着。Preview v1 要 Linux、Python 3.11、CUDA 12，官方建议 80G 显存的卡，实际跑起来占七十来 G，普通人的电脑别想。不过官网 helixworld.org 上有个浏览器 demo，选一个世界、写一句提示词就能进，什么都不用装。我昨晚在里面站了十分钟，看角斗场里两只老虎朝我冲过来。

代码 Apache 2.0，权重放在 Hugging Face，连评测基准 HelixBench 都一起开源了。论文、模型、榜单、demo 全都摆出来，比发段视频吊人胃口强得多。