Atmanity 发布了两样东西：一个叫 Atmee v2 的实时视频模型，一个叫 Causeur 的行为模型。用一句话概括它们的分工，是公司自己写的：Causeur 决定，Atmee v2 渲染。用户提供一张角色图片和一段短音频，就能得到一个可以实时对话的形象，支持视频通话、纯语音交互与视频生成，形象可以是真人、风格化角色，也可以是非人类。公司的说法是，整套东西跑在单张 GPU 上。这个团队2024年10月成立，CEO Chen-Ping Yu 创办的前一家公司 Phiar 在2022年被谷歌收购，团队列出了六位博士与一百多篇论文。
把数字人拆成"想"和"演"两层，是这套方案最值得说的设计。Causeur 负责判断角色的性格、当下的情绪、什么时候该开口、什么时候该安静地听，它输出的不是画面，而是行为意图。Atmee v2 负责把这些意图变成画面：面部微表情、身体姿态、以及角色所处的环境。两层之间靠一套动作指令衔接，而不是靠一句文本描述。
过去多数数字人产品把这两件事塞进一个模型，结果是"嘴会动，人不像"。嘴唇与音素对齐是相对容易的部分，难的是在对方说话时点头的时机、被问到尖锐问题时的停顿、听到坏消息时表情的迟滞。这些细节不属于渲染问题，属于行为问题。分开建模的好处是两端可以独立迭代：行为层改一条规则，渲染层不用重训；渲染层提升画质，行为逻辑不用改。
代价是延迟叠加。两层各有一段推理时间，串起来的总延迟必须压在人的容忍窗口内。视频通话场景里，超过一秒的停顿就会被感知为卡顿。公司没有公布首帧延迟，这是判断这套架构能不能成立的关键数字。
上一代 Atmee v1 主要呈现肩部以上的画面，这是行业里最常见的做法，因为头部是信息密度最高、也最容易做像的部分。v2 把画面扩到全身，并且把环境一起生成。这个升级的意义不只是"看得更多"，而是角色能不能与场景发生关系：坐着还是站着、手放在哪里、身后是办公室还是咖啡馆，这些细节决定了观众相不相信"这里真的有个人"。
全身带来的难度是成倍的。头部的运动自由度有限，身体的关节链长得多，任何一处姿态不自然都会被立刻看出来；环境则要求模型同时处理光照、材质与景深，而这些在过去是分开渲染再合成的。单卡实时完成这些，意味着模型必须在分辨率与帧率上做取舍，而公司恰好没有公布这两个数字。
数据来源值得一提。公司提到自家消费级应用 atmee.ai 每月贡献数千小时的真实对话，这些对话被用来训练行为层。这个闭环是很多同行没有的：多数数字人公司靠采购或合成数据，真实长对话的稀缺程度远高于短视频素材。当然，这也意味着数据合规的责任落在公司自己身上，用户对话怎么授权、怎么脱敏，公开材料里没有说明。
公司宣称 Atmee v2 比 Wan 3.0、Seedance 2.5 这类通用视频模型快最多50倍，成本低10到100倍。这两个数字在传播里被大量引用，但有几个前提需要摆出来：官网本身并没有列出这些数字，它们来自发布时的媒体转述；对比的对象是通用视频生成模型，这类模型要处理复杂场景、镜头运动、长时长，而 Atmee v2 只做一件事，专门化的模型在单项任务上跑赢通用模型是预期之内的事，不是突破。
更要紧的是缺失的参数。分辨率、帧率、首帧延迟、单卡能跑几路并发、用的是什么型号的 GPU，这五项一个都没有。没有这些，"快50倍"就没有确定含义：是生成一帧快50倍，还是端到端响应快50倍，还是单位成本下的吞吐高50倍，三种解释对采购决策的影响完全不同。在第三方用同样的输入跑完并公布硬件与设置之前，这些数字只能当作方向，不能当作依据。
数字越夸张，越需要问清楚分母。便宜十倍说的是每百万像素，还是每路每分钟，还是同样画质下的每秒，三种口径算出来的总成本可能差出一个量级。
目前的接入方式是邀请制，需要发邮件申请激活码。技术上已经有一个 LiveKit 插件，版本0.2.0，可以渲染 v1 与 v2 的形象，v2 仍然要邀请。这个插件是战略上的关键一步：已经在做语音智能体的开发者，可以只加一个渲染环节就给自己的助手配一张脸，不用重建整条管线。
邀请制在早期是合理的，容量有限、要控制滥用、要收集反馈。但它同时意味着外部无法独立验证那些性能数字，也无法评估长期稳定性。开放权重的方案会让所有人自己跑一遍，邀请制则要求使用者先相信。两种做法的信任成本不同，选择哪一种，反映的是公司更在意技术保密还是生态扩张。
邀请制还有一个隐性成本：集成方要为不确定性留出余量。容量什么时候放开、价格怎么定、接口会不会变，这些都得在合同里写清楚，否则一次扩容失败就可能拖住整条产品线。已经在做语音智能体的团队，最好把视频这一层当成可插拔的模块，随时能换回纯语音。
从文字到语音再到视频，智能体的表达通道在逐层加宽，每一层都把成本抬高一个量级。文字便宜到可以随便试，语音要算通话分钟，视频则要考虑每秒多少帧、每帧多少像素。真正决定这类产品能不能商业化的，不是单路效果有多好，而是单张卡能同时支撑多少路。
这个数字公司没有给。参照同类产品的公开数据，一路实时视频通话占用的算力大致相当于几十路纯语音，如果单卡只能跑一两路，单位成本就会高到只能在高端场景使用，比如一对一的销售演练或虚拟家教；如果能跑到十路以上，才有可能进入客服与游戏NPC这类走量的场景。测试建议也很实在：拿到权限后先测首帧延迟、噪音环境下的口型同步、六十秒沉默期的待机表现、二十分钟会话里的形象漂移，以及并发压力下的延迟变化。这几项过了，才谈得上部署。