世界模型进入"有声时代"：HelixWorld 1.0 让画面和声音一起实时生成 ...

据官方消息，美国初创公司 Noiz AI 联合香港科技大学、清华大学、CMU、Google DeepMind 等机构的研究团队，近日发布了实时可交互音视频世界模型 HelixWorld 1.0，把"会动"的世界模型推进到了"有声有色"的新阶段。

在此之前，各类世界模型虽然能实时渲染画面、让你在其中自由走动探索，但一直是"有画无声"——画面再真实，也没有和场景同步的声音。HelixWorld 补上的正是这块短板：它支持 24 FPS 实时生成画面，同时输出 48kHz 双声道立体声音频，最关键的是，画面和声音由同一个原生 Transformer 架构从头绑定生成，不是视频做完再另配一条音轨。

换句话说，你在这个世界里往前走一步、转个身，画面和声音会一起跟随变化：离声源多远、踩在什么材质上、声音从哪个方向来，耳机里都能听出来；身后的脚步声、拐角外的碰撞声，往往耳朵比眼睛先捕捉到。用户每一次操作，都会同时作用在画面和声音两个模态上，实现声画同步的实时响应。

据了解，团队为了让声音和画面真正"同属一个世界"，在数据处理、模型因果化、实时推理速度上都做了专门的工程打磨，把生成步骤压缩到实时可跑的范畴。接下来几周，HelixWorld 的模型权重和代码将完全开源（仓库已在 GitHub 公开），供开发者自由使用。

据公开资料，Noiz AI 组建于 2025 年底，成员来自 Meta、Google、Dolby、清华等机构，开源项目累计获得超 5 万 GitHub Stars。HelixWorld 的发布，也让人形机器人、自动驾驶、可交互游戏等依赖"实时世界模拟"的应用，看到了更逼真的落地可能。

来源：量子位（https://www.qbitai.com/2026/08/474334.html）