Runway показывает цифрового персонажа с частотой 24 кадра в секунду. Как быстро он отвечает?

Когда человек закончил вопрос, у анимированного персонажа есть немного времени, чтобы показать, что вопрос услышан. Видео может идти плавно после запуска, но пауза до первого ответа всё равно напоминает оборванный звонок. Новая статья Runway даёт достаточно данных, чтобы понять, откуда берётся эта пауза.

Runway выпустила Characters 9 марта 2026 года. Препринт от 3 ноября описывает систему разговорного аватара, который генерирует видео, пока говорит. Это технический отчёт об уже существующем продукте. Авторы из Runway приводят данные своей системы, в том числе о работе видео на четырёх GPU NVIDIA H100. Эти цифры помогают задать конкретные вопросы для пилота. Результаты для другого устройства, подключения или приложения нужно измерить там же.

Сервер для испытаний оборудования H100, того же типа GPU, что в статье Runway. Контекстный кадр 极客湾Geekerwan, размер изменён, CC BY 3.0. Источник изображения · Лицензия.

На каждую группу кадров есть около 167 миллисекунд

Генерация живого видео. Оригинальная иллюстрация Telli.sh.

При 24 кадрах в секунду группа из четырёх должна быть готова примерно каждые 167 миллисекунд. Если группы поступают медленнее, чем плеер их использует, для непрерывного движения нужен больший буфер, другой режим качества или иное изменение. Одна группа может занять почти все 167 миллисекунд даже при плавном видео.

Авторы описывают систему примерно с 57 млрд параметров, которая выдаёт кадры 704 на 1 088 пикселей. Они сообщают медианное время шага диффузии 240,9 миллисекунды в эталонной конфигурации, 159,3 в оптимизированной и 147,4 после дополнительного объединения операций. Одно латентное представление после удаления шума соответствует четырём кадрам, а отдельное декодирование частично выполняется параллельно. Эти цифры измеряют не то же самое, что время до ответа пользователю.

Ещё одно различие в том, что генерация может поддерживать нужный темп после запуска первой группы. В статье приводятся 0,49 секунды для видеоконвейера и около 2,1 секунды медианы полного хода разговора в условиях измерения. Важны обработка речи, генерация реплики, синтез голоса, передача и первый полезный момент воспроизведения. Этапы могут перекрываться, поэтому разница между общим временем и временем видео не даёт затрат отдельного этапа.

Где движущийся персонаж приносит пользу

Один возможный пилот — информационная стойка в музее или выставочном зале. Посетитель спрашивает, для чего нужен орган управления, приложение выбирает короткий ответ из утверждённых материалов, а персонаж отвечает, пока на экране остаётся схема. Понятное лицо, направление взгляда или сигнал о том, когда говорить, могут помочь посетителю. Если связь нестабильна, система может перейти к письменному объяснению.

Второй сценарий — ролевая тренировка сотрудников. Стажёр отрабатывает ответ недовольному клиенту, затем получает обратную связь от приложения. Здесь время сложнее согласовать, чем в готовом приветствии. Персонажу нужно останавливаться на незаконченной фразе, реагировать на перебивания и восстанавливаться после неверно понятой реплики. Кроме обычной задержки, полезно отмечать, приходится ли людям повторяться или говорить одновременно с персонажем.

Согласие и право на использование образа важны, если аватар использует лицо или голос реального человека. Организация может определить, кто вправе создать персонажа, где допустим образ и как его убрать. Явно синтетический персонаж или исполнитель с документированным согласием помогут отделить результаты проверки интерфейса от будущих лицензионных вопросов.

Какие вопросы оставляет результат в эксплуатации

Измерение полного хода разговора. Оригинальная иллюстрация Telli.sh.

Авторы сообщают, что 99,5% сеансов длительностью не менее секунды в среднем превысили 23,5 кадра в секунду. Знаменатель и интервал усреднения важны. Сеанс может пройти порог средней частоты кадров и всё же заметно зависнуть. Ответ может начаться быстро и позже потерять плавность. Статья не даёт каждому покупателю распределение времени до первого ответа при его ожидаемом числе одновременных сеансов.

Небольшой пилот должен охватить обычную офисную сеть, ограниченное мобильное соединение и устройства, которыми пользуются посетители. Начните с голоса и расшифровки как базового варианта, затем повторите запросы с персонажем. Сравните доли завершений, отказов и перебиваний. Сохраните одинаковые сценарии ответов и правила диалога, чтобы связать отличия с интерфейсом. Записывайте медленные ответы вместе с удачными.

Конфигурация оборудования из статьи не показывает, сколько будет стоить разговор. Полезная единица — завершённое учебное взаимодействие или вопрос посетителя с верным ответом. Число сгенерированных минут важно после того, как понятно, сколько из них были полезными. Демонстрация показывает облик и движение. Разговор с измерениями показывает, готово ли приложение к своей аудитории.

Разберите один разговор по кадрам

В статье подробнее описаны два распределения задержки. В 43 размеченных ходах медиана от конца речи пользователя до звука аватара у клиента составила 2,13 секунды, а 10-й и 90-й процентили — 1,45 и 3,00 секунды. От первого звука агента до первого говорящего кадра, зафиксированного LiveKit, медиана составила 493 миллисекунды, процентили — 421 и 562 миллисекунды. Первый показатель — пауза до слышимого ответа в условиях теста. Второй относится к началу говорящего видео. Посетитель может заметить оба.

Частоту кадров измеряли в другой выборке. Авторы говорят, что записывали телеметрию рабочих процессов семь недель, и определяют, какие сеансы вошли в показатель. На оживлённой площадке можно дополнительно искать пропуски сразу после перебивания или при наплыве посетителей. Запишите звук и видео с реального клиента, чтобы измерение учитывало сеть и воспроизведение.

Для честного сравнения отмечайте конец речи человека, начало ответа агента и первый видимый говорящий кадр. Повторяйте вопросы с известным ожидаемым ответом. Тогда можно отличить точный, но медленный ответ от быстрого, который не отвечает на вопрос. Включите несколько перебиваний в одинаковый момент для обоих интерфейсов.

Сравните стоимость завершённого сеанса

В справке Runway описана начальная плата в 2 кредита и ещё 2 кредита за каждые 6 секунд активного сеанса. При указанной цене $0,01 за кредит до налогов 60 секунд активного сеанса в примере стоят 22 кредита, или $0,22. Это пример для опубликованной схемы. Фактическая стоимость зависит от аккаунта, активного времени, действующего тарифа и отдельно оплачиваемых компонентов.

Сравнивая интерфейс с голосовым вариантом, можно считать цену завершённого разговора. Кто-то уйдёт до окончания ответа аватара. Кто-то начнёт заново из-за неполадок сети или неясного ответа. Такие сеансы расходуют ресурсы даже без завершения задачи. Учитывайте прерванные сеансы в знаменателе доли завершений, а начисленную плату — в расходах.

Стоимость модерации и проверки контента тоже может измениться. Компании может понадобиться убедиться, что речь соответствует правилам, синтетический ведущий разрешён в нужном регионе, а посетитель может обратиться к сотруднику, если у системы нет ответа. Проверьте эти пути так же внимательно, как рендеринг. Продуманный запасной вариант уменьшит неудобства медленного соединения.

Проведите сравнение с измерениями

1. Выберите одно разрешённое взаимодействие с ясным правильным ответом и критерием успеха.
2. Попробуйте базовый вариант с текстом или голосом и вариант с аватаром. Сохраните общий источник ответов и правила диалога.
3. Повторите запросы на устройствах и подключениях посетителей. Включите длинный ответ, намеренное перебивание и краткий обрыв соединения.
4. Запишите начало ответа и говорящего видео, пропуски воспроизведения, успешные перебивания и завершение задачи.
5. Сопоставьте неудачи с записью. Определите, были ли причиной распознавание речи, генерация ответа, задержка, сеть или интерфейс.
6. Сравните число завершённых сеансов и общие расходы до перехода к более длинным или массовым сценариям.

Так можно увидеть, где визуальный канал действительно помогает. Персонаж может делать очередь реплик понятнее для одной аудитории и создавать ненужную паузу для другой. Итог пилота относится к взаимодействию, сети и устройствам, на которых его получили.

Посмотрите, сколько ресурсов стоит за этими показателями

Авторы описывают переход с восьми GPU H100 на четыре для одного сеанса в реальном времени. По их данным, конфигурация с четырьмя GPU без последующего объединения операций выдаёт 24,5 кадра в секунду. Конкретная комбинация оборудования и программ достигла цели на указанной нагрузке. Результат не гарантирует параллельную работу при другой нагрузке и не описывает оборудование, выделяемое аккаунту клиента.

Покупатель может спросить, какая часть сервиса стартует первой, что происходит при нехватке ресурсов и как восстанавливается сеанс. В шоуруме может быть допустима короткая остановка картинки, если звук продолжается и на вопрос есть ответ. В синхронизированном тренажёре может понадобиться пауза, понятный статус и возврат к известному месту. После сбоя повторите действие и проверьте, знает ли приложение, какую часть человек уже услышал.

Компромисс заметен, если человек перебивает посреди предложения. Система может копить звук или видео для плавного воспроизведения. Слишком большой буфер может заставить персонажа продолжать говорить после попытки вмешаться. Маленький буфер может сильнее реагировать на нестабильность сети. Измерьте отдельно фактическую остановку и следующий слышимый ответ.

Проверьте восстановление, понятное посетителю

В небольшом пилоте переключите обычное соединение на медленный профиль во время ответа. Запишите, остановился ли звук, застыло ли видео и что сообщает интерфейс. Верните нормальную связь и проверьте, продолжает ли персонаж ответ, просит повторить вопрос или переводит на другой канал. Для посетителя у киоска это разные исходы.

Если система не восстанавливается, предложите расшифровку, доступный письменный вариант или переход к сотруднику, если приложение это позволяет. Короткую задачу можно закончить и при сбое видео. Длинному упражнению может понадобиться возврат к контрольной точке. Подходящий вариант зависит от того, сколько разговора уже состоялось.

Нагрузочный тест можно начать с трёх схем поступления. Сравните один длинный сеанс, несколько независимых коротких и группу, пришедшую одновременно. Для каждого случая посмотрите на первый ответ и на самые медленные варианты. Поток может стабильно держать нужный темп после запуска и всё равно разочаровать, если в пиковое время слишком долго ждать начала.

Источники

• Использование Runway Characters и цены в кредитах

• Технический препринт Runway от 3 ноября 2026 года

• Выпуск Runway Characters 9 марта 2026 года

• Официальные демонстрации Characters

---

Чтобы сохранять рабочие разговоры и решения и быстро находить их, создайте аккаунт Telli.sh.