10月27日，社交平台Soul推出一套名为Loxinity的产品，中文名洛希无限。它包含两个模型：负责语音合成的Loxi Speech与负责视频生成的Loxi Avatar，落到产品上是三块能力，语音合成、实时视频通话与数字人。定位写得很克制也很明确：不做配音，不做短视频，只做实时对话里的活人感。
市面上多数语音合成模型是为朗读与配音准备的，评价标准是字音准不准、音色好不好听。这两项在朗读场景里是全部，在对话场景里只是起点。真人说话有停顿、有犹豫、有说到一半改口、有笑着说完一句话，这些副语言信息在朗读里不重要，在连续对话里却决定了对方觉得你像不像人。
Soul的积累恰好在这一层。2022年它上线AI聊天机器人AI苟蛋，同年推出NAWA虚拟形象引擎让用户自制虚拟形象，2023年发布情绪向大模型SoulX，此后把端到端全双工语音模型落地到群聊派对的AI主持人，支持实时插话与自然打断，狼人杀、虚拟伴侣这些场景也接入了长轮次连续语音对话。
这些尝试单看都不像技术突破，但它们在做同一件事：让模型在真实的、非结构化的、充满语气与停顿的社交对话里反复暴露、反复迭代。公司CTO陶明的说法是，社交中的大量信息很难被简单结构化，同样的表述放在不同的语气、停顿与上下文里，可能意味着完全不同的东西。这类语料买不到，只能靠场景喂出来。
Loxinity把活人感写进了功能。语音侧支持单人配音与多人对话两种模式，配套音色克隆与音色设计工具，并且可以添加副语言标记、拼音标记与情绪标记。界面上有添加副语言、添加情感的可视化配置项，用户可以精细控制一句话的情绪走向。
拼音标记这一项看着不起眼，实际是多音字问题的工程解法。中文合成最容易翻车的地方就是多音字与轻声，靠模型猜往往会错，让用户直接标注是最省事的办法。这类设计说明产品团队确实在用，而不只是在演示。
视频侧的逻辑是上传一张图就能生成自定义数字人形象，输入文本脚本或上传音频，生成对应的数字人视频。平台预置了真人、二次元、奇幻风格等多种角色，用来搭建可实时对话的虚拟角色，页面陈列的案例集中在访谈与讲课两类。
把语音与数字人打通，是这个产品与同类工具的主要区别。很多数字人产品的问题是声音有朗读感、音画不同步，原因是语音与驱动分属两套系统，中间靠时间戳对齐。原生打通之后，语音的停顿与情绪可以直接驱动口型与表情，不需要再做二次匹配。
实时交互产品的体验由三个指标决定，而这三点恰好是最难在演示里看出来的。第一是端到端延迟，用户说完到对方开口，超过一秒就会明显出戏；第二是长时稳定性，聊二十分钟之后音色会不会漂、人设会不会崩；第三是并发成本，同一时间支撑多少路对话，单路成本多少。
延迟本身还要再拆一层。语音识别、模型推理、语音合成三段相加，任何一段拖长都会让体验崩掉，而三段的耗时在不同网络条件下波动很大。全双工与轮次式的差别也在这里：前者允许用户在对方说话时插话，系统要同时处理听与说，还要判断哪一路是有效语音。这带来回声消除与打断判定的工程问题，也是很多演示看着流畅、实际用起来总慢半拍的原因。
Soul在自家社交场景里已经把这三项跑通过一部分，群聊主持人与虚拟伴侣都是长轮次、多并发的场景。但站内跑通与对外交付是两件事。站内有稳定的用户分布与可控的场景边界，对外要面对的是各行业客户千奇百怪的需求与不可预测的流量峰值。
更难的是一致性。数字人形象由一张图生成，转到侧面、低头、快速说话时脸会不会变形，微表情自不自然，这些细节决定客户敢不敢把它放到前台。语音侧同理，音色克隆只给一段参考音频，遇到情绪激动的台词、语速加快、连续笑声时还稳不稳定，需要真实项目来验证。
Loxinity采用积分与订阅套餐两种计费模式，开放API接入，明确面向B端客户。这个组合意味着它想做的是能力供应商，而不是自己运营一堆数字人账号。对Soul来说这是合理选择：它有模型与语料，但没有行业客户的交付能力。
B端交付的难点不在模型，在合规与责任。声音克隆涉及人格权，需要可核验的授权链条；数字人形象涉及肖像权，上传一张明星照片就能生成视频的能力，天然带着滥用风险；生成内容还需要按国内对深度合成与生成合成内容的标识要求做显式与隐式标注。这些环节任何一处缺失，客户的法务就不会签字。
竞争也很拥挤。HeyGen这类厂商在做通用视频与语音的榜单竞争，Synthesia一类主打企业培训，国内则有硅基智能、腾讯智影、商汤如影、相芯科技等一批玩家，各自绑定了不同的场景与渠道。Loxinity的差异点是"对话"这一层，但对话型数字人的付费意愿目前还没有被验证。
值得关注的是它会不会反向改造Soul自己的产品。如果语音与数字人能力先在站内的AI伴侣、群聊主持上跑顺，再对外输出，这条路径的成功率会比直接卖API高。反过来，如果对外交付的定制需求把团队拖进项目制，模型迭代的节奏就会被打断。