odyssey-interactive-video

Odyssey 交互式视频（世界模型）

此技能的用途

Odyssey 构建世界模型：这类系统会根据帧历史和用户当前实时输入，逐帧实时生成视频。输出不是供你下载的成片，而是由用户操控的交互式流。此技能可帮助 Agent 为使用（或考虑使用）Odyssey 模型的项目界定范围、制定计划并提供坦诚的建议。

适用于以下请求：

• “我们能否构建一个可探索的 AI 世界／供用户漫步其中的可玩梦境？”
• “能根据输入文字或控制器做出反应的实时交互式视频。”
• “我们应该用 Odyssey，还是 Sora／Veo？（交互式与离线的取舍）”
• “制作交互式环境／体验式装置／现场演示原型。”

以下情况不要转到此处：只需渲染一次并下载的离线文本生成视频片段（这属于 Sora／Veo／Kling／Runway 的范畴）、可导出的 3D 资产或网格（这属于 3D 资产或游戏引擎流水线），或现有视频素材的字幕生成／编辑。Odyssey 默认不会生成可下载的视频片段或可导出的几何体——如果交付物是要交付的文件，交互式视频通常不是合适的工具。请参阅下方的“生产决策”。

成熟度提示，请先阅读。 Odyssey 的 CTO Jeff Hawke 将该领域描述为*“世界模型的 GPT-2 时代”，并称这是“大规模探索阶段，而非大规模商业化阶段”*［二手来源，The Data Exchange，已于 2026-07-10 核实］。此处提及的所有能力都应视为研究级。如今可以实现原型、演示、艺术作品和实验；通常还无法用于受 SLA 约束的生产流水线。对于有生产期限的用户，请明确说明这一点。

下方使用的证据标签

• [已记录] — Odyssey 自己的模型页面／技术报告中提及。
• [第一方声明] — Odyssey 自己关于性能／能力的说法（营销内容或博客），未经独立核实。
• [二手来源] — 可靠媒体或分析师的报道。
• [经验判断] — 根据技术特性得出的生产判断，并非引用的事实。

除非另有说明，所有易变信息（模型名称、延迟、访问权限、定价）的核实日期均为 2026-07-10。依赖这些信息前请重新核实——此产品的变化周期以周计。

“交互式视频”的实际含义

传统的视频模型（Sora、Veo、Kling）是双向的：它会预先规划整个视频片段，掌握后续帧的内容，因此需要数秒到数分钟才能生成几秒钟的固定视频。生成过程中无法对其进行更改。

Odyssey 的模型是因果式自回归模型：每个新帧只根据过去的帧以及过去／当前输入的用户操作进行预测，然后立即流式输出［已记录，odyssey.ml/introducing-odyssey-2］。Agent 必须牢记以下几点：

1. 用户始终处于交互环节中。 输入（按键、鼠标、文字、语音、控制器）会在流播放过程中送入，并改变后续内容。Odyssey-1 明确将其比作“对发生的事情做出反应”；Odyssey-2 则将播放过程中输入提示词比作“与大模型对话”［已记录］。
2. 延迟按帧计算，而非按片段计算。 Odyssey-1：大约每 40 ms 生成一帧（最高约 30 fps）［已记录，2025-05-28］。Odyssey-2：约 50 ms／帧，约 20 fps［已记录］。Starchild-1：同步音频和视频，最高可达 24 fps［已记录，2026］。
3. 每一帧都是生成的，而非合成的。 Odyssey 表示，“每一帧都是由我们训练的扩散模型生成的”——不使用游戏引擎、预制 3D 资产或网格［已记录／二手来源，TechCrunch 2025-05-28］。
4. 连贯性有上限，而且会逐渐偏移。 流在有限时段内会保持合理，之后便会逐渐退化。请参阅“能力限制”。

当前模型系列（已于 2026-07-10 验证）

Odyssey（odyssey.ml）是一家世界模型研究实验室；创始人 Oliver Cameron（CEO）和 Jeff Hawke（CTO）均来自自动驾驶领域，Pixar 联合创始人 Ed Catmull 担任董事会成员［次级来源，TechCrunch］。公开发布的模型系列，按从早到新排列：

模型	首次公开	定义	交互输入	帧率 / 延迟	访问方式
Odyssey-1	2025-05-28	首个“可玩世界模型”；受动作条件控制的下一帧预测器。其分布范围较窄，有意牺牲通用性以换取自回归稳定性。Odyssey 将其描述为“一个有故障的梦——原始、不稳定”。	键盘 / 触控 / 操纵杆	约 40 ms/帧，最高 30 fps，声称可连贯运行 5 分钟以上	已被取代（研究预览版）
Odyssey-2（API 层级：Odyssey-2 Pro）	2025-10-27 博客	“通用世界模型，可即时生成可交互的 AI 视频。”播放过程中可通过自然语言提示词进行引导。	输入的自然语言提示词（+ 操作）	约 50 ms/帧，约 20 fps	Web：experience.odyssey.ml · API：developer.odyssey.ml（逐步开放）
Starchild-1	2026-05-17	首个多模态世界模型——同步生成音频 + 视频，并以自回归方式生成；环境、对话和环境音随流式输入演变。	流式文本、语音或操作	最高 24 fps，音视频同步	预览版 + 技术报告：odyssey.ml（starchild.odyssey.ml/starchild-1.pdf）
Agora-1	2026	多 Agent世界模型：最多 4 名玩家可在同一个共享模拟环境中游玩（类似 GoldenEye 的死亡竞赛演示），实时渲染每位玩家的视角。将世界状态模拟与逐视角渲染解耦。	多名玩家的操作	各视角实时呈现	可在 agora.odyssey.ml 试玩
PROWL-1	2026	用于探索游戏环境的强化学习框架（研究论文，arXiv 2605.18803）。研究成果，非交互式产品。	不适用	不适用	arXiv 论文

［所有条目均有 odyssey.ml 模型页面 / 首页的文档记录，已于 2026-07-10 验证。］

Agent 命名判断规则：在 2026 年，单独提到“Odyssey”通常指 Odyssey-2（在线通用体验）。如果用户说“Odyssey 的交互式视频工具”，默认理解为 Odyssey-2，并向用户确认。涉及声音时应提及 Starchild-1；涉及多人游戏 / 共享状态时应提及 Agora-1。

当前访问方式 — 请仔细核实，不要想当然地认为存在 API

这是最容易被误述的部分。截至 2026-07-10：

• Web 体验是可靠的公开访问方式。experience.odyssey.ml（Odyssey-2）和 agora.odyssey.ml（Agora-1）均可通过浏览器公开体验 [已记录，odyssey.ml 主页]。这是目前最稳妥的推荐方式，也是在做出承诺前评估模型的正确方式。
• **API 已存在，但仍处于早期阶段。**开发者文档位于 documentation.api.odyssey.ml，控制面板位于 developer.odyssey.ml/dashboard，其中介绍了 Odyssey-2 Pro API，提供三种形式：交互式流（实时）、可观看／广播流，以及用于离线／批量脚本生成的 Simulate 端点 [已记录，API 文档，已于 2026-07-10 核实]。通过 API 密钥进行身份验证（密钥应保留在服务端；浏览器使用短期凭证连接）。文档提及会话／并发限制和流持续时间限制（会出现 “credit lease expired” 错误）、Discord、API 许可协议，以及 [email protected]。
  • Agent 必须说明的注意事项：截至 2026-07-10，Odyssey 自己的主页并未显著宣传 API，Odyssey-2 发布博客最初也称 API“即将推出”。因此应将 API 的可用性视为确实存在但尚处起步阶段——在承诺集成前，直接通过 developer.odyssey.ml 确认当前状态、配额和条款。不要假设端点稳定、SDK 已有版本管理，或服务具备正常运行时间保证。
• 截至此日期，Starchild-1 和 PROWL-1 属于研究／预览版，配有技术报告——有报告和预览，但没有文档说明其属于通用 API 层级。未经核实，不要承诺可以通过编程方式访问 Starchild-1。

[启发式] 向用户介绍访问方式时可以这样说：“你现在就可以在浏览器中访问 experience.odyssey.ml 亲自试用。Odyssey-2 Pro 已提供程序化／API 访问，但仍处于早期阶段——在围绕它设计集成方案前，我会先在 developer.odyssey.ml 核实当前配额和条款。”

能力限制（坦诚说明）

以下每一点都对界定适用范围至关重要。【有文档记录／来自官方，除非另有标注。】

• 视觉保真度不稳定。 独立描述和 Odyssey 的描述都提到输出模糊、失真、如梦似幻；精细细节和场景内文字都不可靠【二手来源，TechCrunch／eWeek；官方称其有“故障感”】。
• 连贯性有时限，且会逐渐偏移。 Odyssey 称 Odyssey-1 可生成“5 分钟或更久”的连贯视频流；Hawke 后来的说法更为保守，称在画面退化前可维持“一到两分钟”，高于此前的“15 到 30 秒”【官方／二手来源】。【经验法则】凡是要展示给客户的内容，都应按约 1–2 分钟的可靠连贯性来规划，而不是 5 分钟以上。
• 世界持久性较弱。 由于状态保存在模型不断滚动的上下文中，而非存储的场景图里，移开视线再看回来时，几何结构和布局可能发生变化；物体也不保证持续存在。Starchild-1 的报告明确指出，“场景和声学特征在较长时间跨度内仍会发生漂移”【有文档记录】。目前没有可靠的“保存这个世界并回到完全相同位置”的原语。
• 分辨率／帧率一般。 约 20–30 fps；Odyssey 未重点介绍分辨率，且远未达到电影后期制作的质量水平【帧率有文档记录；分辨率未公布——请勿引用数字】。
• 没有可导出的素材。 你获得的是流式传输的帧（Starchild-1 还包含音频），而不是网格、纹理，也不是默认可下载的 MP4 片段。Simulate 端点会生成录制内容，但产物是生成的视频，而非可编辑的 3D 内容【有文档记录】。
• 每位用户的 GPU 成本和基础设施要求。 该服务运行于 GPU 集群（过去使用 H100，未来将使用 AWS／Trainium）。Odyssey 在 2025 年给出的数据是每用户小时的计算成本为 $1–$2，预计会下降【官方，2025-05-28】。每位同时观看的用户都会占用一个实时 GPU 会话——这种模式的扩展性与提供缓存视频文件截然不同。
• 目前还没有针对交互式风格的量化基准测试。 Starchild-1 的报告称，这种交互模式“尚无”标准化基准测试【有文档记录】。你无法向利益相关方引用 FVD／质量指标。

生产决策：交互式视频与替代方案

根据实际交付内容选择工具。【经验法则框架。】

适合选择 Odyssey 交互式视频的情况：

• 核心体验就是实时、开放式的用户操控——用户的实时输入必须改变视频，固定脚本无法满足需求。
• 你正在制作演示、原型、艺术作品、研究试验或沉浸式／现场装置，而梦幻、不稳定的美学风格可以接受，甚至正是你想要的效果。
• 新颖性和“内容由用户亲自操控”才是重点（营销活动、会议展位、可交互预告片）。

以下情况应改用离线视频生成工具（Sora／Veo／Kling／Runway）：

• 你需要完成度高、可下载的视频片段，并且要求构图可控、时长固定、输出可重复。
• 视觉保真度、符合品牌规范的细节、清晰可读的文字或客户可审批的画面很重要。
• 内容需要一对多分发（将文件提供给数千人）——离线片段的扩展成本很低，交互式视频流则不然。

以下情况应改用游戏引擎／可下载 3D 方案（Unreal、Unity、Gaussian splats、NeRF-to-mesh）：

• 你需要持久、确定性的世界、精确碰撞、可导出素材，或每次会话都完全相同的环境。
• 你必须交付一种无需为每位用户配置实时 GPU 后端、即可在客户端运行的素材。
• 你需要支持长时间会话（数小时）或保证几何结构保持不变。

**【经验法则】一句话判断：**用户是否需要实时操控像素，并且你能否接受一个如梦似幻、不持久、每位观看者都占用 GPU 的视频流？ 能 → Odyssey。只要有一项回答“不能” → 大概率应选择离线生成或游戏引擎工作流。

目前可行与尚属推测

目前可行（研究级，需设定合理预期）：

• 交互式原型和概念演示——可供探索的情绪板，让人“体验这种氛围”。
• 体验式营销／现场活动，以实时 AI 世界的新奇感为卖点，并通过现场工作人员和限时体验来掩盖效果漂移。
• 交互式叙事／“可游玩的梦境”艺术，拥抱超现实、不稳定的美学，而不是与之对抗。
• 快速构思——在投入实际 3D／制作开发之前，快速感受某种环境或氛围。
• Odyssey 自己列举的案例：黑客马拉松风格的交互式天气应用、游戏脚手架 [次要来源，Hawke]。

尚属推测／目前还不可靠（不要承诺）：

• 可发布的AAA 风格游戏或引擎替代品。
• 符合品牌安全要求、像素级可控的广告素材，需要清晰可辨的标志／文字，以及可供审批的画面。
• 具有持久状态的多人世界（Agora-1 是早期多 Agent 演示，并非在线服务平台）。
• 连贯的长篇（数小时）体验。
• 任何需要可导出素材、SLA 或保证重现同一世界的项目。

定价和访问条款

• 截至 2026-07-10，尚未公布面向消费者的价格档位。定价信号显示为按使用量计费，与实时 GPU 使用量挂钩；API 文档中提到了积分／租赁模式（“credit lease expired”）[有文档记载]。
• 历史算力参考价格：每用户小时 1–2 美元（Odyssey 自己给出的 2025 年数据，预计会下降）[一手来源]。请将其视为量级成本参考，而非当前报价。
• 可免费在浏览器中试用 Web 体验 [有文档记载]。
• [经验判断] 制定预算前，务必向 developer.odyssey.ml 获取当前报价——并按并发用户小时编制预算，因为这才是实际的成本计算方式。
• 公司背景（影响长期运营风险，而非单个项目的定价）：Odyssey 于 2026-06-17 完成 3.1 亿美元 B 轮融资（投后估值约 14.5 亿美元），由 Natural Capital 领投，Amazon、GV、AMD Ventures、IQT、EQT 参投；AWS 是首选云服务商，采用 Trainium 芯片 [次要来源，多家媒体]。资金充足，但据其自己所述，仍处于商业化前阶段。

内容、权利、同意与隐私

• 训练数据来源。 Odyssey 的部分训练数据来自其自有的真实世界采集，使用专有的约 25 磅重的 360° 背包设备（6 个摄像头、2 个 lidar、IMU、约 3.5K 分辨率、深度元数据），另有其他数据 [次要来源，TechCrunch]。这种一手采集减少了部分第三方抓取方面的顾虑，但无法消除知识产权问题。
• 输出的知识产权归属尚无定论。 媒体报道指出，程序生成的世界归谁所有，以及与已知知识产权相似的输出是否可能构成侵权，仍是悬而未决的问题 [次要来源]。[经验判断] 不要假设生成流享有商业使用权、所有权或赔偿保障——请阅读 Odyssey 当前的 API License Agreement／ToS，并在向客户交付前以书面形式确认商业条款。
• 同意／肖像权。 如果用户向 Starchild-1 传输语音，或世界描绘了真实且可辨认的人物／地点，应按照常规要求审慎处理同意和肖像权问题——实时生成并不意味着项目可以免除这些要求。
• 流式输入的隐私。 交互会话会将用户的按键、语音和操作发送到 Odyssey 的服务器。对于任何处理个人或敏感输入的项目，部署前都应确认数据处理／保留条款。
• 来源标识／标注。 输出为合成内容；请根据平台和司法辖区的规定，标注由 AI 生成的体验。

Agent 应如何规划 Odyssey 项目

1. 确认交付成果确实具有交互性。 如果用户实际想要的是可下载文件，应在继续之前转向离线生成器或 3D 流程。
2. 一开始就说明成熟度预期——GPT-2 时代、梦境般的体验、约 1–2 分钟连贯、无法持久化、每位观看者都需要 GPU。务必以书面形式说明。
3. 选择模型： Odyssey-2（通用、由提示词引导）→ 默认；Starchild-1 → 需要声音时；Agora-1 → 共享／多人场景。
4. 先亲自体验评估 experience.odyssey.ml / agora.odyssey.ml，再设计任何内容。不要围绕未见过的能力进行设计。
5. 在 developer.odyssey.ml 验证访问方式和条款（API 状态、配额、会话／时长限制、许可证）——注明日期，因为这些信息会变化。
6. 按并发用户小时数而不是按片段做预算。
7. 为体验漂移做好设计： 使用短时会话、配备工作人员／引导的体验、拥抱不稳定性的美学，以及流媒体质量下降时的备用方案。
8. 在任何商业或公开部署之前，明确权利／同意／隐私问题。

示例（已标注——仅供说明，不是必须遵循的公式）

示例 A — 范围界定请求，Agent 给出坦诚的方案建议

意图： 一家品牌代理机构询问：“我们想在展台打造一个 30 秒的交互式 AI 世界，访客输入一种心情后就能在其中漫步。使用 Odyssey。另外，我们还想要最终片段用于社交媒体。” 良好 Agent 的回答（基本特征）：

• 将两项需求分开。展台体验非常适合使用 Odyssey-2，通过 experience.odyssey.ml 或 Odyssey-2 Pro API 访问——实时、由提示词引导，新奇感正是其价值所在。
• 指出**“社交媒体用的最终片段”是另一种交付成果**：Odyssey 不会提供干净、可下载的成品，输出具有梦境般／不稳定的特点，也无法精确控制品牌像素。建议录制实时会话画面（接受这种美学），或者另用离线模型生成社交媒体剪辑（Veo/Sora/Kling）。
• 说明预期：约 1–2 分钟连贯、几何结构无法持久、约 20 fps、每位并发访客都产生 GPU 成本、需安排工作人员管理会话的展台。
• 提醒在公开使用前验证访问方式／条款，并确认权利／同意。 为何采用这种结构： 这里的失败模式是默默承诺能从交互式模型中获得干净、可下载的社交媒体素材。关键在于区分“实时操控”和“成品文件”。

示例 B — 在限制条件下选择模型

意图：“我们想要一种交互式 AI 体验：用户说话时，陪伴角色会用真实人声和环境音回应。” 预期做法： 声音是核心，输入也是语音，因此应选择 Starchild-1（音视频同步、支持流式语音／文本／动作输入、“旁白／陪伴”交互模式），而不是仅支持视频的 Odyssey-2。提醒用户 Starchild-1 仍处于预览版 + 技术报告阶段（需验证程序化访问权限），长时间交互中声学特征／场景身份会发生漂移，而且目前还没有交互质量基准。还应为流式语音处理加入同意／隐私措施。 原因： 此处选择 Odyssey-2 会在不明说的情况下舍弃音频需求。

示例 C — 对推测性需求进行现实检验

意图：“我们能否用 Odyssey 世界模型替换 Unity 游戏后端，这样就不用制作关卡了？” 预期做法： 不行——目前还不能用于可发布的游戏。说明原因：没有可持久化／确定性的世界（几何结构会漂移，没有持久状态）、无法导出素材、无法实现精确碰撞、连贯性最多只能维持约几分钟，而且每位玩家都需要一个实时 GPU 会话，无法像客户端引擎那样扩展。将 Odyssey/Agora-1 定位为研究探索或原型，用于体验学习得到的世界可能是什么样，并引用 Hawke 自己的说法：“GPT-2 时代，而非大规模商业化时代”。建议可发布的产品使用传统引擎。 原因： 关键的失败模式是认可技术目前尚不支持的引擎替代主张。

来源（已于 2026-07-10 核实）

第一方：

• Odyssey 首页和模型索引 — https://odyssey.ml/（模型：Odyssey-2、Starchild-1、Agora-1、PROWL-1；网页体验）。
• 《Introducing Odyssey-1: A Playable World Model》— https://odyssey.ml/introducing-odyssey-1（2025-05-28；每帧 40 ms，≤30 fps，宣称可持续 5 分钟以上，$1–2/用户小时，H100 美国/欧盟）。
• 《Introducing Odyssey-2: A General-Purpose World Model》— https://odyssey.ml/introducing-odyssey-2（博客署名日期为 2025-10-27；每帧约 50 ms，约 20 fps，支持提示词引导，API“即将推出”）。
• 《Starchild-1: The First Real-Time Multimodal World Model》— https://odyssey.ml/introducing-starchild-1 和技术报告 starchild.odyssey.ml/starchild-1.pdf（公布于 2026-05-17；同步音视频，≤24 fps；提及长时程漂移）。
• Odyssey API 文档 — https://documentation.api.odyssey.ml/ 和 developer.odyssey.ml/dashboard（Odyssey-2 Pro；交互式流 / 可观看的广播流 / Simulate；API 密钥身份验证；会话和时长限制）。

第二方（标注为报道）：

• TechCrunch，《Odyssey's new AI model streams 3D interactive worlds》— https://techcrunch.com/2025/05/28/odysseys-new-ai-model-streams-3d-interactive-worlds/（创始人、董事会、2,700 万美元早期融资、无游戏引擎、画面模糊/不稳定、$1–2/用户小时、应用场景）。
• TechCrunch，《This generative AI startup is strapping cameras to people's backs》— https://techcrunch.com/2024/11/13/（360° 背包式采集设备规格）。
• The Decoder，《Amazon, Nvidia, and AMD bet $310 million…》— https://the-decoder.com/amazon-nvidia-and-amd-bet-310-million-on-ai-startup-building-3d-world-models/（B 轮融资、AWS/Trainium）。
• Air Street Press，《From clip-makers to simulators: Odyssey's new world models》— https://press.airstreet.com/p/odyssey-starchild-1-agora-1（Starchild-1/Agora-1 详情、交互式与离线生成的区别）。
• The Data Exchange，Jeff Hawke 访谈 — https://thedataexchange.media/jeff-hawke-odyssey/（“GPT-2 时代”、“1–2 分钟”连贯性、“大规模探索而非商业化”）。

注意：模型名称、延迟、fps、访问途径和定价都可能变动；依赖这些信息前，请在 odyssey.ml 和 developer.odyssey.ml 上重新核实。