最近看 Vivify 的 Realtime Face Swap 页面时，我第一反应其实不是“又一个换脸工具”，而是：实时AI换脸已经做到这个样子了，确实有点不可思议。

以前说到 AI 换脸，大家更容易想到的是离线处理：上传一张脸、上传一段视频、等模型跑完，然后看生成结果。

但现在已经可以在浏览器里打开摄像头，给一张参考人脸，画面可以持续返回 AI 处理后的预览。它不再像一个视频后期工具，而更像一个实时视频效果。

不可思议的点不是换脸，而是“实时”

单张图片换脸已经不算新鲜，视频换脸也早就有人做。但实时预览是另一件事。

因为实时意味着系统不能只追求最后一张图好看。它还要处理摄像头输入、参考图、网络延迟、模型推理、画面回传、前端渲染，以及中途停止会话这些连续状态。任何一环慢一点，用户看到的就不是“实时换脸”，而是卡顿、延迟、跳帧或者不知道发生了什么。

所以我觉得这类产品真正让人惊讶的地方，是它把过去更像离线生成任务的东西，压到了一个接近互动体验的链路里。用户不是等一段视频生成完，而是在摄像头画面里直接看 AI 帧不断回来。

从一次生成，变成一段实时会话

这背后的产品形态也变了。

传统 AI 生成更像一次请求：输入素材、提交任务、等待结果、下载文件。实时换脸更像一段会话：开始摄像头、设置参考图、建立实时连接、持续处理帧、随时停止。

这也是为什么它不能只做成一个“上传并生成”的表单。实时会话里，开始和停止都很重要，用户也需要知道当前是不是正在消耗计算资源。尤其是这类功能通常会按实时处理时长产生成本，如果界面不把成本单位和会话状态说清楚，体验会很不踏实。

换脸、试穿、风格化其实开始合流了

我比较感兴趣的另一个点是，它不只局限在 face swap。

从交互上看，实时试穿和实时 restyle 也在走同一条路：摄像头是输入，参考素材决定变化方向，模型持续返回处理后的画面。区别只是参考对象不同。换脸参考的是人脸，试穿参考的是衣服或造型，restyle 参考的是整体风格。

这说明实时视觉生成正在从“生成一个结果”往“改写当前摄像头画面”靠近。这个方向很有想象空间，因为它接近直播、视频会议、虚拟摄像头、OBS、短视频拍摄这些真实场景，而不是只停留在生成一张图或一段短视频。

如果想看一个现在已经能跑起来的形态，可以看这个 实时AI换脸预览页。我觉得它值得体验，不是因为它把所有未来场景都做完了，而是它已经把“参考输入 + 摄像头 + 实时 AI 输出”这条链路摆到浏览器里了。

越实时，边界越要说清楚

当然，这类技术越让人惊讶，边界越不能含糊。

首先是身份和授权。参考人脸、服装、风格素材都应该来自自己或得到允许的内容。其次是输出范围。如果当前只是浏览器预览，就不要暗示它会自动保存、导出或录制直播流。再次是成本，实时推理不是一次性生成，按秒或按会话计量都需要提前让人知道。

这些限制不会削弱技术本身，反而会让体验更可信。因为实时换脸已经足够像“魔法”了，产品层面更应该把摄像头、参考图、会话、成本和保存范围讲清楚。

我现在对这类技术的判断是：它已经不是简单的“换一张脸”了，而是在把 AI 视频生成推进到实时交互层。哪怕还不完美，看到摄像头画面能被模型持续改写，本身就已经很有冲击力。