Runway Characters: gli avatar video in tempo reale di Runway ora girano su quattro GPU H100 invece di otto
Runway descrive in dettaglio come gestisce Characters, i suoi personaggi video conversazionali generati a partire da una singola immagine: un modello da circa 57 miliardi di parametri che deve produrre video a 24 fotogrammi al secondo per un singolo utente, ora su quattro H100 per sessione invece di otto.
Un avatar che risponde in video, in diretta, non può mai accumulare ritardi. È il vincolo descritto da Runway in un post di ricerca pubblicato il 5 novembre, accompagnato da un articolo tecnico: come erogare Characters, i suoi personaggi conversazionali creati a partire da una sola immagine, con un modello video di circa 57 miliardi di parametri.
Un orologio che non si ferma mai
La generazione video tradizionale lavora al ritmo del modello: si scrive un prompt, si attende, si ottiene un filmato. Un personaggio che conversa deve invece seguire il ritmo del proprio interlocutore. A 24 fotogrammi al secondo, il modello deve produrre un blocco di quattro fotogrammi a 704 x 1088 ogni 166,7 ms, per tutta la durata dell’interazione. Ogni fotogramma trasporta la propria porzione di audio: un blocco in ritardo blocca il volto e interrompe la voce contemporaneamente.
Impossibile, inoltre, condividere i calcoli tra utenti come fa la maggior parte dei servizi di IA: ogni sessione è un flusso privato, a tu per tu. Tutti i miglioramenti dovevano quindi provenire dall’interno di ciascuna fase di calcolo.
La metà delle GPU per sessione
Al lancio, Characters impegnava otto H100 per sessione. Su quattro, il software originale richiedeva 240,9 ms per passaggio, decisamente troppo lento. Runway ha rilevato che il 29% del tempo GPU era impiegato per rielaborare una cache pressoché invariata; eseguendo questa operazione una sola volta, alla scrittura di ciascun fotogramma, la gestione della cache passa da 69,7 ms a 6,2 ms per passaggio. Un kernel che unisce calcolo e comunicazione tra GPU, insieme a una GPU dedicata alla decodifica delle immagini, completano il quadro. Risultato: 159,3 ms per passaggio, pari a 24,5 fotogrammi al secondo su quattro H100, e 147,4 ms con il kernel fuso. Il sistema gira anche su tre B200.
Per verificare che la qualità non peggiori, Runway ha confrontato la sincronizzazione labiale su 51 clip: le discrepanze restano dello stesso ordine delle variazioni tra due esecuzioni identiche. Il post illustra anche i problemi riscontrati: perdite di memoria a seguito di un aggiornamento software e una semplice chiamata di monitoraggio che allungava un passaggio da 168,5 a 278 ms.
Il vero collo di bottiglia: la voce
Misurato su 51 turni di conversazione, il ritardo mediano tra la fine della frase dell’utente e la risposta del personaggio è di 2,13 s. La pipeline video di Runway ne richiede solo 0,49 s; l’agente vocale, 1,42 s. Tra esseri umani, ricorda Runway, questa pausa è in media di circa 208 ms.
La nostra lettura
Questo documento dice molto sull’economia degli avatar dal vivo: ogni conversazione vincola diverse GPU di fascia alta per una singola persona, senza possibilità di condivisione. Dimezzare questo fabbisogno rappresenta un risparmio diretto sul costo di ogni minuto di conversazione, sebbene Runway non annunci alcuna variazione di prezzo. La conclusione più utile per creator e marchi è un’altra: l’immagine ormai riesce a tenere il passo, ed è la voce a farsi attendere. Tutte le misurazioni rimangono quelle fornite da Runway, relative ai propri video di prova.
Fonti
- Runway Research — Real-Time Video at Batch Size One (5 novembre 2026) Fonte primaria
- arXiv — Runway Characters: Serving a 57B Video Diffusion Transformer for Real-Time Conversation Fonte primaria
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
