Runway Characters: avatares de vídeo em tempo real da Runway agora rodam em quatro GPUs H100 em vez de oito
A Runway detalha como opera o Characters, seus avatares de vídeo conversacionais gerados a partir de uma única imagem: um modelo de cerca de 57 bilhões de parâmetros que precisa produzir vídeo a 24 quadros por segundo para um único usuário, agora em quatro H100 por sessão em vez de oito.
Um avatar que responde em vídeo, ao vivo, nunca pode se atrasar. É essa a restrição descrita pela Runway em um artigo de pesquisa publicado em 5 de novembro, acompanhado de um artigo técnico: como disponibilizar o Characters, seus avatares conversacionais criados a partir de uma única imagem, com um modelo de vídeo de cerca de 57 bilhões de parâmetros.
Um relógio que não para
A geração de vídeo tradicional trabalha no ritmo do modelo: escreve-se um prompt, espera-se e obtém-se um clipe. Já um personagem que conversa precisa acompanhar o ritmo do seu interlocutor. A 24 quadros por segundo, o modelo precisa produzir um bloco de quatro quadros em 704 x 1088 a cada 166,7 ms, durante todo o tempo em que durar a interação. Cada quadro carrega sua parcela de áudio: um bloco atrasado congela o rosto e corta a voz ao mesmo tempo.
Além disso, é impossível compartilhar o processamento entre usuários como faz a maioria dos serviços de IA: cada sessão é um fluxo privado, individual. Todos os ganhos precisavam vir, portanto, do interior de cada etapa de cálculo.
Metade das GPUs por sessão
No lançamento, o Characters mobilizava oito H100 por sessão. Em quatro, o software original levava 240,9 ms por etapa, lento demais. A Runway descobriu que 29% do tempo de GPU servia para reprocessar um cache quase inalterado; ao fazer esse trabalho uma única vez, na gravação de cada quadro, o gerenciamento do cache caiu de 69,7 ms para 6,2 ms por etapa. Um kernel que funde computação e comunicação entre GPUs, e uma GPU dedicada à decodificação dos quadros, completam a solução. Resultado: 159,3 ms por etapa, ou seja, 24,5 quadros por segundo em quatro H100, e 147,4 ms com o kernel fundido. O sistema também roda em três B200.
Para verificar se a qualidade não se degradava, a Runway comparou a sincronização labial em 51 clipes: as variações permaneceram na mesma ordem de grandeza daquelas observadas entre duas execuções idênticas. A publicação relata ainda incidentes técnicos: vazamentos de memória após uma atualização de software e uma simples chamada de monitoramento que esticou uma etapa de 168,5 para 278 ms.
O verdadeiro gargalo: a voz
Medido em 51 turnos de fala, o atraso mediano entre o fim da frase do usuário e a resposta do personagem é de 2,13 s. O pipeline de vídeo da Runway consome apenas 0,49 s desse total; o agente de voz, 1,42 s. Entre humanos, lembra a Runway, esse silêncio dura em média cerca de 208 ms.
Nossa leitura
Este artigo revela muito sobre a economia dos avatares em tempo real: cada conversa imobiliza várias GPUs de ponta para uma única pessoa, sem possibilidade de compartilhamento. Reduzir essa exigência pela metade traz uma economia direta no custo de cada minuto de conversa, mesmo que a Runway não tenha anunciado mudanças de preço. A conclusão mais útil para criadores e marcas está em outro ponto: a imagem agora consegue acompanhar o ritmo, e é a voz que gera a espera. Todas as medições continuam sendo da própria Runway, em seus testes internos de vídeo.
Fontes
- Runway Research — Real-Time Video at Batch Size One (5 de novembro de 2026) Fonte primária
- arXiv — Runway Characters: Serving a 57B Video Diffusion Transformer for Real-Time Conversation Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
