字节FlowAct-R1：单张图+音频，实时生成无限时长数字人视频，1.5秒低延迟

💡 站外导读：在AIGC浪潮下，数字人技术正从“有头无身”走向“全真交互”，但实时性、无限时长和自然动作控制仍是核心瓶颈。传统方案常面临延迟高、视频时长受限、动作僵硬等问题，难以支撑流畅的实时互动场景。字节跳动推出的FlowAct-R1框架，正是为了突破这些限制而生，它瞄准了视频会议、虚拟直播、在线教育等高价值场景对无缝、逼真数字交互的迫切需求。

FlowAct-R1是什么

FlowAct-R1是字节跳动推出的实时交互数字人视频生成框架，仅需单张参考图和音频，支持流式生成无限时长的全身动态视频。框架通过分块扩散强制策略和多模态大语言模型实现低延迟（1.5秒首帧）和25fps的稳定实时响应，能精细控制数字人的面部表情与肢体动作，适用视频会议、虚拟陪伴和直播互动等场景，具有强大的泛化能力，可驱动多种风格角色。

FlowAct-R1的主要功能

• 实时交互与无限时长生成：框架仅需单张参考图和音频输入，可流式生成无限时长的全身动态视频，支持长时间稳定运行，无崩脸等常见问题。
• 低延迟与高帧率：框架能实现1.5秒首帧低延迟和25fps的稳定实时响应，确保交互过程流畅自然，适用视频会议、直播互动等场景。
• 全身动作与表情控制：通过多模态指令精细控制数字人的面部表情和肢体动作，如倾听、思考、手势等，让交互更加生动、真实。
• 强大的泛化能力：框架不限特定人物，可从单张参考图驱动各种风格的角色，包括写实照片、二次元动漫、艺术画风等。

FlowAct-R1的技术原理

• 流式生成与无限时长：框架采用分块扩散强制策略，将视频切成小块逐块生成，用结构化记忆库确保画面衔接，实现理论上的无限时长生成。
• 实时性能优化：框架爱结合多阶段蒸馏技术，将扩散模型的去噪步数压缩至3步。结合FP8量化和算子融合，大幅降低显存读写开销，最终实现25fps、480p的实时生成能力。
• 全身控制与行为规划：框架爱引入多模态大语言模型作为“大脑”，根据语音和上下文判断数字人应做出的动作，实现细粒度的自然动作规划，消除机械感。
• 高保真视觉效果：框架在生成过程中保持高保真视觉效果，通过优化的模型架构和训练策略，确保生成视频在不同风格和场景下的高质量表现。

FlowAct-R1的项目地址

• 项目官网：https://grisoon.github.io/FlowAct-R1/
• arXiv技术论文：https://arxiv.org/pdf/2601.10103

FlowAct-R1的应用场景

• AI直播：框架能实现24小时不间断、实时互动的直播，支持多语言和风格切换，提升观众参与感。
• 视频会议：作为虚拟参会者，提供自然的肢体语言和互动，增强会议真实感，支持多语言翻译。
• 虚拟陪伴：生成个性化虚拟伴侣，提供情感支持和互动娱乐，满足用户陪伴需求。
• 在线教育：作为虚拟教师，提供生动教学和个性化辅导，支持多语言教学。
• 客户服务：作为虚拟客服，实时解答客户问题，提供多语言支持，提升客户满意度。