FlowAct-R1框架解决了数字人视频生成中清晰度、时延、时长和行为自然度的平衡难题。通过流式扩散建模与多级蒸馏技术，实现了无限时长、25fps实时输出的全身可控数字人视频生成，为实时交互场景提供了技术基础。
智能速览
流式扩散改造支持无限时长视频流生成
Self-Forcing机制有效抑制长时间生成误差累积
结构化记忆银行保障身份稳定与长程一致性
25fps实时输出，TTFF仅1.5秒
支持全身行为级控制，涵盖表情姿态手势
单图即可驱动多风格角色泛化能力强
精华内容
FlowAct-R1通过系统性创新，在视觉质量与实时响应间找到平衡点，为数字人技术落地提供了完整解决方案。
流式扩散架构
采用Chunkwise Diffusion Forcing技术，将传统扩散模型改造为可持续滚动生成的视频流模型。这一创新让系统能够支持任意时长的交互而不崩溃，从根本上解决了数字人视频生成的时长限制问题。
误差控制机制
引入Self-Forcing及其++变体，在训练阶段显式模拟推理期的记忆噪声。这种方法显著降低了长时间生成过程中的漂移与失真现象，保证了视频输出质量的稳定性。
记忆系统设计
设计四类结构化记忆：Reference保持身份稳定，Long-term维护长程一致性，Short-term确保局部平滑，Denoising Stream处理噪声。这四层记忆协同工作，实现了身份与动作的统一协调。
性能优化成果
通过多阶段扩散蒸馏压缩至3 NFE，结合FP8量化、算子融合和异步VAE解码，在A100上实现了480p分辨率下25fps的实时输出。首帧响应时间控制在1.5秒内，满足实时交互需求。
行为控制能力
系统支持全面的全身行为级控制，不仅包括基础的口型同步，还覆盖面部表情、身体姿态、手势动作，以及说话、倾听、思考、待机等多种状态切换，让数字人表现更加自然。
泛化应用潜力
继承Seedance的I2V泛化能力，仅需单张参考图像即可驱动不同风格、不同身份的高质量交互数字人。结合MLLM进行动作先验预测，赋予视频生成行为逻辑，避免机械重复。
FlowAct-R1框架为实时数字人交互提供了技术基础，其流式处理和记忆机制设计值得关注。随着技术成熟，数字人将在教育、娱乐、客服等领域发挥更大作用。这项技术能否推动人机交互进入新阶段？
