數字人模型 FlowAct-R1 釋出：延遲 1.5 秒，支援 25fps 即時無限長直播

如果你看過現在的數字人帶貨，大概很熟悉那種尷尬：主播要麼像個設定好動作的木偶在機械迴圈，要麼你發一條彈幕提問，對方要愣上好幾秒才能接話。

算力吃緊和動作漂移，一直是即時數字人邁不過去的坎。現在，研究團隊推出了互動式數字人模型 FlowAct-R1，試圖徹底打破這個僵局。

第三方報道稱該成果出自位元組團隊。從公佈的資料來看，FlowAct-R1 實現了 25fps 的 480p 即時流式影片生成，首幀延遲（TTFF）僅約 1.5 秒，而且支援不限時長的無限生成。

在人工偏好評測中，它在即時流式、無限時長和動作自然度三個維度上均超過了現有的 SOTA 方法。

把重型模型改造成連環打工人

讓高質量影片模型即時跑起來，技術上並不容易。以往基於全注意力機制的 DiT 模型雖然畫質好，但推理速度慢，根本無法做即時對話。

FlowAct-R1 的核心思路是改造架構。研究團隊通過自迴歸自適應，把基礎的 DiT 轉換成流式自迴歸模型，並配合多階段擴散蒸餾，大幅削減了生成步驟。

口型對不上、身體動作僵硬是數字人的老毛病。團隊引入了音訊與動作的聯合微調，讓數字人在聽到語音輸入時，不僅能對齊唇形，還能做出自然的肢體動作。

更棘手的問題是長影片崩潰：很多模型生成幾分鐘後，人臉就會變形。FlowAct-R1 在推理端搭建了一套結構化記憶庫。

這套記憶庫拆成了參考記憶、長短期記憶和去噪流。配合分塊自迴歸生成和記憶精煉，模型生成再久也不會忘記自己原來的長相和姿勢，從而實現了真正意義上的無限時長生成。

為什麼重要

我們認為，FlowAct-R1 的突破不在於畫質上限有多高，而在於它切準了即時互動的工程痛點。

480p 的解析度聽起來並不驚豔，但它在 25fps 下把首幀延遲壓到了 1.5 秒。在手機螢幕、電商直播或即時通訊介面裡，流暢無頓挫的即時反應遠比一張靜態高精度的臉更重要。

對直播帶貨、AI 客服和虛擬陪伴領域來說，這意味著數字人終於從「提前渲染好的錄播影片」走向了「真能聽懂並立刻反應的即時互動」。創作者不用再花幾個小時預渲染成片，接入系統就能直接開播。

對行業而言，它會倒逼現有的數字人方案全面轉向流式生成。以前比拼的是誰的靜態特寫更逼真，以後比拼的則是誰的延遲更低、長時間執行更穩定。

當然，侷限也客觀存在。目前展示的 480p 規格如果放到大屏端使用仍顯單薄，而且真正面對大規模併發直播時，GPU 的部署成本究竟有多高，依然需要實際商用場景的檢驗。