你愿意和一個(gè)數(shù)字人視頻通話嗎？如果它的嘴型、表情跟說(shuō)話的聲音完美配合，宛如真人。而且這場(chǎng)對(duì)話可以持續(xù)幾個(gè)小時(shí)甚至更久，這個(gè)數(shù)字人始終保持著同一張臉、同樣的膚色，不會(huì)突然變臉或者出現(xiàn)詭異的色彩偏差。

2025年12月，中科大和阿里巴巴的研究團(tuán)隊(duì)，發(fā)布了一項(xiàng)名為L(zhǎng)ive Avatar的突破性技術(shù)。這項(xiàng)研究的核心成果是：他們成功讓一個(gè)擁有140億參數(shù)的大規(guī)模AI模型，實(shí)現(xiàn)了實(shí)時(shí)、無(wú)限時(shí)長(zhǎng)的高清數(shù)字人視頻生成。簡(jiǎn)單來(lái)說(shuō)，就是讓超級(jí)大腦也能實(shí)時(shí)說(shuō)話，而且可以一直說(shuō)下去，不會(huì)越說(shuō)越糟糕。

為什么讓數(shù)字人無(wú)限聊天這么難？

讓AI生成的數(shù)字人持續(xù)說(shuō)話，究竟難在哪里？

你可以把AI生成視頻想象成一個(gè)特別挑剔的廚師在做飯。這位廚師（AI模型）需要一道菜一道菜地做（一幀一幀地生成畫(huà)面），而且每道菜都要和前面的菜完美搭配（保持視覺(jué)連貫性）。問(wèn)題來(lái)了：如果這位廚師要連續(xù)做幾百道菜，甚至上千道菜呢？

第一個(gè)大麻煩是速度。目前最厲害的AI視頻生成技術(shù)叫擴(kuò)散模型，它的工作原理有點(diǎn)像用橡皮擦慢慢擦掉一幅畫(huà)上的涂鴉。想象一下，一幅被完全涂花的畫(huà)，AI需要一點(diǎn)一點(diǎn)地把雜亂的涂鴉擦掉，最終還原出清晰的圖像。這個(gè)擦除過(guò)程需要反復(fù)進(jìn)行很多次（通常幾十次甚至上百次），每次都要讓整個(gè)超大模型運(yùn)算一遍。對(duì)于140億參數(shù)的模型來(lái)說(shuō)，這簡(jiǎn)直就像讓一頭大象跳芭蕾舞，雖然理論上可能，但實(shí)際操作起來(lái)慢得讓人抓狂。結(jié)果就是，生成一秒鐘的視頻可能需要好幾秒甚至更長(zhǎng)時(shí)間，完全無(wú)法實(shí)時(shí)使用。

第二個(gè)大麻煩是記憶衰退。當(dāng)數(shù)字人持續(xù)生成視頻時(shí)，就像一個(gè)人在不斷地復(fù)印復(fù)印件。你可能玩過(guò)這個(gè)游戲：把一張紙復(fù)印一份，再把復(fù)印件復(fù)印一份，如此反復(fù)。最后你會(huì)發(fā)現(xiàn)，字跡變得越來(lái)越模糊，甚至面目全非。AI生成長(zhǎng)視頻時(shí)也會(huì)出現(xiàn)類似的問(wèn)題，數(shù)字人可能慢慢變臉，膚色可能漸漸偏移，整體畫(huà)面質(zhì)量也會(huì)逐漸下降。這種現(xiàn)象被研究者們稱為身份漂移和色彩偏差。

在Live Avatar之前，市面上的技術(shù)要么只能做到實(shí)時(shí)但質(zhì)量一般（因?yàn)橛玫氖切∧Ｐ停促|(zhì)量很好但速度太慢（因?yàn)橛玫氖谴竽Ｐ停＞秃帽饶阒荒苓x擇騎自行車快速到達(dá)目的地，或者坐豪華轎車舒適地慢慢抵達(dá)，但沒(méi)法既快又舒適。研究團(tuán)隊(duì)在論文中專門做了一個(gè)對(duì)比表格，展示了目前主流方法的局限：大多數(shù)方法無(wú)法同時(shí)實(shí)現(xiàn)"流式生成"、"實(shí)時(shí)速度"和"無(wú)限時(shí)長(zhǎng)"三個(gè)目標(biāo)，而Live Avatar是第一個(gè)全部做到的。

流水線式的聰明解法

那么，Live Avatar是怎么破解這個(gè)難題的呢？研究團(tuán)隊(duì)想出了一個(gè)特別巧妙的辦法，叫做"時(shí)間步流水線并行"（Timestep-forcing Pipeline Parallelism，簡(jiǎn)稱TPP）。

還記得我們說(shuō)過(guò)，擴(kuò)散模型生成圖像就像擦除涂鴉嗎？通常情況下，這個(gè)擦除過(guò)程是串行的，必須先擦第一遍，等擦完了才能開(kāi)始擦第二遍，以此類推。這就像一個(gè)人在流水線上獨(dú)自完成所有工序，效率自然很低。

Live Avatar的做法是：請(qǐng)來(lái)一群幫手，讓每個(gè)人只負(fù)責(zé)一道工序。具體來(lái)說(shuō)，他們用了5塊高性能顯卡（H800 GPU），每塊顯卡只負(fù)責(zé)擦除過(guò)程中的一個(gè)特定步驟。比如說(shuō)，如果整個(gè)擦除過(guò)程需要4步，那么第一塊顯卡只做第一步（把涂鴉從最亂擦到稍微清晰一點(diǎn)），第二塊顯卡只做第二步（繼續(xù)擦得更清晰），以此類推。最后一塊顯卡負(fù)責(zé)把完成的畫(huà)面解碼成真正的視頻畫(huà)面。

這樣一來(lái)，當(dāng)?shù)谝粔K顯卡處理完一幀畫(huà)面的第一步，它就可以把半成品傳遞給第二塊顯卡，然后立刻開(kāi)始處理下一幀畫(huà)面的第一步。與此同時(shí)，第二塊顯卡在處理第一幀的第二步，第三塊顯卡可能在處理更早一幀的第三步……就像真正的工廠流水線一樣，每塊顯卡都在不停地忙碌，沒(méi)有人需要等待。

這個(gè)方法有一個(gè)特別關(guān)鍵的細(xì)節(jié)：每塊顯卡都有自己的"記憶本"（KV緩存），記錄著它處理過(guò)的歷史信息。而且，每塊顯卡的記憶本只記錄同樣"擦除程度"的信息。這聽(tīng)起來(lái)有點(diǎn)奇怪，為什么要這樣設(shè)計(jì)呢？

研究團(tuán)隊(duì)專門做了實(shí)驗(yàn)來(lái)回答這個(gè)問(wèn)題。他們發(fā)現(xiàn)，讓AI看著"同樣模糊程度"的歷史信息來(lái)處理當(dāng)前畫(huà)面，效果比看著"完全清晰"的歷史信息要好。這可能是因?yàn)锳I在訓(xùn)練時(shí)就是這樣學(xué)習(xí)的，它習(xí)慣了在特定的"模糊度"下工作，突然給它太清晰的參考反而會(huì)讓它困惑。就好比一個(gè)習(xí)慣戴眼鏡看譜的鋼琴家，你突然給他換成高清大屏幕顯示，他反而可能彈錯(cuò)音。

通過(guò)這套流水線系統(tǒng)，Live Avatar在5塊顯卡上實(shí)現(xiàn)了每秒20幀的生成速度，這意味著它可以實(shí)時(shí)生成流暢的視頻，你說(shuō)話的同時(shí)，數(shù)字人就在同步"說(shuō)話"。更重要的是，這種并行方式幾乎不需要顯卡之間傳輸太多數(shù)據(jù)（只傳遞半成品畫(huà)面，不傳遞記憶本），通信開(kāi)銷非常小，效率極高。

讓數(shù)字人記住自己長(zhǎng)什么樣

解決了速度問(wèn)題，還有一個(gè)更棘手的挑戰(zhàn)：如何讓數(shù)字人在長(zhǎng)時(shí)間對(duì)話中保持一致的外貌？

想象你正在畫(huà)一幅連環(huán)畫(huà)，每一格都要畫(huà)同一個(gè)人物。如果你畫(huà)了幾百格甚至幾千格，很可能畫(huà)著畫(huà)著就跑偏了，臉型變了一點(diǎn)，發(fā)色深了一點(diǎn)，背景色調(diào)也不太對(duì)了。AI生成長(zhǎng)視頻時(shí)也會(huì)遇到同樣的問(wèn)題，研究者稱之為"推理模式漂移"和"分布漂移"。

Live Avatar提出了一套叫做"滾動(dòng)錨點(diǎn)幀機(jī)制"（Rolling Sink Frame Mechanism，簡(jiǎn)稱RSFM）的解決方案。這個(gè)名字同樣很學(xué)術(shù)，但背后的思想非常直觀。

核心想法是：給AI一張"標(biāo)準(zhǔn)照"，讓它在整個(gè)生成過(guò)程中不斷參考這張照片，確保畫(huà)出來(lái)的人物始終像照片上的樣子。但這里有兩個(gè)精妙的設(shè)計(jì)。

第一個(gè)設(shè)計(jì)叫"自適應(yīng)注意力錨點(diǎn)"（Adaptive Attention Sink，簡(jiǎn)稱AAS）。一開(kāi)始，AI會(huì)參考用戶提供的原始參考圖片。但是，當(dāng)AI生成了第一幀視頻畫(huà)面后，系統(tǒng)會(huì)用這第一幀畫(huà)面來(lái)替換原始參考圖片。為什么要這樣做呢？因?yàn)锳I生成的畫(huà)面和原始照片在風(fēng)格上可能有微妙的差異。如果一直參考原始照片，這種差異會(huì)持續(xù)存在并慢慢累積。但如果參考的是AI自己生成的第一幀，后續(xù)所有畫(huà)面都會(huì)和第一幀保持一致，整體風(fēng)格也就統(tǒng)一了。這就像一個(gè)樂(lè)隊(duì)在演奏時(shí)，指揮不是按照樂(lè)譜的節(jié)拍走，而是跟著樂(lè)隊(duì)實(shí)際演奏的節(jié)奏來(lái)調(diào)整，這樣雖然可能和原譜有一點(diǎn)點(diǎn)出入，但整個(gè)演奏會(huì)非常和諧統(tǒng)一。

第二個(gè)設(shè)計(jì)叫"滾動(dòng)位置編碼"（Rolling RoPE）。這涉及到AI如何理解"時(shí)間"的問(wèn)題。AI在處理視頻時(shí)，需要知道每一幀畫(huà)面在時(shí)間軸上的位置，這一幀是第1幀還是第1000幀？位置編碼就是告訴AI這個(gè)信息的方式。問(wèn)題是，AI在訓(xùn)練時(shí)只見(jiàn)過(guò)幾分鐘長(zhǎng)度的視頻，它的"時(shí)間尺度"是有限的。如果你讓它處理一個(gè)幾小時(shí)長(zhǎng)的視頻，那些時(shí)間位置數(shù)字會(huì)變得巨大，超出AI的認(rèn)知范圍。

滾動(dòng)位置編碼的解決方案很聰明：它不讓錨點(diǎn)幀的位置數(shù)字固定不變，而是讓它隨著視頻進(jìn)度滾動(dòng)。具體來(lái)說(shuō)，錨點(diǎn)幀的位置總是被設(shè)定為當(dāng)前幀位置加上一個(gè)固定偏移。這樣一來(lái)，無(wú)論視頻生成到第100幀還是第10000幀，錨點(diǎn)幀和當(dāng)前幀之間的"相對(duì)距離"始終保持在一個(gè)合理的范圍內(nèi)，就像一個(gè)永遠(yuǎn)走在你前面固定距離的向?qū)В瑹o(wú)論你走多遠(yuǎn)，他都在那個(gè)位置等你。

研究團(tuán)隊(duì)還在訓(xùn)練階段引入了一個(gè)叫歷史污染（History Corrupt）的技術(shù)。這聽(tīng)起來(lái)有點(diǎn)反直覺(jué)，為什么要污染歷史信息呢？原因是這樣的：在實(shí)際使用時(shí)，AI參考的歷史幀都是它自己生成的，難免有一些小瑕疵；但在訓(xùn)練時(shí)，如果給AI參考的都是完美的真實(shí)視頻幀，AI就會(huì)變得嬌氣，一遇到有瑕疵的歷史幀就不知道該怎么辦了。通過(guò)在訓(xùn)練時(shí)故意給歷史幀加一些噪聲，AI學(xué)會(huì)了在"不完美"的條件下依然能做出好的判斷，就像一個(gè)在嘈雜環(huán)境中練習(xí)過(guò)的歌手，到了正式演出時(shí)反而更穩(wěn)定。

兩階段訓(xùn)練：先打基礎(chǔ)，再精雕細(xì)琢

Live Avatar的訓(xùn)練過(guò)程分為兩個(gè)階段，就像培養(yǎng)一個(gè)技能一樣，先學(xué)基礎(chǔ)動(dòng)作，再學(xué)高級(jí)技巧。

第一階段叫擴(kuò)散強(qiáng)迫預(yù)訓(xùn)練（Diffusion Forcing Pretraining）。在這個(gè)階段，研究團(tuán)隊(duì)教AI學(xué)會(huì)一個(gè)關(guān)鍵能力：逐塊生成視頻。他們把視頻分成一小塊一小塊的（每塊包含3幀畫(huà)面），讓AI學(xué)會(huì)一次只關(guān)注一塊，同時(shí)參考前面已經(jīng)生成的塊。這就像教一個(gè)人寫(xiě)連載小說(shuō)，先學(xué)會(huì)寫(xiě)好每一章，同時(shí)記住前面的劇情，保持故事連貫。

在這個(gè)階段，研究團(tuán)隊(duì)使用了一種特殊的"因果遮罩"策略。簡(jiǎn)單來(lái)說(shuō)，就是告訴AI："你只能看到過(guò)去發(fā)生的事情，不能偷看未來(lái)。"每一塊畫(huà)面在生成時(shí)，只能參考它前面的塊，不能參考后面的塊。這確保了AI能夠真正做到"邊走邊生成"，而不是必須等整個(gè)視頻都規(guī)劃好才能開(kāi)始。

第二階段叫自強(qiáng)迫分布匹配蒸餾（Self-Forcing Distribution Matching Distillation）。核心思想是：讓AI學(xué)會(huì)偷懶，用更少的步驟完成同樣質(zhì)量的工作。

還記得我們說(shuō)過(guò)，擴(kuò)散模型生成圖像需要反復(fù)"擦除涂鴉"很多次嗎？在第一階段訓(xùn)練完后，AI還是需要很多步驟才能生成高質(zhì)量的畫(huà)面。第二階段的目標(biāo)就是把這個(gè)步驟數(shù)大幅壓縮，從幾十步壓縮到只要4步。

這種壓縮不是簡(jiǎn)單的加速，而是一種知識(shí)轉(zhuǎn)移，學(xué)術(shù)上叫蒸餾。想象一下，有一個(gè)經(jīng)驗(yàn)豐富的老師傅（原始的多步模型），做一道菜需要慢工出細(xì)活，走很多步驟。現(xiàn)在要訓(xùn)練一個(gè)學(xué)徒（蒸餾后的少步模型），讓他用更少的步驟做出同樣好吃的菜。方法是：讓學(xué)徒先嘗試做菜，然后讓老師傅品嘗評(píng)價(jià)，告訴學(xué)徒哪里做得不夠好。學(xué)徒根據(jù)反饋調(diào)整，反復(fù)練習(xí)，最終學(xué)會(huì)了用更簡(jiǎn)潔的方法達(dá)到同樣的效果。

研究團(tuán)隊(duì)發(fā)現(xiàn)，這種蒸餾過(guò)程不僅加快了速度，還意外地提升了畫(huà)面質(zhì)量。這個(gè)發(fā)現(xiàn)和之前一些研究的結(jié)論一致，蒸餾過(guò)程中使用的"分布匹配"損失函數(shù)，某種程度上起到了類似"強(qiáng)化學(xué)習(xí)"的作用，能夠優(yōu)化模型的美學(xué)表現(xiàn)和整體質(zhì)量。就好比學(xué)徒在學(xué)習(xí)老師傅技藝的過(guò)程中，居然發(fā)展出了一些老師傅都沒(méi)有的新技巧。

真實(shí)效果如何？

說(shuō)了這么多技術(shù)細(xì)節(jié)，Live Avatar的實(shí)際表現(xiàn)到底怎么樣呢？研究團(tuán)隊(duì)做了大量的實(shí)驗(yàn)來(lái)驗(yàn)證他們的系統(tǒng)。

首先是速度測(cè)試。在5塊H800顯卡上，Live Avatar實(shí)現(xiàn)了每秒20幀的端到端生成速度，這意味著它可以流暢地實(shí)時(shí)生成視頻。作為對(duì)比，其他使用類似規(guī)模模型的方法，速度通常只有每秒0.16到0.26幀，比Live Avatar慢了將近100倍。有一些方法確實(shí)能達(dá)到實(shí)時(shí)速度（比如Ditto方法能達(dá)到每秒21.8幀），但它們使用的模型規(guī)模只有Live Avatar的七十分之一（2億參數(shù)對(duì)比140億參數(shù)），畫(huà)面質(zhì)量自然也有差距。

關(guān)于畫(huà)面質(zhì)量，研究團(tuán)隊(duì)使用了多個(gè)標(biāo)準(zhǔn)指標(biāo)來(lái)評(píng)估，包括美學(xué)得分（ASE）、圖像質(zhì)量（IQA）、唇形同步度（Sync-C和Sync-D）以及身份一致性（Dino-S）。在短視頻測(cè)試中，Live Avatar的各項(xiàng)指標(biāo)都達(dá)到了競(jìng)爭(zhēng)力水平，與使用相同基礎(chǔ)模型但速度慢100倍的方法相當(dāng)甚至更好。

更令人印象深刻的是長(zhǎng)視頻測(cè)試。研究團(tuán)隊(duì)測(cè)試了7分鐘長(zhǎng)度的視頻生成，發(fā)現(xiàn)Live Avatar在所有指標(biāo)上都大幅領(lǐng)先競(jìng)爭(zhēng)對(duì)手。其他方法在長(zhǎng)時(shí)間生成時(shí)普遍出現(xiàn)明顯的畫(huà)質(zhì)下降，而Live Avatar的畫(huà)面質(zhì)量始終保持穩(wěn)定。論文中的對(duì)比圖清楚地展示了這一點(diǎn)：在生成400秒視頻后，其他方法的數(shù)字人或者臉型變了，或者色調(diào)偏了，或者細(xì)節(jié)模糊了；而Live Avatar生成的數(shù)字人依然保持著和開(kāi)始時(shí)一樣的清晰面貌。

研究團(tuán)隊(duì)甚至做了一個(gè)極限測(cè)試：讓系統(tǒng)連續(xù)生成10000秒（將近3小時(shí)）的視頻。要知道，他們的模型在訓(xùn)練時(shí)只見(jiàn)過(guò)5秒鐘長(zhǎng)度的視頻片段。按照常理，讓模型處理比訓(xùn)練時(shí)長(zhǎng)幾千倍的內(nèi)容，肯定會(huì)"崩潰"。但實(shí)驗(yàn)結(jié)果顯示，無(wú)論是在10秒、100秒、1000秒還是10000秒的時(shí)間點(diǎn)上采樣，視頻的畫(huà)質(zhì)指標(biāo)幾乎沒(méi)有變化。這證明了滾動(dòng)錨點(diǎn)幀機(jī)制的強(qiáng)大有效性。

除了客觀指標(biāo)，研究團(tuán)隊(duì)還進(jìn)行了主觀評(píng)測(cè)。他們邀請(qǐng)了20位參與者，對(duì)各種方法生成的視頻進(jìn)行盲評(píng)，從"自然度"、"同步性"和"一致性"三個(gè)維度打分。結(jié)果顯示，雖然有些方法在某些客觀指標(biāo)上表現(xiàn)更好（比如OmniAvatar在唇形同步度指標(biāo)上得分很高），但人類評(píng)審反而給它的打分較低。原因是這些方法為了優(yōu)化客觀指標(biāo)，讓數(shù)字人的嘴巴動(dòng)作變得過(guò)于夸張，反而顯得不自然。而Live Avatar在三個(gè)維度上的人類評(píng)分都名列前茅，這說(shuō)明它確實(shí)做到了讓數(shù)字人看起來(lái)自然、同步、一致。

每個(gè)技術(shù)組件的價(jià)值

為了證明每個(gè)技術(shù)組件都是必要的，研究團(tuán)隊(duì)還做了詳細(xì)的消融實(shí)驗(yàn)，也就是把各個(gè)組件一個(gè)一個(gè)去掉，看看效果會(huì)變差多少。

關(guān)于流水線并行（TPP），如果去掉這個(gè)設(shè)計(jì)，速度會(huì)從每秒20幀降到每秒4幀，減慢了5倍。嘗試用傳統(tǒng)的多GPU并行方式（序列并行）來(lái)代替，也只能達(dá)到每秒5幀，遠(yuǎn)不如TPP高效。這證明了TPP不只是一個(gè)簡(jiǎn)單的工程優(yōu)化，而是一個(gè)真正突破性的系統(tǒng)設(shè)計(jì)。

關(guān)于長(zhǎng)視頻生成的各個(gè)組件，去掉自適應(yīng)注意力錨點(diǎn)后，美學(xué)得分從3.38降到3.13，圖像質(zhì)量從4.73降到4.44；去掉滾動(dòng)位置編碼后，身份一致性分?jǐn)?shù)從0.93降到0.86；去掉歷史污染機(jī)制后，美學(xué)得分更是暴跌到2.90，圖像質(zhì)量降到3.88。這些數(shù)據(jù)清楚地表明，每個(gè)組件都在發(fā)揮重要作用，缺一不可。

研究團(tuán)隊(duì)還專門對(duì)比了"同步驟記憶"和"清晰記憶"兩種策略。所謂同步驟記憶，就是讓AI在處理第N步去噪時(shí)，參考?xì)v史幀的第N步中間結(jié)果；清晰記憶則是讓AI始終參考?xì)v史幀的最終清晰版本。實(shí)驗(yàn)結(jié)果令人意外，同步驟記憶在所有指標(biāo)上都優(yōu)于清晰記憶，而且還能支持流水線并行（因?yàn)椴恍枰却龤v史幀完全處理完）。這個(gè)發(fā)現(xiàn)對(duì)于理解擴(kuò)散模型的工作原理很有價(jià)值。

這項(xiàng)技術(shù)能用來(lái)做什么？

Live Avatar的應(yīng)用場(chǎng)景非常廣泛。最直接的應(yīng)用是虛擬主播和數(shù)字人直播。想象一下，一個(gè)24小時(shí)不間斷的新聞播報(bào)數(shù)字人，它可以持續(xù)工作幾個(gè)小時(shí)，始終保持一致的形象和高質(zhì)量的畫(huà)面。又或者是在線教育場(chǎng)景中的虛擬教師，能夠?qū)崟r(shí)回答學(xué)生的問(wèn)題，用自然的表情和口型進(jìn)行講解。

另一個(gè)重要應(yīng)用是實(shí)時(shí)視頻通話中的虛擬形象。你可以用自己的聲音說(shuō)話，但屏幕上顯示的是一個(gè)定制的數(shù)字人形象，這在隱私保護(hù)、匿名交流等場(chǎng)景中很有價(jià)值。Live Avatar的實(shí)時(shí)性能意味著這種應(yīng)用可以流暢地進(jìn)行，不會(huì)有明顯的延遲。

研究團(tuán)隊(duì)特意展示了Live Avatar的泛化能力，它不僅能處理真實(shí)人臉，還能驅(qū)動(dòng)卡通角色、動(dòng)畫(huà)人物，甚至是擬人化的非人類對(duì)象。論文中展示的一個(gè)有趣例子是讓一團(tuán)火焰說(shuō)話，火焰的形態(tài)隨著音頻節(jié)奏變化，仿佛真的在開(kāi)口說(shuō)話一樣。這種創(chuàng)造性的應(yīng)用展示了技術(shù)的靈活性和想象空間。

當(dāng)然，研究團(tuán)隊(duì)也坦誠(chéng)地指出了當(dāng)前技術(shù)的局限性。雖然TPP大幅提升了幀率（每秒能生成多少幀），但"首幀延遲"（從收到音頻到輸出第一幀畫(huà)面的時(shí)間）并沒(méi)有明顯改善，這在需要極低延遲的交互場(chǎng)景中可能是個(gè)問(wèn)題。另外，系統(tǒng)對(duì)錨點(diǎn)幀機(jī)制的依賴很強(qiáng)，在一些復(fù)雜場(chǎng)景中可能影響長(zhǎng)時(shí)間的時(shí)序一致性。團(tuán)隊(duì)表示，未來(lái)會(huì)繼續(xù)研究如何降低延遲和進(jìn)一步提升時(shí)序連貫性。

至頂AI實(shí)驗(yàn)室洞見(jiàn)

Live Avatar研究團(tuán)隊(duì)通過(guò)巧妙的流水線并行系統(tǒng)設(shè)計(jì)和滾動(dòng)錨點(diǎn)幀機(jī)制算法創(chuàng)新，同時(shí)解決了速度和質(zhì)量?jī)蓚€(gè)看似矛盾的問(wèn)題。而且他們的方法具有很強(qiáng)的通用性，同樣的思路可以應(yīng)用到其他需要實(shí)時(shí)生成的AI任務(wù)中。

我們離真假難辨的數(shù)字人又近了一步。未來(lái)，你在視頻通話中看到的人，可能是一個(gè)AI驅(qū)動(dòng)的數(shù)字形象，而你完全無(wú)法分辨。這帶來(lái)了便利，也帶來(lái)了新的思考：我們應(yīng)該如何應(yīng)對(duì)這種技術(shù)帶來(lái)的信任問(wèn)題？如何防止技術(shù)被濫用于欺騙？研究團(tuán)隊(duì)在論文中也特別提到了倫理考量，表示他們的技術(shù)僅用于合法的遠(yuǎn)程呈現(xiàn)和交互應(yīng)用，并建議在實(shí)際部署時(shí)采取訪問(wèn)控制和數(shù)字水印等措施。

科技的發(fā)展總是比我們想象的更快。而Live Avatar，正是這個(gè)加速進(jìn)程中的一個(gè)重要節(jié)點(diǎn)。

論文地址：https://arxiv.org/abs/2512.04677v3

本文來(lái)自至頂AI實(shí)驗(yàn)室，一個(gè)專注于探索生成式AI前沿技術(shù)及其應(yīng)用的實(shí)驗(yàn)室。致力于推動(dòng)生成式AI在各個(gè)領(lǐng)域的創(chuàng)新與突破，挖掘其潛在的應(yīng)用場(chǎng)景，為企業(yè)和個(gè)人提供切實(shí)可行的解決方案。

Q&A

Q1：Live Avatar是什么？

A：Live Avatar是由阿里巴巴集團(tuán)聯(lián)合中國(guó)科學(xué)技術(shù)大學(xué)等高校研發(fā)的AI數(shù)字人視頻生成技術(shù)，它能夠根據(jù)音頻實(shí)時(shí)生成高清數(shù)字人說(shuō)話視頻，而且可以無(wú)限時(shí)長(zhǎng)地持續(xù)生成而不出現(xiàn)畫(huà)質(zhì)下降或"變臉"問(wèn)題。

Q2：Live Avatar需要什么硬件才能運(yùn)行？

A：論文中的實(shí)驗(yàn)使用了5塊NVIDIA H800顯卡才能達(dá)到每秒20幀的實(shí)時(shí)生成速度。這意味著目前它還是一個(gè)需要高端硬件支持的專業(yè)級(jí)技術(shù)，短期內(nèi)可能主要用于企業(yè)級(jí)應(yīng)用而非普通消費(fèi)者設(shè)備。

Q3：這項(xiàng)技術(shù)會(huì)不會(huì)被用來(lái)制作"深度偽造"假視頻？

A：這確實(shí)是一個(gè)值得關(guān)注的問(wèn)題。研究團(tuán)隊(duì)在論文中專門討論了倫理考量，強(qiáng)調(diào)技術(shù)僅用于合法用途，并建議采用訪問(wèn)控制和數(shù)字水印等措施來(lái)防止濫用。不過(guò)，任何強(qiáng)大技術(shù)都存在被誤用的風(fēng)險(xiǎn)，社會(huì)需要在技術(shù)普及的同時(shí)建立相應(yīng)的監(jiān)管和檢測(cè)機(jī)制。