FlowAct-R1：迈向交互式人形视频生成

交互式写实人像视频生成旨在合成栩栩如生的视觉智能体，使其能够通过连续且响应迅速的视频与人类互动。尽管视频合成技术近期取得了进展，但现有方法往往难以在高质量合成与实时交互需求之间取得平衡。在本文中，我们提出了 FlowAct-R1，这是一个专门为实时交互式人像视频生成设计的框架。FlowAct-R1 基于 MMDiT 架构构建，能够流式合成任意时长的视频，同时保持低延迟响应。我们引入了分块扩散强制（Chunkwise Diffusion Forcing）策略，并辅以一种新颖的自强制（Self-forcing）变体，以缓解误差累积并确保连续交互过程中的长期时间一致性。通过利用高效蒸馏和系统级优化，我们的框架在 480p 分辨率下实现了稳定的 25fps 帧率，且首帧渲染时间（TTFF）仅约 1.5 秒。该方法提供了全面且细粒度的全身控制，使智能体能够在交互场景中自然地切换不同的行为状态。实验结果表明，FlowAct-R1 实现了卓越的行为生动性和感知真实感，同时在不同的人物风格上保持了强大的泛化能力。