阿里突然开源Live Avatar！虚拟人进入“无限续帧时代”

过去一年，AI 视频生成的战场上，大家都在追逐“更逼真、更像真人”的短视频效果。

但阿里联合多所高校开源的 Live Avatar，却悄悄把方向盘打向了另一个维度：

不是做更好看的视频，而是做“能一直播下去”的虚拟人。

这件事的意义，比你想象得大得多。

为什么 Live Avatar 是一个时代分水岭？

我们先说一句可能会被引用很久的话：

Live Avatar 不是一个模型，它是“虚拟人基础设施”的雏形。

为什么这么说？

因为它第一次在一个系统里同时解决了虚拟人领域最难的三件事：

• 实时（20 FPS）
• 高保真（14B 扩散模型）
• 无限时长（10000 秒以上不崩）

这三件事，过去从来没有一个系统能同时做到。

你可以把它理解为：

Sora 的画质 + VASA-1 的实时性 + EMO 的口型同步 + 无限续帧能力

而且是开源的。

Live Avatar 到底厉害在哪里？

下面我用最通俗但最专业的方式，把它的技术亮点讲清楚。

亮点一：20 FPS 实时生成，扩散模型第一次“跑得起来”了

传统扩散模型的问题你肯定知道：

• 慢
• 更慢
• 再加点采样就卡死

但 Live Avatar 用了两招，把 14B 模型跑成了“实时”：

① 分布匹配蒸馏（Distribution Matching Distillation）

把原本几十步的扩散采样压缩到 4 步。

这不是简单粗暴的“减少步数”，而是：

让 4 步的分布逼近 50 步的效果。

② 时间步强制流水线并行（Timestep-forcing Pipeline Parallelism）

把扩散的每一步拆开，丢到不同 GPU 上并行跑。

结果就是：

5 张 H800 → 20 FPS → 真·实时虚拟人。

这意味着什么？

意味着虚拟人可以“跟你对话”，不是“等你说完再生成”。

亮点二：无限时长生成，虚拟人不再“越播越崩”

虚拟人行业最痛的痛点是什么？

不是画质，而是：

播 5 分钟还行，播 50 分钟就开始变脸。

Live Avatar 用了三项黑科技解决这个问题：

① Rolling RoPE：防止身份漂移

RoPE（旋转位置编码）本来是给语言模型用的。
Live Avatar 把它“滚动更新”，让模型永远知道“现在是第几帧”。

效果：

脸不会越播越不像本人。

② Adaptive Attention Sink：防止分布漂移

长时间生成会让模型“忘记自己长什么样”。
AAS 会动态替换参考帧，让模型始终保持在正确的分布上。

效果：

颜色不崩、光照不乱、风格不漂。

③ History Corrupt：防止误差累积

模型会在 KV Cache 里注入噪声，让它学会“容错”。

效果：

动作不会越播越僵，表情不会越播越怪。

这三项技术组合在一起，就是：

虚拟人第一次可以“无限续帧”而不崩坏。

亮点三：与 Qwen3-Omni 结合，虚拟人第一次有了“灵魂”

Live Avatar 本身负责“身体”。 Qwen3-Omni 负责“思考”。

两者结合意味着：

• 虚拟人能听懂你说话
• 能实时回答
• 能实时做表情
• 能实时生成视频

这不是“视频生成”。 这是 实时交互式虚拟人。

你可以把它理解为：

一个永不疲倦、永不下播、永不情绪失控的 AI 主播。

Live Avatar 的真正意义：虚拟人从“内容”变成“系统

过去的虚拟人是什么？

• 一段视频
• 一个短片
• 一个 demo

Live Avatar 把虚拟人变成了：

• 一个实时系统
• 一个可持续运行的引擎
• 一个可以接入业务的基础设施

这意味着什么？

意味着虚拟人第一次可以：

• 24 小时直播
• 实时客服
• 实时讲课
• 实时导购
• 实时主持
• 实时陪伴

而且成本比真人低几个数量级。

为什么说 Live Avatar 是“下一代虚拟主播”的起点？

因为它解决了虚拟主播的三大致命问题：

未来的虚拟主播会是什么样？

一个 AI 代理 + 一个 Live Avatar 引擎 + 一个直播间。

主播不需要睡觉，不需要吃饭，不需要休息。

直播间永远在线，永远带货，永远赚钱。

这不是科幻，这是 2026 年以后的现实。

Live Avatar 的底层逻辑：不是“生成视频”，而是“生成时间”

这是我认为最值得写进教科书的一句话：

Live Avatar 的核心不是生成视频，而是生成“连续的时间”。

视频只是时间的载体。 虚拟人真正的难点不是画质，而是：

• 时间的连续性
• 身份的一致性
• 行为的稳定性

Live Avatar 解决的正是“时间”这个维度的问题。

这就是为什么它是基础设施，而不是模型。

未来三年，Live Avatar 会改变什么？

我给你三个判断，未来会被验证：

① 直播行业会出现“AI 24 小时主播”

真人主播会变成“品牌 IP”， AI 主播负责“全天候带货”。

② 每个 App 都会有自己的“虚拟客服”

不再是冷冰冰的文本窗口， 而是一个能看见、能说话、能互动的虚拟人。

③ 虚拟人将成为“AI 代理的身体”

AI 代理负责思考， Live Avatar 负责呈现。

这会是下一代交互方式。

最后

iPhone 不是第一台智能手机， 但它定义了智能手机的未来。

Live Avatar 也不是第一个虚拟人模型， 但它定义了虚拟人的未来：

实时、流式、无限时长、可交互、可接入业务。

这是 AI 的时代， 一切改变都来的太快。