Hallo-Live 让文本驱动音视频数字人迈入实时流式生成

本文第一作者李淳誉为复旦大学博士生，主要研究方向为视频生成扩散模型；复旦大学硕士生李佳烨为共同一作。复旦大学教授，上海创智学院全时导师朱思语为通讯作者。

文本驱动的音视频数字人，正在从 “能生成” 走向 “能实时交互”。但这条路并不好走。一方面，视频和语音的联合生成本身就是高维、重计算任务；另一方面，一旦为了速度做激进加速，嘴型同步、语音自然度和人物细节往往会一起下滑。

最近，来自上海创智学院、复旦大学等机构的研究者提出了Hallo-Live，试图正面解决这个矛盾。论文于2026 年 4 月 26 日发布在 arXiv。该方法将 异步双流扩散（Asynchronous Dual-Stream Diffusion） 与人类偏好引导蒸馏（Human-Centric Preference-Guided DMD）结合起来，在两张 NVIDIA H200 GPU 上实现了20.38 FPS的吞吐与0.94 秒的端到端延迟；相较教师模型 Ovi，吞吐提升16.0 倍，延迟下降99.3%，同时仍保持接近教师模型的视觉质量和音画同步效果。

• 论文标题：Hallo-Live: Real-Time Streaming Joint Audio-Video Avatar Generation with Asynchronous Dual-Stream and Human-Centric Preference Distillation
• 论文链接：https://arxiv.org/abs/2604.23632
• 代码地址：https://github.com/fudan-generative-vision/Hallo-Live

此 demo 展示了 Hallo-Live 在动漫风格、写实人物和 Multi-speaker 场景下的实时文本驱动音视频生成效果。

为什么实时音视频生成这么难？

和传统的音频驱动数字人不同，文本驱动音视频生成要同时完成两件事：先 “理解” 文本里的人物、场景、语气和声学环境，再同步生成对应的说话视频与语音。这意味着模型不仅要保证画面质量和语音自然度，还要把嘴型、发音、表情甚至上半身动作卡在同一个时间轴上。

已有工作里，Ovi 等双流扩散模型已经证明，音频流和视频流分开建模、再做跨模态融合，是一条有效路线。但问题在于，这类模型通常更偏向离线高质量生成，离实时交互还有明显距离。作者指出，真正把它改造成流式系统时，会遇到两个核心瓶颈：

• 严格因果的块级注意力看不到 “短时未来” 语音信息。但真实说话中，嘴唇动作往往会先于声音到来，存在明显的协同发音现象。
• 少步蒸馏虽然能提速，但容易带来 “均值化” 退化。结果就是视频纹理变糊、语音更机械、音画对齐也更容易漂移。

Hallo-Live 整体框架

Hallo-Live 包含两个训练阶段。Stage 1 是Dual-Stream ODE Init：模型同时输入不同 noise level 的音视频 blocks，基于单模态和跨模态的 Block-Causal Mask 训练双流 DiT，使训练阶段的可见性约束和流式推理保持一致。Stage 2 是Self-Rollout + Dual-Stream DMD：学生模型基于音视频 KV Cache 自回归生成完整音视频，再引入音频、视频和音视频同步相关的 reward，对双流 DMD 损失进行加权，从而把教师模型蒸馏为 few-step 模型。

Causal Fusion Block则是 Hallo-Live 双流 DiT 的核心单元：视频流和音频流先分别做单模态 Block-Causal Self-Attention，再注入文本条件，随后通过跨模态 Block-Causal Cross-Attention 交换信息，在流式生成下完成音视频融合。其中，视频到音频的注意力使用 Future-Expanding Block-Causal Mask，让当前视频块能够看到少量未来音频上下文。

关键技术 1：

Future-Expanding Attention

论文第一个创新设计，是Future-Expanding Attention。作者观察到，如果视频流只能看到当前和过去的音频块，那么模型很难做出自然的提前张口、闭口、唇齿过渡等动作。于是，他们把视频到音频的跨模态注意力做成 “非对称” 的：视频仍然聚焦当前块，但音频键值范围会额外向前扩一小段 look-ahead 窗口。

这相当于给视频流一个短时的 “预读区”。重要的是，这个未来音频块并不是最终输出，而是一个临时的、可被下一步覆盖的过渡块，因此不会损失最终生成的音频质量。

从直觉上看，Strict Block-Causal Attention 只能看当前音频，而 Future-Expanding Attention 允许视频块访问少量未来音频，从而改善口型同步效果。

关键技术 2：

把 “偏好” 直接蒸馏进学生模型

如果说 Future-Expanding Attention 解决的是 “看不见未来语音” 的问题，那么HP-DMD解决的则是 “加速以后为什么会变丑、变僵、变不同步”。

作者的做法是把蒸馏目标从单纯模仿教师分布，转向 “奖励加权后的教师分布”。其中：

• VideoAlign负责衡量视频美学与文本 / 画面对齐
• SyncNet负责衡量唇形与语音是否同步
• AudioBox负责衡量语音自然度与声学质量

如果用更接近 RL / reward optimization 的语言来写，Hallo-Live 的核心不是直接做 policy gradient，而是先给学生模型生成的样本打分，再把这些 reward 通过指数重加权注入蒸馏目标。从分布视角看，它等价于不再单纯拟合教师分布 p_T，而是去拟合一个被 reward 倾斜过的新目标分布：

直观理解，这套写法更像 “reward-weighted distillation” 而不是传统强化学习里的策略梯度更新：模型并不直接对动作概率做 RL 优化，而是通过 reward 重新塑形 student 要逼近的目标分布。

结果如何？

速度几乎 “断层领先”，质量接近重型教师模型

从主要结果来看，Hallo-Live 最突出的优势就是把文本到音视频生成首次真正推入了实时区间。

从指标结果来看：

• 速度：Hallo-Live 达到20.38 FPS0.94 秒延迟，明显快于 Ovi、LTX-2、JavisDiT 和 UniVerse-1 等方法。
• 质量：在VideoAlign Overall（2.32）Sync-C（4.72）以及人类保真度（0.90 / 0.98 / 0.92）等指标上，Hallo-Live 整体接近 Ovi 和 LTX-2，没有因为提速而出现明显失真。

这组结果说明，Hallo-Live 并不是用极端牺牲质量去换取速度，而是在质量基本守住的前提下，把系统推到了可交互的速度等级。对于数字人直播、角色扮演和虚拟主持等场景，这一点非常关键。

意义与展望

Hallo-Live 的价值，不只是把速度做快了一点，而是提出了一种很有代表性的技术路线：在保持流式因果生成框架的前提下，完成视频和语音的联合生成。对数字人行业来说，提供了一种可部署、可交互、可扩展的模型形态。

当然，论文也没有宣称问题已经被完全解决。比如，从指标看，Hallo-Live 在同步和语音质量上仍未全面超过最强离线或重型模型；另一方面，当前实验平台仍依赖两张 NVIDIA H200，距离更低成本硬件部署还有优化空间。不过，如果把“实时文本驱动音视频数字人”看作一个长期目标，Hallo-Live 已经给出了一份相当明确的阶段性答案。