/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
2 дек 2025

LiveTalk-1.3B-V0.1

Видео из изображенияИзображение, текст → видео3 профессии

LiveTalk генерирует интерактивные видео с аватаром в реальном времени, используя изображение, текст и аудио для управления.

85скачиваний за 30 дней15лайковвеса обновлены2 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LiveTalk — модель GAIR для генерации интерактивных видео с аватаром в реальном времени. Она преобразует изображения и мультимодальные условия в видеопоследовательность, а также поддерживает управление через текст и аудио. Модель создана дистилляцией двунаправленных диффузионных моделей в причинную авторегрессионную модель с небольшим числом шагов; в README заявлены генерация со скоростью 24,82 кадра в секунду, задержка первого кадра 0,33 секунды и ускорение более чем в 20 раз благодаря четырёхшаговой дистилляции.

LiveTalk предназначена для интерактивных аватаров и разговорных систем с синхронизацией губ и согласованностью между ходами диалога. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Для запуска требуется подготовленное окружение и интеграция с компонентами системы, описанными в официальном репозитории.

Сценарии применения

  • создание говорящего аватара по исходному изображению
  • генерация видео аватара с управлением аудио
  • создание синхронизированного с речью видео для разговорного агента
  • генерация видеокадров аватара в реальном времени
  • поддержание согласованности аватара между ходами диалога

Ограничения

Заявленные скорость и задержка приведены в README; фактическая производительность зависит от аппаратного обеспечения и подготовки окружения. Для полной системы требуется интеграция с аудиоязыковыми моделями.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LiveTalk: Real-Time Multimodal Interactive Video Diffusion via Improved On-Policy Distillation

This is the official model repository for LiveTalk.

LiveTalk enables real-time multimodal interactive avatar video generation through an improved on-policy distillation approach. By distilling bidirectional diffusion models into causal, few-step autoregressive models, LiveTalk achieves over 20× speedup, enabling a seamless real-time interactive experience.

⭐ Highlights

  • Real-Time Generation: Achieves 24.82 FPS throughput with 0.33s first-frame latency.
  • Multimodal Conditioning: Supports text, image, and audio inputs for flexible avatar control.
  • Efficient Inference: Reduces inference time from ~83s to real-time through 4-step diffusion distillation.
  • Multi-Turn Coherence: Demonstrates competitive performance against state-of-the-art models in multi-round interaction benchmarks.
  • End-to-End System: Provides integration with audio language models for conversational AI applications.

🚀 Get started

Installation

For detailed setup instructions, including environment configuration and dependency installation, please refer to the official GitHub repository.

Inference

Once the environment and checkpoints are prepared, you can execute the inference script:

bash ./scripts/inference.sh

Input Requirements:

  • Image: Reference image of the person (JPG/PNG format).
  • Audio: Speech audio file (WAV format, 16kHz sample rate recommended).
  • Text Prompt: Description of the desired video characteristics.

🔍 Method Overview

LiveTalk addresses challenges in distilling multimodal video diffusion models by using an improved on-policy distillation recipe. It introduces curated multimodal conditions, converged ODE initialization, and aggressive optimization to eliminate training instability (like flickering or black frames) while delivering high-quality, lip-synced results.

📚 Citation

If you find this work useful for your research, please cite:

@article{chern2025livetalk,
  title={LiveTalk: Real-Time Multimodal Interactive Video Diffusion via Improved On-Policy Distillation},
  author={Chern, Ethan and Hu, Zhulin and Tang, Bohao and Su, Jiadi and Chern, Steffi and Deng, Zhijie and Liu, Pengfei},
  journal={arXiv preprint arXiv:2512.23576},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
be14ffd

0 моделей