數字人視頻生成技術正迅速成為增強人機交互體驗的核心手段之一。然而，現有方法在實現低延遲、多模態控制與長時序一致性方面仍存在顯著挑戰。大多數系統要么計算開銷巨大，無法實時響應，要么只能處理單一模態輸入，缺乏真正的交互能力。
為了解決這些問題，快手可靈團隊（Kling Team） 提出了一種名為 MIDAS（Multimodal Interactive Digital-human Synthesis）的新型框架，通過自回歸視頻生成結合輕量化擴散去噪頭，實現了多模態條件下實時、流暢的數字人視頻合成。該系統具備三大核心優勢：
-
64× 高壓縮比自編碼器，將每幀壓縮至最多 60 個 token，大幅降低計算負荷；
-
低于 500ms 端到端生成延遲，支持實時流式交互；
-
4 步擴散去噪，在效率與視覺質量間取得最佳平衡。
該項研究已被廣泛實驗驗證，在多語言對話、歌唱合成甚至交互式世界建模等任務中表現出色，為數字人實時交互提供了全新解決方案。