أصبحت نماذج الانتشار (Diffusion Models) خيارًا شائعًا في توليد الحركة البشرية بسبب قدراتها التوليدية القوية. ومع ذلك، فإن التعقيد الحاسوبي العالي وخطوات العينات الكبيرة تشكل تحديات للتطبيقات الفورية. حظي نموذج الاستمرارية (Consistency Model - CM) بالترحيب كحل لخفض عدد خطوات العينات من مئات إلى بضعة خطوات، عادةً أقل من أربع، مما يسرع بشكل كبير عملية توليد النماذج الانتشارية. ومع ذلك، فإن تطبيق CM على توليد الحركة البشرية المشروطة بالنص في الفضاء الكامن (Latent Space) يؤدي إلى نتائج غير راضية. في هذا البحث، نقدم \textbf{MotionPCM}، وهو نهج يستند إلى نموذج الاستمرارية المرحلي والمصمم لتحسين جودة وكفاءة توليد الحركة الفوري في الفضاء الكامن. أظهرت النتائج التجريبية على مجموعة بيانات HumanML3D أن نموذجنا يحقق استدلالًا فوريًا بمعدل أكثر من 30 إطارًا في الثانية بخطوة واحدة فقط للعينة، مع تفوقه على أفضل التقنيات السابقة بنسبة تحسين 38.9٪ في مؤشر الاختلاف (FID). سيتم توفير الرمز المصدر للتحقق من النتائج وإعادة إنتاجها.