人类运动本质上是连续且动态的，这对生成模型提出了重大挑战。尽管离散量化方法（如VQ-VAE）在该领域占据主导地位，但它们存在固有的局限性，包括表达能力受限和帧间噪声伪影。虽然连续方法能够生成更加平滑和自然的运动，但由于高维复杂性和有限的训练数据，这些方法往往表现不佳。为了解决离散表示与连续表示之间的这种“不协调”，我们提出了一种新的方法——DisCoRD：通过修正流解码将离散运动标记转换为连续运动（Discrete Tokens to Continuous Motion via Rectified Flow Decoding）。DisCoRD通过在连续空间中采用迭代精炼过程，捕捉了细粒度的动力学特征，并确保生成的运动更加平滑和自然。我们的方法与任何基于离散的框架兼容，在提高自然性的同时不会牺牲对条件信号的忠实度。广泛的评估表明，DisCoRD在HumanML3D数据集上的FID得分为0.032，在KIT-ML数据集上的FID得分为0.169，达到了当前最佳性能。这些结果进一步证明了DisCoRD是一种稳健的解决方案，能够在保持离散效率的同时实现连续的真实感。项目页面可访问：https://whwjdqls.github.io/discord.github.io/。