Bestehende, auf Diffusion basierende Verfahren zur Videogenerierung sind grundlegend durch sequenzielle Berechnung und mangelnde Konsistenz über lange Zeiträume eingeschränkt, was ihre praktische Anwendung in Echtzeit- und Streaming-Anwendungen für audiogetriebene Avatare begrenzt. Wir präsentieren Live Avatar, einen algorithmisch-systematisch koentwickelten Rahmen, der effiziente, hochfidele und unendlich lange Avatare mit einem 14-Milliarden-Parameter-Diffusionsmodell ermöglicht. Unser Ansatz führt Timestep-forcing Pipeline Parallelism (TPP) ein, ein verteiltes Inferenzparadigma, das die Entrauschungsschritte über mehrere GPUs pipelined verarbeitet und so die autoregressive Engstelle effektiv überwindet, wodurch stabile, latenzarme Echtzeit-Streaming-Generierung gewährleistet wird. Um die zeitliche Konsistenz weiter zu verbessern und Identitätsdrift sowie Farbartefakte zu minimieren, schlagen wir die Rolling Sink Frame Mechanism (RSFM) vor, die die Sequenzkonsistenz durch dynamische Neukalibrierung des Erscheinungsbilds mittels eines zwischengespeicherten Referenzbildes aufrechterhält. Zudem nutzen wir Self-Forcing Distribution Matching Distillation, um eine kausale, streambare Anpassung großer Modelle ohne Verlust an visueller Qualität zu ermöglichen. Live Avatar erreicht eine state-of-the-art-Leistung und generiert end-to-end mit 20 FPS auf 5 H800-GPUs – und, soweit uns bekannt, ist es das erste Verfahren, das praktikable, Echtzeit- und hochfidele Avataregenerierung in diesem Maßstab realisiert. Unsere Arbeit etabliert ein neues Paradigma für die industrielle Anwendung fortschrittlicher Diffusionsmodelle in langformigen Videosyntheseprojekten.