新智元报道

编辑：LRST

当元宇宙数字人急需「群舞技能」，音乐驱动生成技术却遭遇瓶颈——舞者碰撞、动作僵硬、长序列崩坏。为解决这些难题，南理工、清华、南大联合研发端到端模型TCDiff++，突破多人生成技术壁垒，实现高质量、长时序的群体舞蹈自动生成。该模型支持跨模态编舞，可一键生成和谐流畅的群舞表演，为虚拟演唱会、数字人集体演出等场景提供完整的AIGC解决方案。作为该领域首批基础模型之一，TCDiff++从AAAI 2025的开源成果TCDiff升级而来，并被IJCV 2025正式接收。

在常见的群舞数据中，超过80%的动作看起来几乎一样！更麻烦的是，每个舞者的动作数据维度高达100多，而位置坐标却只有可怜的3维——模型直接「脸盲」了，根本分不清谁是谁。

结果舞者身份混淆，跳着跳着就撞在一起。

此外，独舞也有可能变「滑步」，导致画面非常魔幻。

你有没有见过舞者上身跳得标准，双脚却像在冰上滑行？这就是典型的「脚部滑动」。其根源在于AI难以协调全身动作和脚下轨迹，导致视觉效果失真，观感十分出戏。

如果编舞时间过长，也可能导致生成崩溃，长序列群舞仍是难题。

现有技术能生成几秒钟的群舞片断，可一旦拉到几分钟甚至更长，动作就开始突变、卡顿、不连贯。而现实中，一场真正的群舞表演动辄数分钟，音乐剧更要持续数小时——这之间的差距，正是当前技术亟待填补的关键空白。

群舞生成三大难题示意图以及TCDiff++效果，从左到右分别为多舞者碰撞、单舞者脚滑、长时生成位置突变问题、TCDiff++克服这些难题

在AAAI 2025发表的TCDiff模型，研究人员首次提出「轨迹可控」的生成思路，通过分离轨迹预测与动作生成的两阶段框架，有效防止了群舞中的舞者碰撞。

然而，该设计也导致动作与位移衔接生硬，且在生成长序列时容易出现抖动、性能下降等问题。

为从根本上克服这些缺陷，研究团队最新推出了升级版——TCDiff++，一个从音乐到舞蹈的端到端生成模型。

论文地址：https://arxiv.org/pdf/2506.18671

项目地址：https://da1yuqin.github.io/TCDiffpp.website/

代码地址：https://github.com/Da1yuqin/TCDiffpp

顾名思义，TCDiff++是一个「轨迹可控」的扩散模型，核心创新在于其两阶段生成流程，专门针对群舞的和谐性与真实感设计：

团体舞蹈解码器（Group Dance Decoder）：作为第一道工序，它根据输入的音乐，首先生成一套整体协调、且能避免舞者相互碰撞的初始舞蹈动作。

步法适配器（Footwork Adaptor）：接着，这个专门的模块会介入，它聚焦于舞者的脚部轨迹，对初始动作进行局部精修，生成扎实的脚步动作，从而有效消除「脚底打滑」的不自然现象。

代码提供的自动化渲染流程，可以得到项目主页中同样的视频结果，对Blender软件初学者友好

最终，系统将优化后的精准步法与协调的团体舞姿无缝融合，直接生成一段步伐稳扎、舞者间无碰撞的和谐群舞序列。

框架图，包含团体舞蹈解码器（Group Dance Decoder）和步法适配器（Footwork Adaptor），团体舞蹈解码器首先生成无轨迹碰撞的初始群舞动作；适配器随后对其脚部轨迹进行优化，减轻滑步现象；最终将优化后的步法自然融入初始动作，合成协调稳定、舞步扎实的完整舞蹈序列

多舞者防碰撞系统

给舞者「排位置」：通过引入舞者定位嵌入（Dance Positioning Embedding），为每位舞者编码其在队伍中的左右相对位置，使模型能记住并维持整体队形，避免混乱。

增强角色区分：新增融合投影模块（Fusion Projection），将舞者特征映射到更高维空间，强化模型对不同舞者动作的辨识能力，减少身份混淆。

融合投影模块，左图是之前投影维度，右图是提出的融合投影模块，增加了输入维度以增强舞者区分度

全局距离约束：通过距离一致性损失函数，在全局层面合理约束舞者间距，确保生成队形既舒展又不会相互碰撞。

精准步态控制

引入交换模式（swap mode）：在生成初始动作时，将音乐特征与舞者之间特定的空间交换模式共同作为条件，从源头引导模型生成更合理的步法。

优化脚部轨迹：步法适配器对群舞解码器生成的原始动作进行专门优化。它利用脚跟、脚趾的触地状态和身体根骨骼的速度信息，针对性修正下半身运动，生成脚踏实地的步法，最后再与富有表现力的上半身动作融合，形成自然流畅的最终结果。

长序列生成优化

分段生成，平滑衔接：提出长序列扩散采样策略（Long Group Diffusion Sampling）。模型并非一次生成全部序列，而是以「分段生成、后半段重叠」的自回归方式推进。

在生成新片段时，会利用已生成片段的后半部分作为确定性条件，有效维持长序列中角色位置与动作的连贯性，避免突变。

长序列扩散采样策略，首先生成部分重叠的片段，然后将其合并形成完整的序列

模型对比实验

为何TCDiff++脱颖而出

实验测试表明，相较于现有方法，TCDiff++生成的群舞在个体动作质量和群体协调效果两方面均有显著提升，能够在较长音乐片段上持续产生高度同步、富有表现力且整体和谐的舞蹈表演。

不同模型在群舞指标和单舞者指标上的对比实验，TCDiff++获得多舞者指标最优、单舞者真实性多样性效果卓越

不同模型、不同人数在群舞指标和单舞者指标上的对比实验，TCDiff++定位和身体动作更加一致，从而在团体舞蹈指标中保持持续优势

对比实验显示，现有模型在多人舞蹈生成中各有明显缺陷：

EDGE（单舞者模型）在群舞场景中严重「水土不服」，因难以区分不同舞者，导致频繁的「脚底打滑」和舞者间碰撞。

GCD过度关注舞者互动，却忽略了位置坐标建模，同样产生严重脚滑问题。

CoDancers虽减轻了舞者混淆，却牺牲了整体队形的协调性与舞者间关联，且无法生成精准步法。

TCDiff通过分离坐标与动作的两阶段生成，提升了队形质量，但也导致动作与位置不匹配，影响了个体动作的自然度。

相比之下，TCDiff++凭借其端到端架构与内部模块的协同设计，有效解决了舞者身份混淆问题，确保了定位与身体动作的高度一致，从而在所有团体舞蹈指标上持续领先，并在单人动作的多样性与逼真度上表现卓越。

长时生成对比实验，TCDiff++获得最佳性能

长序列生成能力考验

在延伸至720帧的长序列测试（表3）中，所有模型均出现性能衰退，具体表现为：

EDGE与GCD因缺乏空间信息引导，生成序列中会出现突兀的舞者位置交换。

CoDancers与TCDiff采用的自回归方法各有局限：前者忽略群体特征，导致队形不佳；后者因动作不确定性，误差会随时间累积，最终导致动作与位置严重脱节。

唯有TCDiff++凭借端到端设计，保证了位置与动作的一致性，并有效利用历史生成信息来维持位置稳定，成功实现了最佳的长序列生成效果。

消融实验，所有模块在不同程度上缓解了多名舞者碰撞和脚部滑动，从而使舞蹈动作更加逼真

消融实验的结果也表明当所有模块同时应用时，模型性能最佳。总体而言，所有模块都有助于提升模型在群体指标上的表现，从而证明了它们在增强群体舞蹈和谐性方面的有效性。

用户调研柱状图，TCDiff++生成的视觉效果最受用户喜爱

用户调研

此外，团队还基于四项标准（动作真实感、音乐与动作的关联性、队形美感以及舞者的和谐感）做了用户调查研究。结果表明TCDiff++获得了更多用户的青睐，展现了在审美吸引力方面的卓越表现。

从虚拟舞团到元宇宙

TCDiff++的落地前景展望

尽管TCDiff++在群体舞蹈生成上取得了突破，但它仍处于「基础版」阶段，在实用性与交互性上还存在明显局限：

第一，仅支持音乐跨模态，暂不支持其余「多模态」控制，生成模式较为单一。

目前模型仅支持从音乐生成舞蹈这一基础功能，尚未引入文本描述、动作关键帧、舞种风格等多样化控制信号。

这虽然为跨模态生成打下了坚实基础，但在真实落地场景中（如虚拟演唱会或游戏剧情动画），用户往往需要更灵活的操控手段来精准表达创作意图。

研究人员选择优先攻克生成质量与流畅度这一核心难题，将「多模态交互控制」列为下一步突破的重点——这将是实现产品化应用的关键。

第二，对「舞者换位」这类复杂队形变换的学习能力仍显不足。

这背后既有算法建模处于早期阶段的原因，更受限于现有数据集中「换位动作」样本稀少、缺乏明确标注的客观限制。

随着更丰富的群舞数据与更细致的动作标注出现，结合下一代模型架构的优化，未来系统将能更精准、更自然地呈现队形动态变换之美。

参考资料：

https://arxiv.org/pdf/2506.18671