INFP 是由 ByteDance 开发的音频驱动的双边互动视频生成框架，主要用于实时生成自然灵活的互动视频。它能够根据音频内容自动切换角色，生成与音频高度一致的面部表情和头部动作。该框架经过深度优化，运行速度超过 40 FPS，支持实时视频生成，适用于即时通讯、视频会议等实时场景。此外，它还支持多语言音频生成、唱歌模式，以及侧面头像和非人类形象的生成。
