Vi presenterar en realtidsteckenkontrollmekanism med hjälp av en ny neural nätverksarkitektur som kallas en fas-Verkat Neural Network. I denna nätverksstruktur, vikterna beräknas via en cyklisk funktion som använder fasen som en insignal. Tillsammans med fasen, vårt system tar som inmatning användarkontroller, föregående tillstånd av karaktären, geometrin av scenen, och producerar högkvalitativa rörelser som uppnår den önskade användarkontroll automatiskt. Hela nätverket är utbildad i en ände-till-ände-sätt på en stor datauppsättning bestående av locomotion såsom promenader, löpning, hoppning, och klättring rörelser inpassad i virtuella miljöer. Vårt system kan därför automatiskt producera rörelser där tecknet anpassar sig till olika geometriska miljöer såsom promenader och kör över ojämn terräng, klättra över stora stenar, hoppa över hinder, och hukande under låga tak. Vår nätverksarkitektur ger högre resultat kvalitet än tidsserie autoregressiva modeller såsom LSTMs eftersom det handlar uttryckligen med den latenta variabel rörelse samband med fas. När utbildade, vårt system är också extremt snabb och kompakt, kräver endast millisekunder genomförandetid och några megabyte minne, även när utbildade på gigabyte rörelsedata. Vårt arbete är mest lämpliga för att kontrollera tecken i interaktiva scener som dataspel och Virtual Reality-system.