人体运动生成是一项长期存在的挑战性任务，因为需要准确建模复杂多样的动态模式。现有的大多数方法采用如循环神经网络（RNN）等序列模型，直接在原始动作空间中建模状态转换。由于高维度和潜在噪声的影响，这种动作状态转换的建模尤为困难。本文专注于基于骨架的动作生成，并提出在低维的动作序列隐空间中建模平滑且多样的状态转换。给定一个隐序列，所有隐动作姿态共享的帧级解码器生成动作。具体而言，定义了一个隐式RNN来建模平滑的隐序列，其随机性（多样性）由输入中的噪声控制。与标准的动作预测方法不同，我们的模型可以从纯噪声中生成动作序列，而无需任何条件动作姿态。值得注意的是，在训练过程中，该模型还可以从混合类别中生成未见过的动作。我们的模型通过双向生成对抗网络框架进行学习，不仅能够生成特定类别的多样化动作序列或混合类别的动作序列，还学会了在同一模型内对动作序列进行分类。实验结果表明，我们的方法在多样化动作序列生成和分类方面均优于现有方法。