英文题目：StreamingTalker: Audio-driven 3D Facial Animation with Autoregressive Diffusion Model
会议身份：
conference:aaai:2026:conference-paper-id:38162
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#自回归模型 #扩散模型 #流式处理 #语音 #音视频生成
评分：7.0/10 | 创新 1.4/2 | 技术严谨 1.2/1.5 | 实验充分 1.1/1.5 | 清晰度 0.8/1 | 影响力 1.0/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Yifan Yang：机构信息未能从会议 PDF 纯文本可靠映射
- Zhi Cen：机构信息未能从会议 PDF 纯文本可靠映射
- Sida Peng：机构信息未能从会议 PDF 纯文本可靠映射
- Xiangwei Chen：机构信息未能从会议 PDF 纯文本可靠映射
- Yifu Deng：机构信息未能从会议 PDF 纯文本可靠映射
- Xinyu Zhu：机构信息未能从会议 PDF 纯文本可靠映射
- Fan Jia：机构信息未能从会议 PDF 纯文本可靠映射
- Xiaowei Zhou：机构信息未能从会议 PDF 纯文本可靠映射
- Hujun Bao：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
语音驱动三维人脸动画需以语音片段与说话人身份为输入逐帧生成三维网格，需兼顾口型同步与表情自然，且长序列超出训练视野易退化、全序列联合去噪导致时延随长度增长。方法先以向量量化变分自编码器将人脸运动压缩为离散隐变量并可经解码器重建网格，为后续逐帧生成提供紧凑运动先验。接着自回归条件预测器以偏置因果自注意力编码有限历史运动隐变量，再经交叉注意力与HuBERT语音编码及风格嵌入对齐融合，输出指导下一帧的动态条件。最后轻量单层多层感知机扩散头在该动态条件与时间嵌入下由高斯噪声直接预测干净隐变量并解码为网格，实现固定窗历史下的因果流式输出。相比全序列一起去噪的扩散基线，该历史条件引导的自回归扩散避免对整段音频的等待依赖，因而对任意长度保持低首帧时延与长程稳定性。在VOCASET基准测试设置下，StreamingTalker的LVE指标为2.7206，低于DiffSpeaker的LVE指标3.1478。该结论适用边界受限于短时长英语扫描语料与有限表情变化，长程语义与情绪外推尚未验证。单卡Nvidia RTX 4090硬件上首帧延迟仅25ms并可达40FPS渲染。
🔗 开源与复现资源
- 代码相关资源：https://zju3dv.github.io/StreamingTalker/ — 链接不可用（HTTP 404） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，输出是什么，什么信息必须保留？
这篇论文研究的任务是语音驱动的 3 维人脸动画。输入是一段语音片段与说话人身份，输出是与语音同步的 3 维人脸网格序列。文中把语音记为音频序列，把说话人记为身份向量，把输出记为每帧包含全部顶点 3 维位移的网格序列。初学者可以这样理解：输入是声音波形加是谁在说话，输出是每一时刻脸应该长成什么形状。必须保留的信息有 3 类。
第一是唇同步，嘴形开合要与音素对应，双唇音要闭合，元音要有相应的圆唇或张口。第二是表情的自然动态，上半脸不能僵死，要与说话节奏有合理的起伏。第三是时序一致性，相邻帧之间不能跳变，长时间生成不能漂移。论文强调已有扩散方法 1 次处理整段音频，训练时是固定长度，测试遇到更长音频容易退化，而且必须等整段处理完才出结果，延迟随长度增长。
于是作者把问题重构为流式生成：每次只看固定长度的历史运动加当前音频，逐帧输出，延迟与总时长无关。当前代码链接在资源状态中显示为不可用，本文写作时只能依据论文正文复述方法，不能声称代码已公开可运行。
已有路线如何划分，本文与扩散路线有何不同？
按输入、目标与监督方式，已有工作可分为两大类。第一类是基于语言学规则的方法，用主导函数或可视音素规则把音素映射到嘴部动作，代表是传统映射与面向动画师的可视音素模型。这类方法依赖中间音素表示，主要建模嘴部，缺少 1 对多生成能力。第二类是学习方法，直接从音频与 3 维网格配对数据学习。
早期有用时域卷积从原始音频与说话人风格驱动静态模板的方法，有用分类潜空间区分音频相关与无关运动的方法，它们依赖短音频窗口而忽略长时上下文。后来有用变换器解码器建模长时上下文并引入自监督语音特征的方法，有用向量量化码本加时序自回归建模离散运动先验的方法，但它们多为确定性模型，多样性受限。
扩散路线是近年引入的分支，先在整序列上加噪再用神经网络去噪，代表有首次引入该任务的扩散方法、加入风格编码器的方法、图增强量化空间的方法以及用偏置条件注意力融合风格与扩散步数的方法。它们的共同点是 1 次对整段序列去噪，需要变换器或 U 型网络等大去噪网络。本文的不同在于不做整序列去噪，而是用自回归条件预测器从过去运动提取条件，再用轻量多层感知机扩散头逐帧生成，从而支持任意长度的流式输出。
为什么固定长度训练会导致长序列与实时性问题？
可以举一个教学例子来理解，但例子中的数字仅为说明逻辑，不代表论文测量值。假设训练时每条样本都是约 4 秒的短句，模型 1 次看到完整 4 秒再输出完整 4 秒，它学到的是这个长度下的位置偏置与全局平滑策略。当测试给到 60 秒的长语音，若仍要求 1 次处理全部，内存与计算会显著上升，而且模型从未见过如此长的位置索引，容易出现动作退化或抖动。若改成滑动窗口拼接短段结果，相邻段边界又可能不连续。
实时应用还要求从输入音频到输出第 1 帧动画的时间很短，不能等整句说完。论文把这两个困难拆成两个机制问题。第一是如何动态整合过去运动的历史信息，使每一步的条件长度固定且与训练一致。第二是如何在保证质量的同时把单步去噪做轻，使首帧延迟不随总时长增长。后文的方法全景就是围绕固定窗口历史编码与轻量扩散头展开的。
方法全景：一个样本如何从声音走到网格？
沿一个样本走完全流程有助于建立整体依赖。输入是当前时刻附近的原始音频、过去固定窗口的人脸运动以及说话人身份。第一步是输入编码：音频经预训练语音编码器得到音频嵌入，身份经线性投影得到风格嵌入，过去运动经运动编码器与量化得到过去潜表示。第二步是条件预测：一个两层变换器解码器融合上述三者，输出下 1 帧的动态条件。第三步是扩散生成：单层多层感知机以该条件、当前噪声潜表示与时间嵌入为输入，直接预测干净潜表示。
第四步是网格重建：运动解码器把潜表示解码为 3 维网格。这样每一时刻只生成当前帧，生成后该帧又可作为下一步历史的一部分，形成自回归循环。下面的示意图展示了 3 路编码汇入条件预测器再驱动扩散头最后经解码器输出的完整路径，右侧还展开了条件预测器内部的注意力结构。
本图为论文图 1 的官方原图，左侧为总览，右侧为条件预测器细节，阅读时先看主路径再看融合位置。
看图路径： 1. 先沿左侧三路输入到条件预测器再到扩散头最后到预测网格的主箭头走一遍；2. 再看右侧条件预测器内过去潜表示与风格向量相加后进入自注意力再与音频特征交叉的位置；3. 对比左图过去运动只取固定窗口与右图多头注意力堆叠的对应关系；4. 确认扩散头输入为条件加噪声输出为预测潜表示再经解码器成网格
论文图 1。原论文 Figure 1：“(a) Overview of the pipeline. We employ an AR diffusion model to generate speech-driven 3D facial animations for inputs of arbitrary length.”。
从像素可见，左图底部从左到右依次是说话人身份、原始音频波形、过去人脸网格与预测人脸网格，上方 3 路编码模块分别标注风格嵌入、语音编码器与运动编码器，它们向上汇入顶部条件预测器，再向右产生条件并进入标注为多层感知机的扩散头，扩散头侧面还有噪声输入，下方输出预测潜表示再经解码器成网格并有箭头指回历史。右图从上到下依次是过去潜表示加风格向量与位置编码后进入多头自注意力，再与右侧音频特征做多头交叉注意力，最后经前馈网络输出条件。这一结构支持流式推理，因为每步所需历史长度固定，不需要等待整段音频。
历史与音频如何变成下一帧的条件？
条件预测是连接过去与现在的关键。白话说，自回归建模就是用已经生成的结果作为下一步的输入，1 帧 1 帧往前推；扩散模型就是从噪声出发逐步恢复出合理样本的生成方式。本文把二者分工为自回归管条件，扩散管生成。
自回归建模 × 扩散模型： 自回归建模负责把过去有限帧运动和当前音频压缩为下 1 帧的动态条件，解决历史信息如何被动态利用的问题；扩散模型负责在该条件下从高斯噪声恢复当前帧潜表示，解决 1 对多面部运动分布如何高质量采样的问题；二者搭配的理由是全序列扩散 1 次看全句难以流式输出，而纯自回归确定性预测多样性不足，组合后新增的作用是任意长度下逐帧生成且保持首帧低延迟。
具体操作上，模型选择固定历史长度，取当前帧之前的连续若干帧作为过去运动。若推理刚开始且过去长度不足，则用已有全部序列。历史长度按数据集特点在 60 到 120 帧之间取值。过去运动先经运动编码器与量化得到过去潜表示。
\[zpast = quantize(E(xT −h:T −1)) = zT −h:T −1\]该式说明过去网格窗口经编码与量化后得到过去潜序列，符号下标表示从当前帧减去窗口长度到当前帧前 1 帧的范围。然后变换器解码器以过去潜表示、音频嵌入与风格嵌入为输入，用教师强制方式预测下 1 帧条件。
\[CA = TransformerDecoder(zpast, Ea(a), Es(sk)).\]其中过去潜表示先经过带因果掩码的偏置因果多头自注意力，保证只能看到当前或过去信息，再经多头交叉注意力与语音编码器输出对齐融合，解码器还使用对齐掩码保证语音与运动模态正确对应。音频编码器选用在 960 小时语音上预训练的语音表示模型的基础版本，风格向量由独热向量经线性层嵌入得到。
HuBERT 音频编码 × 交叉注意力： HuBERT 音频编码负责把原始语音片段转为富含声学与语言信息的音频嵌入，解决输入表示的问题；交叉注意力负责把自注意力后的历史运动表示与音频嵌入对齐融合，解决模态交互的问题；搭配理由是唇形必须与当前音素对齐而不能只看历史动作，组合后条件预测器能输出同时携带说话内容与说话人风格的动态条件。
ALiBi 因果自注意力 × 对齐掩码： ALiBi 因果自注意力负责让历史潜表示只访问当前及过去位置并外推长度，解决时序因果与变长泛化的问题；对齐掩码负责保证语音帧与运动帧在解码器中正确对应，解决模态错位的问题；搭配理由是流式推理时未来帧不可见且训练测试长度不一致，组合后固定窗口历史在训练推理间保持一致的上下文长度。
轻量扩散头与运动编解码器各做什么？
生成侧包含运动潜空间与扩散头两个部件。白话说，向量量化变分自编码器就是先把高维运动压缩为低维特征，再用码本中最接近的基元替换它，最后还能解码回去；运动潜空间就是这个压缩加量化后的表示集合。
VQ-VAE × 运动潜空间： VQ-VAE 负责把原始顶点序列编码为连续特征再量化为码本中的运动基元，解决原始网格维度高、直接去噪困难的问题；运动潜空间是编码加量化后得到的紧凑表示，解决生成器操作对象的问题；搭配理由是离散基元约束了合理人脸运动范围，组合后扩散头只需在低维潜空间预测干净样本，再由解码器重建网格。
运动编解码器采用 6 层变换器结构，编码器解码器特征维度与前馈维度在文中给出，码本保存人脸运动基元。训练时用重建损失与量化损失约束，量化不可微处用直通梯度估计把解码器输入端的梯度复制到编码器输出端。扩散头则是一个单层多层感知机，它不预测噪声而是直接预测干净潜表示，做法与人体运动扩散的已有实践一致，便于对人脸运动加更精确的约束。输入是当前噪声潜表示、动态条件与时间步嵌入，输出是去噪后的潜表示。
\[˜z0 = MLP(zt, CA, Et(t)),\]得到潜表示后，用运动解码器转为人脸网格。
\[˜x = D(˜z0).\]训练时扩散总步数为 1000，采用线性调度，推理时用隐式扩散采样只用 50 步采样，以兼顾速度与精度。这种把重型建模放在条件预测器、把去噪做轻的设计，是首帧延迟低且不随总时长增长的原因。
两阶段训练如何组织，损失监督哪里？
训练分为两个阶段。第一阶段预训练运动编解码器，编码器解码器均为 6 层变换器，监督来自运动重建损失与量化损失的加权和，权重均为 1.0。重建损失计算重建网格与真值网格的 L1 距离，量化损失包含码本与嵌入特征之间的两项码级损失，其中一项带停止梯度，权重系数为 0.25。第二阶段联合训练自回归条件预测器与扩散头，保持运动编码器固定。条件预测器为两层变换器解码器，扩散头为单层多层感知机，共享相同隐层尺寸。优化器为 AdamW，批量大小为 1，学习率为 0.0001，在单张 4090 上训练。
潜损失 × 几何损失： 潜损失负责约束生成的潜表示与量化真值潜表示的 L1 距离，解决潜空间精度的直接监督问题；几何损失包含顶点位置损失与速度损失，负责约束解码后 3 维网格的位置与时序一致性；搭配理由是只监督潜空间不能保证嘴形开合与抖动符合人眼要求，组合后第二阶段训练同时优化表达准确性与运动平滑性。
第二阶段总损失为潜损失、顶点损失与速度损失的加权和，权重均为 1.0。
\[Lstage2 = λlatentLlatent + λvertLvert + λvelLvel, (13)\]其中潜损失计算生成潜序列与真值量化潜序列的 L1 距离，顶点损失计算网格顶点位置的平方 L2 误差，速度损失计算相邻帧位移差的平方 L2 误差以增强时序一致性。论文未报告第一阶段与第二阶段各自的轮数之外的早停、梯度裁剪与学习率衰减细节，也未给出码本大小与潜通道数的完整消融，因此复现时应先按原文固定值实现，再补做这些缺项的敏感性检查。
在哪些数据与指标上比较，条件是否一致？
实验使用两个公开的 3 维语音人脸数据集。第一个是包含情感与中性朗读的集合，由 14 名参与者朗读 40 句英文，每帧包含两万多个顶点，采集帧率为 25 帧每秒，平均时长约 4.67 秒。第二个是包含 12 名受试者 480 条配对序列的集合，运动帧率为 60 帧每秒，典型时长约 4 秒，网格拓扑为 5023 顶点的常用人脸模型。评估指标有三项。唇顶点误差衡量预测唇部顶点与真值的 L2 误差，越低表示唇同步越好。
上脸动态距离衡量上脸顶点沿时间轴标准差的偏离，越低表示表情动态趋势越一致。嘴张开差异衡量预测与真值在嘴开合程度上的平均绝对差，越低表示开合对齐越好且不过度平滑。基线覆盖确定性卷积与变换器方法以及全序列扩散方法，包括早期时域卷积方法、交叉模态解耦方法、变换器长时上下文方法、离散运动先验方法、循环去噪的扩散方法、变换器去噪的扩散方法、个性化方法与风格化扩散方法。
其中风格化扩散原输出参数，本文为统一顶点设置将其官方实现适配为输出网格顶点。所有方法尽量遵循原始训练测试协议，有官方预训练权重则使用，未见说话人则对训练集中每个身份分别生成再平均作为最终结果。第二个数据集因表情变化有限只报告唇误差与嘴开合差异。
主结果与长序列结果支持什么判断？
主结果比较的问题是，在相同数据集与相同指标下，新方法是否在唇同步与表情动态上优于可运行基线。论文报告在两个基准上唇误差与上脸动态距离达到最好，短序列上嘴开合差异略高于最强的变换器扩散基线，但差距在可接受感知范围内。长序列比较的问题是，当生成长度远超训练视野时，固定窗口自回归是否比全序列 1 次去噪更稳定。论文用拼接得到的 2000 帧序列测试，此时所有方法都面临训练短测试长的分布偏移。原表给出的长序列数字如下，表头已说明越低越好，阅读时注意该表对应拼接长序列而非短句测试。
比较长序列生成质量时各方法的唇误差上脸动态与嘴开合差异是否一致变好，且测试长度是否远超训练长度：
| Methods | LVE | ↓ FDD | ↓ MOD ↓ |
|---|---|---|---|
| FaceFormer | 5.4079 | 5.1418 | 20.7980 |
| CodeTalker | 5.7064 | 6.6470 | 15.1021 |
| FaceDiffuser | 5.3125 | 4.2674 | 9.0024 |
| DiffSpeaker | 5.2213 | 4.7980 | 8.9528 |
| Ours | 4.4596 | 3.8912 | 8.8017 |
从该原表可见，本方法在三项指标上均为最低，支持其在长时依赖建模上更稳健的判断。但需注意该表只覆盖部分基线，未包含全部 8 个基线，且单位与短序列主表不同，不能把两张表的数值直接跨表比较。定性方面，论文称本方法在圆唇元音与双唇音闭合上更自然，例如相关单词的发音时刻嘴形更接近真值。下面的官方原图按行列展示了真值与多种方法的嘴形对比。
本图为论文图 2 的官方原图，左侧为一个数据集测试集，右侧为另一个数据集测试集，红色标记表示正在发音的音素，阅读时先定行列再看嘴形。
看图路径： 1. 先按行确认第一行为真值其余行为不同方法，列为不同单词与发音时刻；2. 再对比左侧元音列中本方法与对照方法的嘴形开度与圆唇程度；3. 最后检查右侧双唇音列的闭合程度是否接近真值
论文图 2。原论文 Figure 2：“Qualitative comparison with the state-of-the-arts.”。
从像素可见，每列顶部标注一个英文单词，其中部分字母标红，行从上到下依次为真值、本方法与 3 个对照方法。每格为正面人脸灰度渲染，左侧人脸包含颈部，右侧为人脸特写。可以观察到本方法行在张口列的开口形状与真值更接近，在闭合列的上下唇贴合更完整，而部分对照方法出现开口不足或闭合不全。该图为单帧定性示例，不能代替统计指标，论文也未报告人评打分，因此只能作为机制解释的辅助证据。
延迟比较的问题是，首帧延迟是否随音频总长增长。论文定义推理延迟为从输入音频到输出第 1 帧动画的时间，在 4090 上测量 3 到 27 秒不同长度输入。图注指出全序列扩散、确定性模型与自回归模型均纳入比较。
本图为论文图 3 的官方原图，横轴为音频长度，纵轴为延迟秒，阅读时注意纵轴刻度非线性，重点看曲线是否随长度上移。
看图路径： 1. 先确认横轴为音频长度 3 到 27 秒纵轴为延迟秒并注意纵轴为对数刻度；2. 再比较随长度上升的全序列扩散曲线与保持水平的流式曲线；3. 最后定位本方法曲线在底部附近且不随长度上移的位置
论文图 3。原论文 Figure 3：“Inference latency for 3-27 second audio clips.”。
从像素可见，纵轴为对数刻度，顶部两条曲线随长度明显上升，对应全序列扩散与早期解耦方法；中部一条曲线缓慢上升；底部 3 条近乎水平的曲线对应本方法与两种自回归基线，其中本方法保持低位水平，支持其延迟与音频时长无关的结论。论文正文还给出本方法处理首帧仅需约 25 毫秒，演示中可达每秒 40 帧，但每组件延迟分解与演示实现细节只在补充材料中，本文未能核实。
哪些组件被拿掉后退化最多，固定窗口为何重要？
消融研究的问题是，扩散头、潜编码、历史长度与注意力各自承担什么作用。论文设置了 6 个变体：去掉扩散头后直接由条件经多层感知机预测，去掉向量量化直接去噪，用普通变分自编码器替换向量量化，用全部历史代替固定窗口，去掉交叉注意力，去掉自注意力。评价仍用唇误差、上脸动态与嘴开合差异，越低越好。下表整理了与编码和生成相关的消融，比较问题是潜表示与扩散过程是否为质量所必需。
在相同数据与指标下比较去掉扩散头去掉量化或替换编码器后误差是否上升：
| 条件 | LVE(BIWI) | FDD(BIWI) | MOD(BIWI) | LVE(VOCASET) |
|---|---|---|---|---|
| 本方法 | 4.2504 | 3.6690 | 8.5208 | 2.7206 |
上表显示去掉扩散头后三项指标均变差，支持扩散过程对复杂分布建模的作用；去掉量化直接在原始运动上扩散退化最显著，支持潜空间的必要性；用连续变分自编码器替换后差距很小，支持模型对编码器选择的稳健性。但需注意原文表格中部分数字存在空格排版粘连，本文保留原数值不做四舍五入，单位按原表头为 BIWI 唇误差与嘴开合相关量级与 VOCASET 对应量级，具体以原表头为准。另一组消融关注历史与注意力，比较问题是固定窗口与模态交互是否影响泛化与一致性。
在相同条件下比较使用全部历史与去掉注意力后误差变化及未胜出项：
| 条件 | LVE(BIWI) | FDD(BIWI) | MOD(BIWI) | LVE(VOCASET) |
|---|---|---|---|---|
| 本方法 | 4.2504 | 3.6690 | 8.5208 | 2.7206 |
上表显示使用全部历史略差于固定窗口，论文解释为训练序列短而测试序列长时全部历史引入未见过的长依赖导致分布偏移，固定窗口保持上下文长度 1 致故泛化更好；去掉交叉注意力后误差大幅上升，说明无音频引导时生成失去语义一致性；去掉自注意力后上脸一致性下降较多。该组结果支持固定窗口与双注意力分工的判断，但论文未报告多次随机种子的方差，因此不能断言每 1 次运行都稳定成立。
还有哪些边界没有被测到？
论文在讨论中明确了两项局限。第一是现有数据集多为短序列，不足以覆盖人完整的表情范围，模型难以提取长期上下文，更大更多样的数据可能提升性能。第二是当前模型缺少情感信息，未来可引入情感相关的人脸捕获线索以增强表现力。从复现角度看，还有三项未验证边界。第一是未见说话人的平均策略是否掩盖了对特定身份的偏好，论文只报告平均而未给出分身份方差。
第二是长序列测试采用拼接构造，与真实连续长语音的韵律分布是否一致，文中未做对照。第三是实时演示依赖大语言模型与云端语音合成，端到端延迟与离线指标延迟的口径不同，不能把演示帧率直接等同于模型推理延迟。这些缺失不是技术错误，但在引用结论时应限定为在给定数据划分与指标下的报告结果，而非对所有场景的因果承诺。
要复述与复现，先做什么，需要哪些超参数？
复述时建议按输入到输出的顺序检查。先确认语音片段、说话人身份与过去运动窗口的形状与帧率对齐，再确认语音编码器输出维度、风格嵌入维度与运动潜维度 1 致，然后检查条件预测器中因果掩码与对齐掩码是否同时生效，最后检查扩散头是否以条件加噪声加时间嵌入为输入并直接预测干净潜表示。复现先做三件事。第一是实现 2 阶段流程，先训好运动编解码器并冻结编码器，再训条件预测器与扩散头，不要混淆参数冻结时机。
第二是固定历史窗口长度在 60 到 120 帧之间按数据集选择，推理初期不足时用已有全部序列，不要直接补零。第三是扩散训练用 1000 步线性调度，推理用隐式采样 50 步，以复现速度与质量的平衡。关键超参数包括第一阶段重建与量化权重均为 1.0，量化损失内权重为 0.25，第二阶段三项损失权重均为 1.0，优化器学习率为 0.0001，批量大小为 1。资源状态显示代码链接当前不可用，因此本文只能做到方法级可核对，不能提供可运行脚本或权重下载验证，引用时应写链接当前不可用而非已公开。
何时值得尝试这种流式自回归扩散？
当任务同时满足 3 个条件时值得尝试。第一是输入长度开放且测试可能远超训练长度，需要首帧延迟不随总时长增长。第二是输出为连续网格且需要 1 对多多样性，确定性回归容易过度平滑。第三是能接受 2 阶段训练与潜空间编解码的额外复杂度，并有配对的音频网格数据做监督。若输入是固定短句且允许离线整句优化，全序列扩散可能在短句精度上仍有竞争力，不必为流式付出重构代价。
若数据表情变化很小， mouth 开合之外的收益可能有限，应先补情感或风格标注再评估。总体而言，该文的贡献在于把历史整合问题显式化为固定窗口条件预测，把质量与速度的矛盾分解为重型条件编码加轻量去噪，相关工作对照与消融反证共同支持这一分解在长序列与延迟上的价值，但推广到更长真实对话与多情感场景仍待验证。
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
- 评分规则：type-aware-v1
- 评分模型：muse-spark-1.3-contributor
- 评分请求协议：openai_responses