英文题目：Mitigating Error Accumulation in Co-Speech Motion Generation via Global Rotation Diffusion and Multi-Level Constraints
会议身份：
conference:aaai:2026:conference-paper-id:38281
✅ 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：#流匹配 #Transformer #变分自编码器 #语音 #音视频生成
评分：6.4/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：方法研究
👥 作者与机构
- Xiangyue Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Jianfang Li：机构信息未能从会议 PDF 纯文本可靠映射
- Jianqiang Ren：机构信息未能从会议 PDF 纯文本可靠映射
- Jiaxu Zhang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
面向语音驱动的全身共语动作生成，输入为原始语音波形、说话人标识与8帧种子姿态，输出为SMPL-X体系的全身6D全局旋转加根部位移序列与面部表情系数，难点在于局部旋转经前向运动学递归复合导致末端误差累积与梯度不稳定。首先预训练WavLM提取声学特征并结合说话人向量经浅层Transformer直接回归面部表情，同时将加噪全局姿态按手部与躯干分区并与音频特征拼接后送入堆叠运动生成块按条件流匹配预测干净样本x1。接着位置重构改用沿根到关节路径的加性组合替代递归旋转乘积，使各关节获得直接稳定梯度并从结构上解除深度依赖。然后三级约束联合正则去噪过程：关节级虚拟锚点约束恢复朝向可辨性，骨骼级角度矩阵约束维持长程骨骼协调，其输出的空间合理序列再经共享多尺度变分编码器的运动级约束对齐韵律时序。与依赖局部旋转加前向运动学监督的已有方法不同，该框架直接在全局旋转空间解耦预测再以外显几何约束补回结构先验，因而稳定了手部等末端关节的长时富表现力动作。在BEAT2全说话人评测设置下，GlobalDiff方法的FGD指标为0.263，低于RAG-GESTURE方法的FGD指标0.487。结论的适用边界目前限于BEAT2室内动作捕捉分布，跨语言与长时交互外推尚未验证，而训练成本为在四块NVIDIA V100硬件上以批量128训练1000轮约17小时。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 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，要输出什么，什么信息不能丢？
这篇论文研究的是随语音生成全身动作，输入是一段原始语音波形、说话人身份编号和一小段种子姿态，目标是输出与语音同步的躯干、手部、手指乃至面部表情的连续 3 维动作。读者可以把任务想象成配音演员驱动虚拟人：声音给出节奏、重音和大致情绪，种子姿态给出起始位置，模型要补全后面几百帧每个关节怎么转、身体怎么摆。初学者容易只盯着动作像不像人，而忽略 3 个必须保留的信息。第一是说话人差异，同样一句话不同人手势幅度不同。
第二是时间对齐，重拍点上要有可感知的动作变化；第三是解剖合理，手指不能翻折，脚不能飘移，躯干不能长期倾斜。论文摘要开宗明义说可靠生成需要精确的动作表示和跨关节一致的结构先验，这正是全文的线索：表示决定误差如何传播，结构约束决定独立预测会不会散架。后文所有公式和实验都是围绕这条线索展开，输出不是单帧姿态分类，而是一整段可播放、可与语音对齐的全身旋转序列。
同输入同目标的前人走了哪两条路，各自卡在哪里？
按同输入、同目标、同运行阶段来对照，前人主要有两条路线。第一条是基于离散词表的生成，例如谈话节目类方法把面部分开处理，后续工作把身体切成多块或引入掩码建模与残差量化，优点是训练稳定、节奏控制相对直接，论文指出其短板是生成多样性受限，因为量化码本把连续动作压缩成了有限选项。
第二条是基于扩散的生成，从风格化手势、面部与身体联合建模、文本风格控制，到分部件扩散与先检索再生成，都在提升表现力和语义对齐，但论文强调它们几乎都建模在局部关节旋转空间。局部旋转的好处是父子关系写死在表示里，姿态不容易断裂；坏处是推理时要做前向运动学连乘，上游一点小误差会被下游逐级放大。这解释了为什么长而夸张的演讲动作中手指与脚最先失稳。
两条路线都没有同时解决多样性与末端稳定性，论文选择保留扩散以保多样性，但把建模空间换成全局旋转，再另起 3 层约束补结构，这就是与前人最关键的分工差异。
为什么局部连乘会让手指先坏掉？
要理解误差累积，先沿一个样本走完表示链条。骨架是一棵树，根在骨盆，往下分出脊柱、手臂、手指与腿脚。局部旋转说的是每个关节相对父关节转了多少，全局旋转说的是每个关节在世界系下绝对朝哪。由局部求全局必须把从根到该关节路径上所有局部旋转矩阵连乘起来，再把静息偏移逐段旋转后累加得到位置。越深的关节连乘项越多，根部或肩肘的微小角度偏差会被后面的乘法与加法不断放大，到中指指尖或脚尖就变成肉眼可见的抖动与错位。
反向传播同样要穿过这条又深又非线性的链，梯度不稳定，训练也难。论文把这种现象称为层级误差累积，并指出它在长序列与细粒度手势中尤其严重。 下面这张动机图把问题与解法并置，左上是真值与局部预测骨架的偏离示意，右上是分布与节奏的散点，下半是 3 层约束的递进，读图时把表示切换与约束补偿看成 1 对组合拳。
看图路径： 1. 先看上半左图真值与局部预测骨架在手臂与腿部的偏离与红圈位置；2. 再看上半右图横轴为与真值的节奏距离纵轴为分布距离时本方法红星的位置；3. 最后看下半三格从关节散点到骨骼箭头再到动作隐空间对齐的递进关系
论文图 1。原论文 Figure 1：“Overview of our motivation and solution.”。
这张图的上半部分显示，局部预测在手臂与下肢出现整体漂移，红圈标出的肘腕与膝踝偏离最明显，而右图散点中本方法在左下角同时取得更低的分布距离与更小的节奏距离，支持全局表示确实缓解了末端放大。下半三格则预告后文：关节层管朝向消歧，骨骼层管骨间角度，动作层管整段隐空间对齐，三者共同把全局独立预测重新拉回合理人体。
全局扩散加三层约束的全景如何走通一个样本？
现在沿一个样本走完输入到输出。原始波形先送入预训练语音编码器得到高层声学特征，再与说话人身份向量拼接后，一路经浅层变换器直接估计面部表情，因为音素与唇形接近一一对应，可以用轻量映射单独处理；另一路与表情、加噪全身动作一起进入身体生成。身体部分把加噪全局姿态按预定义划分拆成手部与躯干两路，分别与表情和音频在通道维拼接，再送入各自堆叠的运动生成块。
每个生成块是带风格调制的残差变换器，以说话人风格、扩散时间步与种子动作为条件做仿射变换与交叉注意力，最终输出干净的全局关节旋转与位移。训练目标是流匹配回归，直接预测干净样本而非速度场；推理时从噪声出发逐步去噪，并用前一段末尾帧作下一段种子以支持长序列串流。 下图是全文最重要的结构图，左侧是双路去噪主干，右上是 3 层约束如何取用预测动作，右下是面部分支，阅读时注意约束只在训练时提供梯度，不改变推理主路径。
看图路径： 1. 先沿左侧加噪动作到手部与躯干两路再到运动生成块与预测动作的主路径走一遍；2. 再看右上三格约束分支如何从预测动作分出并以不同损失回流；3. 最后看右下音频经语音编码器与说话人标识汇合后单独生成表情的并行支路
论文图 2。原论文 Figure 2：“Overview of the GlobalDiff Framework.”。
图中左侧加噪手部与加噪躯干分别拼接条件后进入上下两组运动生成块，下方展开了一个块内部的交叉注意力、多头自注意力、缩放平移与归一化的残差顺序。右上三格分别画出虚拟锚点绕关节旋转、某根骨骼与其他所有骨骼的连线、上下两段动作送入共享编码器算隐空间距离，直观对应关节、骨骼、时序 3 层约束。右下面部分支显示语音波形经编码器与身份标识汇合后送入表情编码器，说明面部与身体解耦生成但共享语音条件。
全局位置如何避免连乘，三个约束各自补什么？
这一节先讲表示切换的计算，再讲 3 个约束的分工。论文推导全局位置可写成根位置加上沿根到该关节路径上每段静息偏移经各自全局旋转后的加和，没有了局部旋转的连乘形式。每个关节的梯度直接来自自身全局旋转，深度不再带来乘法放大，因而位置监督更稳定。代价是各关节独立，全局旋转本身不记住骨长与父子耦合，直接学习容易出现断裂或不合理扭转，所以需要外部约束。
局部旋转 × 全局旋转： 局部旋转分工是描述子关节相对父关节的朝向，天然携带父子依赖和骨骼层级；全局旋转分工是描述每个关节在世界坐标系下的绝对朝向，各关节互相解耦。搭配理由是局部表示在前向运动学中要连乘祖先旋转因而放大上游误差，全局表示把位置计算变成沿路径的加和从而切断连乘，组合意义是先用全局直测止住误差累积，再用外部约束把丢掉的层级耦合补回来。
关节层约束针对旋转多解。只监督关节中心位置时，末端自身旋转不进入其位置公式，多个不同旋转可对应同一位置，尤其手指与肘部最易含糊。做法是在每个关节局部系放若干不共面虚拟点，用预测全局旋转与真值旋转分别搬运这些点并比较位移，因为锚点张成 3 维空间，对齐它们就唯一锁定了旋转。实现细节是虚拟点数取 6，对所有关节统一施加，既给精细朝向监督，也隐式带入骨长几何。
虚拟锚点 × 关节结构约束： 虚拟锚点分工是在每个关节局部系下放若干不共面点，把不可见的旋转变成可见点的位移；关节结构约束分工是比较预测旋转与真值旋转搬运后锚点位置的均方误差。搭配原因是只监督关节中心位置时末端自身旋转不进入位置公式因而存在多解，组合意义是用锚点张成的 3 维空间唯一锁定旋转，同时隐式带入骨长与空间几何。
骨骼层约束针对整体位形。先由预测与真值位置算出每根骨骼的单位方向，再算所有骨对之间方向余弦构成角度矩阵，对齐两个矩阵的均方误差。即使两根骨在运动树上不相邻，它们的相对角度也被管住，从而抑制单侧手臂不对称弯折、躯干侧倾与脚步不稳。这一步只用位置导出的方向，不再依赖旋转连乘。
角度矩阵 × 骨骼结构约束： 角度矩阵分工是用所有骨骼方向两两余弦相似度记录全身相对角度关系，捕捉不直接相连肢体之间的协同；骨骼结构约束分工是对齐预测与真值角度矩阵的均方误差。搭配原因是逐关节独立监督管不住不对称弯折与躯干倾斜这类整体失配，组合意义是在单帧内强制长程骨骼角度一致，恢复解剖上合理的骨架位形。
时序层约束针对节奏与平滑。把预测整段与真值整段送入同一个多尺度变分编码器得到时序嵌入，再拉近两者距离。编码器兼顾短时抖动与长时韵律，损失鼓励模型在隐空间复刻真实动力学，避免逐帧合理但连起来忽快忽慢或与语音重拍脱节。
条件流匹配 × 运动生成块： 条件流匹配分工是给出从噪声插值到干净全局旋转的回归训练目标，条件包含音频、表情与种子动作；运动生成块分工是分手部与躯干两路用残差变换器加风格调制与交叉注意力实现该映射。搭配原因是流匹配需要一个能融合多模态条件与说话人风格的去噪网络，组合意义是把语音与身份信息逐层注入去噪过程，输出可直接监督的干净全局动作。
全局位置的加和形式是理解全文的关键，它把原来公式 4 的连乘加和改写为只用全局旋转的加和，符号含义是根位置加路径上每段偏移的旋转后累加，计算目标是得到可直接做位置监督又不引入层级连乘的关节位置。
\[qk = qroot + (i→j) ∈π(k)\]读到这里应建立完整链条：输入语音与种子经双路变换器输出全局旋转，加和公式给出位置，3 个约束分别在朝向、位形、节奏上把独立预测拉回人体结构。
多尺度变分编码器 × 时序结构约束： 多尺度变分编码器分工是把整段预测动作与真值动作分别压成兼顾短时抖动与长时节奏的时序嵌入；时序结构约束分工是拉近两段嵌入的均方距离。搭配原因是关节层与骨骼层只管单帧合理，管不住忽快忽慢与语音 prosody 脱节，组合意义是在隐空间对齐整段动力学，使生成动作保持平滑过渡与节奏同步。
手躯分路与面部分支为何这样切分？
论文把身体切成手部与躯干两路，不是随意分组，而是学习容量与运动尺度的权衡。手部关节多、自由度高、幅度小但语义密，躯干关节少、幅度大、决定整体平衡，若用同一组参数建模，小幅手指细节容易被大躯干运动淹没。分路后两组运动生成块结构相同但参数独立，各自拼接相同的音频与表情条件，既保留跨部位协同的上下文，又让高频指尖变化有专属容量。
面部分支单独处理也有明确理由：唇形与音素对应紧密，不需要像肢体那样建模长程骨骼耦合，用浅层变换器从声学特征与身份向量直接回归表情顶点即可，训练更轻且不易受肢体噪声干扰。推理时身体与面部并行生成再合并渲染，保证口型与手势都对齐同一语音。初学者常误以为分路会割裂全身协调，实际上协调由后文骨骼角度矩阵与时序嵌入在训练时统一拉回，分路只解决容量分配，结构一致由损失保证。
训练目标与优化过程到底在最小化什么？
训练在条件流匹配框架下进行。记干净动作为目标分布样本，噪声为源分布样本，中间样本是两者按时间步的线性插值，网络以中间样本与条件为输入直接回归干净样本，损失是预测与真值的平方误差期望。条件包括表情特征、高层音频与起始种子动作，输出是每帧每个关节的 6 维旋转加根位移。这种简化流匹配避免估计连续速度场，实现上就是带条件的去噪回归。
总体损失在该回归项之外叠加关节锚点损失、骨骼角度矩阵损失与时序嵌入损失，分别对应精细朝向、整体位形与整段动力学。论文未报告四项损失的权重配比与梯度截断细节，也未说明多尺度变分编码器在主训练中是冻结还是联合更新，这是复现时需要核对的缺项，不能从编码器名称推定其更新方式。优化器与预算在原文有明确交代，下表把硬件、批量、轮数、学习率与几何超参数整理成一行，便于对照复现成本。
训练配置只有把硬件、批量、优化器与几何参数放在同一行才能判断成本与可比性，下表用五列呈现原文连续句中的全部关键数字，指标方向是成本越低越易复现，但轮数与批量共同决定总步数，不能只看单项。
| 项目 | 硬件 | 批量与轮数 | 学习率与优化器 | 几何与种子 |
|---|---|---|---|---|
| 全身全局扩散训练 | four NVIDIA V100 GPUs | batch size of 128, 1,000 epochs | learning rate of 1e-4, ADAM optimizer | 6 virtual nodes, 8-frame seed pose |
训练配置表显示，单次训练在 4 卡上约需十余小时量级，批量与轮数都不小，学习率取常用小量级，虚拟点数与种子帧数是复现时必须保持一致的几何条件。
表后需要强调的代价是硬件门槛与时间开销：4 卡与 1000 轮意味着单卡复现要按比例延长，且种子长度改变会直接影响串流推理的初始条件，因此对比实验必须固定种子帧数，否则节奏与分布指标不可比。论文还说明串流时用上一段末尾帧作下一段种子，长序列只需初始种子，这种做法减少了推理准备，但也把首段质量的影响向后传递。
流匹配回归项是全部监督的起点，它把去噪问题写成对干净样本的直接回归，符号中模型输出与干净目标的平方距离即优化目标，输入是插值样本与多模态条件，计算目标是在给定语音与种子下恢复全局旋转序列。
\[Lsimple = Et,x0∼p0,x1∼p1 ∥fθ(xt, c) −x1∥2 ,\]理解该式后，再把 3 层约束看成对它的正则：回归保证像真值，约束保证像合理的人在说话时动。
在什么数据、什么划分与什么指标下比较？
实验采用 BEAT2 个数据集，论文报告其规模与采集方式是判断泛化边界的基础。该数据集提供数十小时 3 维动作与上 1000 段对话序列，平均每段约 1 分钟，覆盖多位说话人。论文同时在全量测试集与单说话人子集上评估，前者考跨身份泛化，后者便于与只报单人结果的前人对照，这种双轨评估是公平性的关键。实现上训练从 8 帧种子姿态启动，串流时复用前段末尾帧，保证长序列条件一致。指标分 4 类：分布真实感用手势距离，数值越小表示生成分布越接近真值。
多样性用生成片段间平均差异，数值大表示变化多，但过大可能是抖动而非语义变化；节奏同步用语音与动作节拍对齐度，数值含义需看与真值的距离还是原始分数，方向以原文表头为准；面部精度用顶点均方误差，数值越小越好。硬件预算与用户研究规模同样影响结论可信度，下表把数据规模与主观评测规模并置，提醒读者客观指标与人评是两套体系，不能互相替代。
数据与评测规模决定结论能推广到哪里，下表把时长、序列数、平均时长与主观样本数放在五列中，公平条件是同一数据集划分与同一指标实现，指标方向需结合表头箭头理解。
| 数据集 | 总时长 | 序列数 | 平均时长 | 主观评测规模 |
|---|---|---|---|---|
| BEAT2 | approximately 60 hours | 1,762 dialogue sequences | around 65 seconds | 10 video samples, 28 participants |
该表说明，数据量足以支撑多说话人训练，平均时长覆盖完整语义段，主观评测用 10 段视频与数十位参与者从真实感、语义一致与音画同步三方面排序。
表后要指出的限制是主观样本仅 10 段，覆盖的文本与身份有限，自动指标再好也不能代替人评；同时论文未报告多次随机种子的方差与显著性检验，因此小幅指标差异应谨慎解读为趋势而非定论。
主结果测了什么，与谁比，条件一致吗？
主比较在 BEAT2 上与近年可运行基线同条件训练后对比，包括掩码建模、解耦扩散、风格扩散与检索增强等路线，论文注明检索增强方法因无公开结果而未纳入可视化对比。评估分单说话人与全说话人两档，指标覆盖分布距离、节奏对齐、多样性与面部误差。原文报告本方法在两档下都取得最低的分布距离与可比的面部误差，节奏对齐与顶尖基线相当，多样性在保持结构完整的同时具竞争力。
需要强调的是多样性不是越大越好，抖动也会推高多样性，必须结合分布距离与人评一起看。论文摘要提到相对当前最优有大幅提升，但正文表格才是可核对的证据，应以表格数字与人评为准，而非单句百分比。 下图按说话人与文本提示组织可视化，首行是真值，中间两行是基线，末行是本方法，阅读时先看文本再看手势语义是否匹配，避免只看姿态好看就下结论。
看图路径： 1. 先按列对照同一文本提示下真值在首行的手臂张开幅度；2. 再逐行比较中间两行基线手臂是否出现单侧下垂或含糊抱胸；3. 最后看末行本方法在对应列是否出现双手对称上举或外展强调动作
论文图 3。原论文 Figure 3：“Visual comparison. Our GlobalDiff produces semantically meaningful gestures that align closely with the spoken content and speaker identity.”。
图中 4 组分别对应不同说话人，在强调用词附近本方法做出双臂外展或双手近头对称手势，与真值的强调意图更接近，而基线或动作幅度受限或出现单侧下垂。在驾驶一词附近本方法做出近似握方向盘的双手前置，基线则回到通用摆动。在长时间胸前手势段本方法保持稳定，基线出现身体失衡或细节丢失。这些定性例子支持全局表示加约束带来了更清晰的语义手势，但例子是精选帧，不能推广为全程每帧都优，需要与定量表与人评互证。
拿掉每一层约束会发生什么，全局真的比局部稳吗？
消融要回答两个问题：全局是否优于局部，每层约束是否必要。论文从局部旋转基线起步，逐步切换到全局旋转，再依次加入关节、骨骼、时序约束，报告分布距离、节奏对齐与多样性的变化。切换到全局后节奏与多样性提升，说明解耦确实释放了表达；加入关节约束后朝向精度与语义表达改善；加入骨骼约束后分布距离明显下降，反映整体位形更合理。
加入时序约束后三项达到最优，说明整段动力学对齐补上了最后一块。反证方面，去掉关节约束时手指出现拇指翻折与小指扭转，去掉骨骼约束时出现躯干倾斜与脚步不稳，指尖轨迹在局部建模下呈现高频振荡而全局轨迹更贴近真值。 下图聚焦骨骼约束的反例，上排无约束时红框与红圈标出失衡，下排有约束时同语音段姿态恢复直立，读图时注意对比的是同一文本下的连续帧而非单帧美丑。
看图路径： 1. 先看上排去掉骨骼约束时红框标出的躯干倾斜与红圈标出的脚部交错；2. 再看下排加入约束后同语音段五帧躯干与下肢是否保持直立对称
论文图 4。原论文 Figure 4：“Qualitative study on the effect of Ls. Without Ls, motion becomes structurally incoherent, exhibiting unbal- anced posture and unstable foot placement.”。
该图左右两段文本下，无约束序列出现手臂过度外张与双脚交错，有约束序列 5 帧内保持躯干居中与下肢对称，支持角度矩阵确实在约束长程骨骼关系。但也要看到约束并未完全消除所有抖动，时序约束仍需配合才能保证连贯，因此 3 层是递进而非替代。 组件递进的定量证据需要保留基线与每个可运行变体，下表即原文消融矩阵，公平条件是同一说话人子集与同一指标实现，指标方向是分布距离越小越好，节奏与多样性越接近真值水平越好。
| Method | FGD↓ | BeatAlign→ | Diversity→ |
|---|---|---|---|
| Ours(local) | 0.594 | 0.578 | 9.33 |
| Ours(global) | 0.592 | 0.693 | 13.08 |
| + Lj | 0.574 | 0.665 | 12.30 |
| + Lj + Ls | 0.517 | 0.593 | 13.78 |
| + Lj + Ls + Lm | 0.478 | 0.705 | 13.73 |
表后解读应同时看到收益与代价：从局部到全局加 3 层约束，分布距离逐级下降并在完整模型最低，节奏对齐在完整模型回到较高水平，多样性在加入骨骼约束后明显抬升但关节约束单加时略有回落，说明单层约束可能暂时压制变化，完整组合才兼顾真实感与表达。未胜出项也要点名：中间变体在节奏上曾低于全局无约束版本，表明约束需要调和，逐项叠加并非每步单调最优。论文未报告权重敏感性与多次运行方差，这是待补的验证。
哪些结论还没被验证，什么情况下不该直接套用？
首先区分 3 类表述。论文直接报告的是在 BEAT2 双轨划分上的分布、多样性、节奏与面部误差，以及 10 段视频的人评排序；有限解释是全局加和减少连乘因而更稳，这有推导与轨迹图支持；未验证推测是该思路可作为未来结构感知全局扩散的稳健基线，这需要更多数据集与跨语言验证。其次指出明确边界：面部分支依赖音素与唇形强对应，对歌唱或极快语速是否同样有效未评测。
骨骼约束依赖有效骨方向，若存在遮挡或拟合失败的帧，其角度矩阵质量会下降；时序编码器的更新与冻结方式未交代，复现时若处理不同可能得到不同节奏分数。训练与推理成本要分开看，论文给出训练耗时与硬件，但未报告推理帧率与逐步延迟，不能承诺实时性改善。总体趋势不等于每组每步成立，精选可视化不能代表长尾文本，引用结果时应同时给出数据集、说话人范围与指标方向。
要复现先做什么，需要哪些超参数与信息条件？
复现先固定信息条件：同一 BEAT2 划分、同一 8 帧种子启动与串流复用规则、同一语音编码器输出维度与说话人编号方式，再固定几何条件：6 维旋转表示、根位移通道、虚拟点数取 6、手躯划分与表情回归分支。训练按流匹配回归加 3 层约束实现，先跑通全局无约束版本确认分布与节奏基线，再逐个加入关节、骨骼、时序约束，观察分布距离是否下降而多样性不崩。需补的验证包括损失权重网格、编码器冻结与否的对照、多种子方差与显著性，以及推理延迟与内存实测。
关于资源，论文正文给出项目主页链接，但本次收到的资源状态没有完成可达验证，因此不能断言代码、模型或数据当前已公开或可运行，应以原文链接自行核对可达性为准。常见误解是把全局旋转当成完全抛弃骨骼，实际上骨长与父子路径仍通过静息偏移与角度矩阵进入计算与损失，丢掉的只是连乘依赖，而非解剖本身。
何时值得尝试这个方法，还差哪项验证？
当你的随语音动作在手指与脚部先出现抖动、长序列越到后面越飘，且已确认不是数据标注噪声时，值得尝试把建模空间换成全局旋转，再用虚拟锚点锁朝向、用角度矩阵锁整体位形、用时序嵌入锁节奏。适用条件是骨架静息偏移准确、语音与动作时间戳对齐、种子姿态可靠；若骨架拟合本身不准，骨骼约束会把错误也拉齐，需要先修数据。若只关心短句粗手势，局部建模加位置监督可能已够，不必引入 3 层约束的调参负担。
还需补的验证是跨数据集与跨语言的分布与人评、约束权重的敏感性曲线、以及单卡复现与实时推理的真实开销。记住核心判断：全局直测止住连乘放大，3 层约束补回结构，完整组合在原文消融中取得最优，但节奏与多样性仍需结合人评与方差来确认，不能只看单表最低值。
⚖️ 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