英文题目：DialoGen: Towards Dialog Gesture Generation via Identity-Decoupled Style Guidance in Interactive Diffusion Model
会议身份：
conference:aaai:2026:conference-paper-id:38327
✅ 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：#对比学习 #扩散模型 #语音 #音视频交互
评分：5.4/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.8/1.5
排名：后50% | 文档类型：方法研究
👥 作者与机构
- Weiyu Zhao：机构信息未能从会议 PDF 纯文本可靠映射
- Chenyang Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Liangxiao Hu：机构信息未能从会议 PDF 纯文本可靠映射
- Zonglin Li：机构信息未能从会议 PDF 纯文本可靠映射
- Wei Yu：机构信息未能从会议 PDF 纯文本可靠映射
- Shengping Zhang：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
对话手势生成以双人对话音频与对应文本为输入，需为说话者与倾听者同步输出自然连贯且各具个人风格的三维全身手势，难点在于双向互动依赖建模与身份风格保持。所提DialoGen先用特征抽取将语音韵律特征与FastText词嵌入及笑声二值指示拼接为内容条件，再由身份解耦编码器从长窗手势中抽取风格向量并经监督对比学习聚类形成身份风格表示。随后交互式双路扩散以权重共享Transformer去噪器并行去噪双人动作序列，期间互交互估计模块以自注意力输出交互权重调节两路隐特征融合，使内容条件与风格表示共同引导去噪生成。相对仅建模单人或以独热编码注入身份的已有方法，该机制同时建模双人动态关联并解耦身份风格，实现了多风格可切换的同步生成，具有保持个人动作习惯的实际意义。在Talking With Hands基准测试集下，DialoGen的FDg指标为1.18，低于Audio2Photoreal的1.29。该结论适用边界受限于仅在18人英语闲聊语料上验证，尚未验证跨语言跨文化与强情绪外推能力。原文未披露训练、推理或部署成本。
🔗 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，输出是什么，为什么双人更难？
这篇解读的输入是论文正文证据与本次收到的官方原图像素，目标是让刚进入语音与动作领域的研究生能核对并复述 DialoGen 的方法，必须保留的信息是任务定义、双路扩散结构、相互作用估计、身份解耦风格引导、训练目标、实验条件与主结果数字，输出是按学习依赖展开的中文技术说明。
任务上，模型 1 次接收一段双人对话的语音上下文，输出是两个对话者各自的全身动作序列。论文把这个任务叫做对话手势生成，强调同时为 2 名参与者生成连贯逼真的手势，并保留各自的身份风格。与单人随语音手势生成不同，这里不仅要让说话者的手势对齐节拍与语义，还要让倾听者给出符合情境的非语言回应，例如在对方大笑时身体摆动，在对方讲到难堪内容时出现遮脸类动作。如果只用两个独立单人模型分别生成，两路输出在时间上可能各说各话，互动感就会丢失。
双人对话手势生成 × 单人随语音手势生成： 单人随语音手势生成只管一个人的语音到动作映射，分工是保证节拍与语义对齐；双人对话手势生成还要管两个人之间的听说轮换与相互影响，分工是保证时间同步与互动合理。两者搭配的原因是前者的对齐能力是基础，后者的互动约束是增量，组合意义在于 DialoGen 把单人常用的扩散去噪器复制成两路并共享权重，再用交互权重耦合，使两路输出既各自对齐语音又彼此协调。
为帮助初学者建立直观印象，可以先看论文首图给出的漫画式示例。左侧人物在说话并配合手部比划，右侧人物在倾听并给出表情与姿态回应，底部同时勾选了双人生成、类人回应与身份表示 3 个目标。这只是一个教学例子，不是定量证据，但它点明了本文的检验标准：两路动作要同时产生，要像真人互动，还要能看出是谁在动。
看图路径： 1. 先看左右两格中说话人与倾听者的站位与手势差异；2. 再看对话框文字与手部动作的对应关系；3. 最后看底部三个勾选项确认本文要同时满足的目标
论文图 1。原论文 Figure 1：“Our proposed DialoGen delves into Dialog Ges- ture Generation, a defined task that produces coherent, life- like gestures for both interlocutors based on the speech con- text…”。
该图用三格漫画展示了两个虚拟人物在对话中的不同姿态与配文，底部 3 个带勾选项分别对应双人生成、类人回应与身份表示。结合正文第一段可知，论文把同步生成双人动作与嵌入身份解耦风格作为核心诉求，而不是只做单人动作美化。初学者复述时应先说清双输入双输出的设定，再说互动与风格两个附加要求，避免把本文误读为普通单人手势生成。
已有路线走到哪里，本文在哪个缺口上加东西？
随语音手势建模一支从规则与统计模型走来，逐步用多层感知机、卷积、循环网络与 Transformer 提升自然度，再用变分自编码器、向量量化变分自编码器与扩散模型提升多样性。为缓解数据稀疏，还有工作用预训练语言模型做语义手势检索或从语音生成手势。论文指出，这一路多关注语义准确，常忽略个人手势风格，本文则显式引入说话人身份以保留风格细节。
双人交互建模另一支关注两个人之间的动作关系，包括协作式 Transformer 生成双人交互、扩散式多人运动生成，以及 GENEA 挑战赛 2023 推动的双人对话手势工作。已有对话工作有的只生成主要说话者，有的按轮次依次生成 2 人。论文把缺口归纳为两点：第一，只用自身音频为单人生成，缺少对相互动态的感知；第二，用独热编码表示身份，稀疏离散难以刻画潜在风格差异，难以生成多风格对话手势。
对照同输入同目标来看，DiffGesture、DiffuseStyleGesture+ 与 Audio2Photoreal 是本文直接比较的对象。论文为公平比较，把前两者原来只看单人音频的设定改为同时接收双人对话音频，并记为 Dual 版本，同时在 TWH 上重新训练并做相同平滑。理解这一点很重要，否则会误把单人与双人设置下的数字直接对比。
要解决的具体问题与输入输出如何形式化？
形式化上，设 1 次对话包含两路语音与对应文本，目标是生成两路动作序列。论文把动作片段记为从种子帧加预测帧构成的结构，前 Nseed 帧作为种子手势，后 N 帧是模型需要预测的部分，这种设计使模型可以按滑窗生成任意长度。每 1 帧用 62 个关节点表示，包含手指，每个关节相关特征为 36 维，涵盖位置、速度、加速度、旋转矩阵、旋转角速度与旋转角加速度。
条件分为两类。内容条件包括语音特征、词嵌入与笑声指示，其中语音特征沿用已有编码器提取梅尔频率倒谱系数、梅尔谱、基频、能量与 WavLM 特征，以兼顾统计表示与潜在空间表示，文本用 FastText 提取 300 维词嵌入。风格条件由身份解耦得到的风格向量沿时间广播得到，与内容条件在时间维对齐后共同指导去噪。初学者可以这样记忆：内容条件回答说什么与何时说，风格条件回答像谁那样动。
全景：两条扩散支路加中间耦合与风格注入如何走完一个样本？
沿一个样本走一遍，输入是 2 人的对话语音与文本。系统先做特征提取得到内容特征，同时从较长的历史动作片段提取身份风格向量。随后两条权重共享的 Transformer 去噪支路并行工作，各自从高斯噪声出发，在内容条件与风格条件引导下逐步去噪得到干净动作。中间的相互作用估计模块读取两路中间特征，输出交互权重再回注到扩散过程，使两路动作在时间上协调。
论文总览图把上述路径画成了上下两条支路夹着中间模块的结构，上支与下支分别对应 2 名参与者，右侧输出蓝色与粉色两串小人动作，图例区分了高斯噪声、输入编码器、线性层、注意力层、前馈网络、相加、激活与冻结参数。读者应先确认主路径方向，再看风格注入与交互回注的箭头走向，避免把中间模块误看成后处理。
看图路径： 1. 先沿上下两条扩散支路看从语音波形到双色小人的主路径；2. 再看中间相互作用估计模块的拼接与多头自注意力位置；3. 最后看两侧身份解耦风格引导注入去噪器的箭头
论文图 2。原论文 Figure 2：“Overview of DialoGen. Given the dialog speech context, we propose the interactive dual-diffusion model with mu- tual interaction estimation to predict co-speech gestures for both…”。
该总览图显示上下两条交互式双扩散支路共享结构，左侧为语音波形与文本输入，中间经编码与风格注入进入注意力堆叠，中央的相互作用估计模块由拼接、多头自注意力、前馈网络、多层感知机与激活组成并输出交互权重热图，右侧为生成的双人动作序列。结合正文可知，交互权重用于指导对话者之间手势的协调，解耦的身份风格引导用于注入个人风格特征，从而实现既同步又个性化的生成目标。
双路扩散与相互作用估计：谁去噪，谁算互动强度？
去噪部分采用两个权重共享的 Transformer 模型作为扩散过程中的去噪器，以容纳双流音频输入。权重共享的含义是两条支路用同一套参数处理不同人的条件与噪声状态，这样做的好处是迫使模型学习与身份无关的通用去噪规律，同时减少参数并保持两路时间行为一致。论文消融显示，去掉权重共享后多项指标明显变差，且根节点出现漂移，相邻帧动作不一致，这支持了共享机制对双人一致性的作用。
相互作用估计模块的输入是注入身份风格引导之后第二层的两路潜在手势特征，记为 t 时刻 2 人特征。模块由多个含多头自注意力与前馈网络的块堆叠，再接多层感知机头与 Sigmoid 函数，输出限制在 0 到 1 之间的交互权重。论文把该权重解释为 2 人相互影响程度的量化度量，接近 1 表示相互影响强，接近 0 表示弱。实现上，该权重被整合进扩散过程以引导手势协调，细节以总览图箭头为准，正文未给出逐层的逐元素相乘公式，复述时不应自行补写融合算式。
交互式双扩散模型 × 相互作用估计： 交互式双扩散模型负责两路并行去噪，分工是各自根据内容条件与风格条件重建干净动作；相互作用估计负责从两路中间特征计算交互权重，分工是量化此刻 2 人相互影响强度。搭配理由是只并行不耦合仍是两个独立单人模型，组合意义在于把交互权重回注到扩散过程中，让听者在说话者重音或笑声处产生回应性动作。
\[zt = Gω ([ft,1; ft,2]) .\]该公式先说明符号与输入：zt 是 t 时刻的交互权重，ft,1 与 ft,2 是 2 名对话者在同一去噪步的中间特征，方括号表示拼接，G 代表由注意力块、多层感知机与 Sigmoid 组成的估计模块。计算目标是把两路特征的关联压缩为可回注的权重，原文明确的实现是多块堆叠加 Sigmoid 保证输出区间，至于权重具体在去噪器的哪一层以何种加权方式相加，原文只说整合进扩散过程，未给出完整算式，因此只讲到模块输出为止，不猜测融合细节。
风格从哪里来：长片段如何变成可对比的身份向量？
风格分支先用一个身份特征提取器把输入动作序列映射为两个潜在特征，再拼接为最终风格表示。具体地，提取器由时序卷积网络与 Transformer 组成，后接全局特征头与统计特征头。全局头沿时间做均值池化得到全局向量，统计头计算帧间差分的均值与标准差得到统计向量，两者拼接即为风格向量。论文把用于风格提取的序列长度设为 700，明显长于扩散预测用的序列长度，理由是更长的观察能捕获更丰富的风格信息。
得到风格表示后，论文用监督对比学习放大不同身份在潜在空间的区分度。做法是把同一说话人在不同时间的动作用作正样本，不同说话人的动作用作负样本，用监督对比损失拉近正样本、推远负样本。论文用降维可视化显示每种身份形成清晰紧凑的簇，且模型预测动作落入与真值相同的风格簇，而独热编码基线出现错配。这部分是报告的可视化现象，可作为风格保持的佐证，但簇的紧凑程度本身不是可部署的精度指标。
身份解耦风格引导 × 独热编码身份： 独热编码身份只给模型一个离散编号，分工是区分是谁但不描述动作习惯；身份解耦风格引导从长动作片段提取全局与统计特征再做监督对比，分工是把不同人的风格推远、同一个人的不同时刻拉近。搭配比较的意义在于前者稀疏且无法刻画风格差异，后者形成紧凑可迁移的风格向量，组合到去噪器后可保持风格并支持换风格输入做风格迁移。
为理解监督信号的构造，可以看身份风格对比示意图。左侧为不同身份的动作序列，中间为时序卷积加 Transformer 的提取器与双头，右侧为对比监督空间中同身份多时刻样本靠拢、异身份样本远离的箭头关系。图注明确蓝色点为正样本、绿色点为负样本，复述时应按图例确认颜色含义，不把同色直接等同于同一动作内容。
看图路径： 1. 先看左侧蓝色与绿色小人代表的不同身份动作序列；2. 再看中间身份特征提取器的时序卷积与双头结构；3. 最后看右侧对比监督中同身份靠拢、异身份推远的箭头
论文图 3。原论文 Figure 3：“Contrastive supervision on the identity style rep- resentation. Blue points represent positive samples, while green points indicate negative samples.”。
该图左侧展示蓝色与绿色两组小人分别代表不同身份的多个动作样本，中间框内标出时序卷积、Transformer、全局特征头与统计特征头，右侧用三向虚线坐标与红黄箭头表示拉近与推远关系，并标注同一编号不同时刻与不同编号的样本位置。结合正文可知，提取器输出的拼接向量将接受监督对比损失训练，目标是使风格表示按身份聚类，从而为去噪器提供可区分的个性化条件。
内容与风格条件如何一起进入去噪器？
论文把去噪器的输入条件记为内容与风格两部分，内容部分含语音特征、词嵌入与笑声指示，风格部分由风格向量沿内容时间维广播构成。这种广播的含义是同一身份风格在整个待生成片段内保持一致，而内容特征随时间变化，两者拼接或相加后送入 Transformer 去噪器。图例中冻结参数标记对应风格引导部分，说明风格提取器的参数在送入扩散训练时不再更新，但原文未完整报告 2 阶段训练的冻结时机与梯度截断位置，复述时应指出这一缺项，不从模型名称推定实现。
内容条件 × 风格条件： 内容条件由语音特征、词嵌入与笑声指示组成，分工是决定何时动、动多快、与语义是否对应；风格条件由风格向量沿时间广播得到，分工是决定动的幅度、姿态偏好与个人习惯。搭配理由是同一句话不同人做法不同，组合意义在于 DialoGen 把两类条件同时送入 Transformer 去噪器，使生成动作既对齐当前对话内容又保留指定身份的表达方式。
手势表示上，前置种子帧提供运动起点与连续性，后续预测帧是生成目标。36 维特征同时包含位置类与旋转类的 1 阶 2 阶量，目的是让损失能约束轨迹平滑与关节转动自然。初学者容易只关注位置而忽略旋转角速度与加速度，但后者对减少抖动与僵硬很关键，论文在定性部分也用抖动与僵硬来区分基线缺陷。
训练目标是什么，扩散正反过程如何写？
扩散部分沿用去噪扩散概率模型。前向过程向干净片段加高斯噪声得到带噪片段，反向过程建模为以去噪步、带噪输入与条件为输入的条件高斯分布，模型学习其均值与方差，并通过预测噪声迭代重建干净数据。训练目标是对 2 名参与者分别计算预测干净动作与真值之间的 Huber 损失并求和，Huber 损失对异常帧更鲁棒，适合动作中偶发的快速摆动。
身份分支的训练目标是监督对比损失，温度系数控制对比分布的平滑程度。论文未报告该损失与扩散损失是联合优化还是分阶段预训练后冻结，也未报告批量中多视角增强的具体构造方式与负样本采样规模，因此复述训练流程时只能说清各自的监督来源：扩散分支监督来自动作真值，风格分支监督来自身份标签构成的正负对，联合权重与优化器细节属于未报告项。
\[pω(xt↑1 | xt, C) = N (xt↑1; µω(xt, t, C), !ω) ,\]该公式先解释符号：xt 是 t 步带噪动作，C 是内容与风格条件，模型输出反向一步的条件分布均值与方差。计算目标是从带噪状态恢复更干净的状态，原文明确的实现是用 Transformer 预测噪声再换算均值并迭代采样。区分原始目标、近似与优化步骤时要注意，前向加噪是固定过程无参数，反向均值是学习对象，Huber 损失是落在干净动作上的重建约束，而不是直接对噪声的均方误差，原文未给出梯度是否经过交互权重回传的细节，不猜测梯度路径。
在什么数据与基线上测，用哪些指标看好坏？
数据集采用 Talking With Hands，经 GENEA 挑战赛 2023 整理，包含超过 18 小时的对话数据，涉及 18 名男性和女性参与者，每段对话平均 183 秒。划分上 86% 用于训练，7% 用于验证，7% 用于测试。论文未报告具体的说话人是否跨划分不重叠，也未报告测试段的轮次分布，复述时应保留已知的时长与划分比例，不自行编造说话人无关划分。
基线包括 DiffGesture、DiffuseStyleGesture+ 与 Audio2Photoreal，均在 TWH 上重新训练并做相同平滑。为保证上下文一致，论文给原来只看单人音频的前两个基线同时输入双人对话音频，表格中记为 Dual 版本。指标上，FDg 衡量静态手势的分布距离，FDk 衡量运动速度的分布距离，两者越小越好；SRGR 衡量手势与文本相关性，DSRGR 处理双人设置下的交互语义，两者越大越好；Divg、Divk 与 Divsample 分别衡量采样对之间、序列内部与同音频多次采样的差异，论文强调多样性只在动作平滑自然时才计数，数值越接近真值越好，而非越大越好。
用户研究分 2 个阶段。第 1 阶段比较同一音频生成的视频对，评价类人程度、语音手势对齐与整体多样性；第 2 阶段在双人合成情境下以真数据为参考，评价交互恰当性与身份风格相似度。共招募 26 名不同背景参与者，随机抽取测试集 30 分钟对话片段，每次评价用 10 秒视频。硬件、训练时长与推理延迟在证据中未报告，属于缺项。
主结果：分布距离与语义更好，多样性更接近真值吗？
比较问题是：在相同 TWH 划分与相同平滑下，双路同步加风格解耦是否在分布拟合与语义对齐上优于单人改双人基线与双人基线，同时多样性不靠抖动虚高。公平条件是 3 类基线均重训于 TWH 并做相同平滑，且前两类基线已补齐双人音频输入。指标方向是 FDg 与 FDk 越小越好，SRGR 与 DSRGR 越大越好，Divg 与 Divk 越接近真值越好。
| 方法 | FDg 越小越好 | FDk 越小越好 | SRGR 越大越好 | DSRGR 越大越好 | Divg 接近真值越好 |
|---|---|---|---|---|---|
| DialoGen 本文方法 | 1.18 | 2.33 | 3.61 | 4.19 | 123.94 |
| 真值参考 | 0 | 0 | 参考上限 | 参考上限 | 123.90 |
上表为基于原文连续句整理的宽表，数值保留原文精度与写法，真值行仅表示分布距离为零与多样性参考点。表后解释是：DialoGen 报告在 FDg 与 FDk 上最小，在 SRGR 与 DSRGR 上最大，显示分布匹配与语义对齐占优；多样性上 DialoGen 的 Divg 为 123.94，与真值 123.90 仅差 0.03% 对应水平，而 Audio2Photoreal 偏低约 30%，DiffuseStyleGesture+ 偏低约 25%，这支持本文多样性更接近真值的判断。代价与反例是：DiffGesture 在 Divsample 上看似最高，但论文指出其源于随机抖动，且其他指标较差；Audio2Photoreal 在分布距离上次优但多样性明显不足，说明平滑自然与丰富多变之间仍有取舍。未胜出项是部分基线在单一多样性数值上更高，但结合抖动与分布距离看并不代表质量更好。
弗雷歇距离 × 多样性指标： 弗雷歇距离负责衡量生成分布与真值分布的接近程度，分工是判断动作是否真实自然；多样性指标负责衡量样本间或序列内的平均差异，分工是判断动作是否丰富不重复。搭配理由是只看多样性会被随机抖动欺骗，只看分布距离会忽略呆板重复，组合意义在于论文同时报告两类指标，并强调多样性只在动作平滑自然时才计数，以此说明 DialoGen 的多样性接近真值而非靠抖动刷高。
定性上论文报告基线缺陷：DiffGesture 有时有细微抖动，DiffuseStyleGesture+ 有时僵硬不自然，Audio2Photoreal 手势过渡较慢，三者在倾听模式下多为小幅身体与头部运动，难以产生情境回应。而 DialoGen 被报告能生成遮脸表羞愧、大幅摆动表大笑等回应性动作。为核对双人细节，可以看 TWH 定性对比图。
看图路径： 1. 先按行比较同一语音下四种方法的双人动作幅度；2. 再看倾听者一侧是否有回应性手势而非静止站立；3. 最后对照顶部气泡中的关键词观察说话者手势变化
论文图 6。原论文 Figure 6：“Qualitative Comparison on TWH Dataset.”。
该图按行展示 DialoGen、DiffGesture、DSG+ 与 A2P 在相同语音下的双人动作序列，顶部气泡给出当前话语关键词，左侧灰衣为 1 人、右侧粉衣为另 1 人。每行内多帧重叠显示动作幅度与手部变化，可见 DialoGen 在说话者一侧手势幅度更大，在倾听者一侧也有朝向对方的回应动作，而部分基线行内帧间变化较小。结合正文可知，这种差异被归因于双流扩散与相互作用估计带来的协调，但像素不能精确读出关节角度数值，复述时只讲可见的幅度与回应趋势，不硬写角度提升量。
拿掉哪个部件最疼，风格换成独热会怎样？
消融要回答的问题是：权重共享、相互作用估计、身份风格表示、文本输入各自对分布距离与多样性的贡献，以及独热编码能否替代解耦风格。条件是同一 TWH 设置下每次只改一处，指标仍看 FDg、FDk、Divg 与 Divk，方向与主结果一致。
| 配置 | FDg 越小越好 | FDk 越小越好 | Divg 接近真值越好 | Divk 接近真值越好 |
|---|---|---|---|---|
| DialoGen 完整方法 | 1.179 | 2.326 | 123.94 | 175.23 |
上表同样由原文连续句整理，保留 3 位小数等原始精度。表后解释是：去掉权重共享后两项分布距离明显上升且多样性远离真值，论文还报告根节点漂移与帧间不一致，支持共享机制对双人一致性的必要性；去掉相互作用估计后 FDg 与 Divg 同时变差，支持双流之间信息传递对生成质量的作用。关于风格，去掉身份风格后多样性数值反而升高甚至超过部分基线，但两项分布距离明显恶化并失去身份风格捕获能力。
换成独热编码的变化趋势与完全去掉身份信息类似，且风格迁移示例中独热难以产生与目标身份一致的动作，例如从双手胸前交叉的绅士风格切换到 energetic 的 lively 年轻女性风格时只有解耦表示能改变整体运动风格。这说明多样性单指标不能单独证明变好，必须结合分布距离与风格相似度一起看。文本输入消融显示去掉语义信息后生成质量下降，支持文本对语义引导的必要性，但原文未给出去掉文本后的完整语义指标，复述时不夸大其语义损失量。
用户研究被报告为金标准补充：第 1 阶段在类人程度、对齐与多样性上 DialoGen 占优，第 2 阶段在交互恰当性与风格相似度上占优，且与真值的差距小于基线与真值的差距。但证据未给出显著性检验与评分者一致性，复述时用支持而非证明来表述。
哪些还没测，哪些不能承诺？
论文直接报告的局限较少，但从证据缺项可以划出明确边界。第一，风格提取需要 700 帧的长动作片段才能捕获丰富风格，这意味着在只有短历史或冷启动身份时能否稳定提取风格属于待验证，原文未报告短片段下的风格保持率。第二，交互权重虽被解释为影响强度，但未报告其与对话行为如轮换、笑声、重音的定量相关性，也未测量误判率，因此不能把权重接近 1 直接当成因果解释。第三，训练资源、推理开销、输出帧率与实际延迟均未报告，不能承诺实时性或部署成本得到改善，总体趋势不等于每步都快。
相关性不是因果的提醒同样适用于可视化：风格簇紧凑与预测落入真值簇支持了区分性，但不等于任意换风格输入都能保持内容对齐，风格迁移示例是定性展示而非系统评测。资源状态方面，本次未发现来源绑定且完成验证的开源资源，不得声称代码、模型或数据已公开，复现讨论只能基于论文描述的算法步骤，不依赖假设可下载的权重。
要复现应先做什么，需要哪些超参数与信息条件？
复现先做数据与表示对齐。按 86% 训练、7% 验证、7% 测试切分 TWH 对话，统一动作到 62 关节与 36 维特征，保留位置、速度、加速度、旋转矩阵与旋转角速度加速度，前 Nseed 帧作种子，后 N 帧作预测目标以支持滑窗生成任意长度。语音侧按 MFCC、梅尔谱、基频、能量与 WavLM 抽取节奏情感节拍特征，文本侧用 FastText 300 维词嵌入，另加二值笑声指示。基线复现必须同样输入双人音频并做相同平滑，否则不公平。
模型侧先搭两条权重共享的 Transformer 去噪器，再搭由多头自注意力、前馈网络、多层感知机与 Sigmoid 组成的相互作用估计模块，输入取风格注入后第二层特征并拼接。风格侧搭时序卷积加 Transformer 提取器与全局统计双头，风格序列长度取 700，拼接后广播到内容时间维。损失侧扩散用双人 Huber 损失求和，风格用监督对比损失，正样本为同一人不同时刻，负样本为不同人，温度系数控制平滑。缺项是两损失的联合权重、优化器、学习率、扩散步数与冻结时机，原文未报告，复现时需自行搜索并记录，不能从模型名称推定。
验证时先看 FDg、FDk、SRGR、DSRGR 与 Divg、Divk 是否同时改善，再看 Divsample 是否虚高以排除抖动，最后做 10 秒视频的人评看交互恰当性与风格相似度。还需补的验证是短风格历史、跨说话人泛化与延迟测量，缺少这些就不宜声称系统可运行。
何时值得尝试这个方案，一句话如何带走？
当任务要求双人同时生成且要保留各自习惯动作时，这个方案值得尝试：双路共享保证同步，交互权重带来回应，解耦风格保留个性。教学上最易误解的三点是：把多样性越大直接当越好，把交互权重直接当因果解释，把独热编号直接当风格描述，正确做法是多样性要对照真值与平滑性看，权重只讲相关性，风格要用长片段提取加对比学习来表示。
带走的一句话是：用共享双扩散解决一起动，用交互估计解决彼此回应，用对比风格向量解决各像各的，主结果在分布与语义上占优且多样性最接近真值，代价是对长风格样本与完整对话内容特征的依赖以及未报告的计算成本。
⚖️ 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