AvatarForcing：有界前瞻流式扩散

当你打开一个远程视频通话界面，对面的数字人客服在你说完一句话后 500 毫秒才张嘴回应——这种感知延迟会立刻打破临场感。把 talking avatar 部署到直播、客服、陪练场景，工业界的硬指标是单帧推理延迟 ≤ 40 ms，且画面在分钟级对话中不发生身份漂移或色温漂移。#Cui-et-al.-2026 这两个目标，在 2024-2025 年的 diffusion-based talking avatar 浪潮中始终互相打架。

回顾这条演进线，可以清楚地看到四代方法各自卡在哪个瓶颈上：

• 全序列双向 DiT（2024）：EMO / EMO2 / HunyuanVideo-Avatar 等 #Tian-et-al.-2024 #Tian-et-al.-2025 把整段视频的 latent 一次塞进双向 attention，短片段质量惊人，但 attention 复杂度随帧数二次增长，根本不可能流式推理。

• 严格因果 AR 扩散（2025 上半年）：Self-Forcing #Huang-et-al.-2025-SF、MAGI-1 #Teng-et-al.-2025、CasVid #Yin-et-al.-2025-CAS 把去噪变成"逐帧发射"，训练时用自身 rollout 弥合 train-test gap，达到单步实时推理。但在分钟级生成中，因果遮蔽导致的 exposure bias 让 CSIM 从 0.90 掉到 0.07（详见 Part 2 数据）。

• Teacher-guided 流式变体（2025 下半年 - 2026 初）：Self-Forcing++ #Cui-J.-et-al.-2025-SFPP、ContextForcing #Chen-et-al.-2026-CF、Causal Forcing #Zhu-et-al.-2026-CaF、LongLive #Yang-et-al.-2025 在推理中周期性调用双向 teacher 纠偏，缓解 drift，但 teacher 每调用一次就多花 16 秒，要么放弃实时，要么减少 teacher 频次、再次陷入 drift。

• 有界前瞻一步蒸馏（本文，2026）：AvatarForcing 干脆把"多步去噪"压缩到一次前向，同时打破严格因果——在生成当前帧时偷看未来 12 帧的噪声 latent，并用两个"锚点"KV cache（style + temporal）锁住身份与短期动态。这一思路在谱系上继承了 Diffusion Forcing #Chen-et-al.-2024-DF 把"next-token prediction + 全序列扩散"统一的方法论基础，但首次在 talking avatar 流式场景下实现了一步推理。

结果是一个 1.3B 参数的 student 模型，在单张 GPU 上以 bfloat16 跑出 34 ms/frame（≈29.4 FPS），端到端延迟 0.51 秒，在 CelebV-HQ 和作者新提出的 400-video 长程 benchmark 上同时取得短片段质量与分钟级稳定性的 SOTA。#Cui-et-al.-2026

本文最深刻的洞察不是"怎么让 diffusion 更快"，而是：在固定的延迟预算 $L \times N$ 下，扩大前瞻窗口 $L$ 往往比增加去噪步数 $N$ 更能抵抗长程漂移。这句话把过去三年"Forcing 家族"的方法论彻底翻了个面。

在动手设计 AvatarForcing 之前，必须先看清"严格因果"到底有多脆弱。论文 Sec. 4 的一个对照实验 #Cui-et-al.-2026 给出了最刺眼的数据：把 Self-Forcing 适配成one-step baseline（即 $N=1, L=1$，纯因果单步去噪），在长视频评测上：

CSIM-total 与 CSIM-last 分别衡量全程均值和末帧的身份相似度（原文报告格式为 "Total / Last"，对应 1 分钟 rollout 的平均值和最后一帧）。Self-Forcing 的 CSIM 从全程均值 0.40 暴跌到末帧 0.07，意味着几分钟后生成的人脸已经和原始参考几乎无关——身份、肤色、发型全部漂移。这正是严格因果 AR 扩散的"曝光偏差"：每一帧生成后被钉死成下一帧的上下文，局部看起来合理的小误差，沿时间轴不断累积且无法回滚。

从数学角度形式化：设第 $i$ 帧的生成噪声为 $\epsilon_i$，严格因果下第 $k$ 帧的条件分布是

其中 $\widehat{\mathbf{x}}_{k-1}$ 是上一帧的单步去噪估计（含误差）。每次 forward 都把 $\epsilon_{k-1}$ 注入条件，而后续去噪无法修正 $\widehat{\mathbf{x}}_{k-1}$，误差方差随 $k$ 单调增长。#Cui-et-al.-2026 #Huang-et-al.-2025-SF

Self-Forcing 为什么也只能缓解、不能根治？它在训练阶段暴露模型自身的 rollout，让 $p_\theta$ 学会"在自己的误差上继续生成"，等价于缩小 train-test gap。但推理时仍是 $L=1$ 的严格因果，无法对已发射帧做任何修正。一旦累积误差超出模型训练时见过的分布，drift 就再次失控。

AvatarForcing 的核心 insight 是：在延迟预算固定的情况下，与其反复精修同一个因果上下文（增大 $N$），不如把窗口往后多推几个 block（增大 $L$），让当前帧的去噪"看到"一小段未来。哪怕未来的 block 仍然嘈杂，它们携带的粗略结构和运动线索，就足以在当前帧被提交到历史之前做一次"联合修正"。这就是论文形式化为 $\mathcal{B}_{L,N}$ 的机制。

AvatarForcing 的方法部分围绕三个互相咬合的机制展开：滑动窗口联合去噪（本节）、双锚 KV cache（Part 4）、两阶段流式蒸馏（Part 5）。本节先把最核心的 $\mathcal{B}_{L,N}$ 讲透。

图 0：AvatarForcing 在长视频 talking avatar 上的典型结果——输入单张参考人像 + 长音频，输出分钟级唇形同步、身份稳定的流式视频（来源：Cui et al., 2026, Fig. 1）。

3.1 窗口状态递推

设每个 block 包含 $B=4$ 个连续 latent frame，维护一个长度 $L$（默认 $L=4$）的滑动窗口

其中上标 $t_1 \lt t_2 \lt \dots \lt t_L$ 表示异构噪声级别——左侧 block 接近 clean（$t_1$ 最小），右侧 block 噪声最大。注意这里的 timestep 约定与扩散惯例一致：timestep 0 表示 clean endpoint。#Cui-et-al.-2026

每一步的操作是：

1. 联合去噪：对整窗 $L$ 个 block 施加一次双向 attention 去噪（即 $N=1$），得到 $\widehat{X}^i$

2. 发射最左 block：把 $\widehat{\mathbf{x}}_i^{t_1}$（已近 clean）送到 VAE decoder 生成 4 帧视频

3. 滑动窗口：剩余 $L-1$ 个 block 整体左移一档，timestep 各减一级

4. 追加新鲜噪声：在最右侧 append 一个新的 $\mathbf{x}_{i+L}^{t_L} \sim \mathcal{N}(0, \mathbf{I})$

这种设计的精妙之处在于：每个 block 在被发射之前，会在窗口里驻留 $L$ 步、被联合去噪 $L$ 次。即使 $N=1$（每步只做一次去噪），发射出的 block 实际经历了 $L \times N = L$ 次 refinement。这是 AvatarForcing 与"单步因果"的本质区别——单步因果下 $L=1$，每帧只被精修一次，且无法看到未来。

3.2 窗口内 attention mask 的具体形态

理解 $\mathcal{B}_{L,N}$ 的关键是看清 attention mask 在窗口内到底允许哪些 token 互相看见。设每 block 含 $B=4$ 个 latent frame，每 frame tokenize 成 $S$ 个 spatial token，则窗口内一共有 $L \times B \times S$ 个 token。AvatarForcing 在窗口内施加完全双向 attention：所有 $LBS$ 个 token 互相可见，没有任何 causal mask。这意味着：

• 最左 block 的每个 token 能 attend 到最右 block 的每个 token（前瞻 $(L-1)B$ 帧）

• 最右 block 的每个 token 也能 attend 到最左 block 的每个 token（回看 $(L-1)B$ 帧）

• 没有任何 block 被遮蔽，与严格因果 AR 的"上三角 mask"形成尖锐对比

音频 token 与 latent token 在帧维度对齐：每帧音频对应一个 Wav2Vec embedding，被加性注入到对应 latent token 上。窗口内的音频前瞻长度 $(L-1)B$ 帧，恰好等于视频前瞻。默认 $L=4, B=4$ 时，音频前瞻 12 帧 = 0.48 秒，约覆盖一个音节。

用一段简短的伪代码把单步 forward 串起来：

function AvatarForcing_Step(X, style_kv, temporal_kv, audio):
      keys  = [style_kv, temporal_kv, WindowTokens(X)]   # 拼接
      audio_window = audio[i : i+L]
      audio[style_anchor_idx] = 0                         # 双锚 audio 置零
      audio[temporal_anchor_idx] = 0
      X_hat = DiT.forward(X, keys=keys, audio=audio_window)   # 双向 attention, N=1
      emit_block = X_hat[0]                                # 最左 block
      X_new  = [X_hat[1], ..., X_hat[L-1], fresh_noise()]  # 滑窗 + append
      temporal_kv.update(emit_block)                       # 更新 temporal 缓存
      return emit_block, X_new

这段伪代码揭示了 AvatarForcing 的恒定延迟来源：每步处理固定 $L$ block + 固定 anchor 长度 + 固定 $B$ 帧音频，attention 的 query 数量和 context 长度都与流式总长度无关，因此单步耗时严格恒定。

图 1：AvatarForcing 总览。上：滑动窗口联合去噪 + 双锚 KV cache + 音频注入；下：两阶段蒸馏把双向 teacher 压成一步 student（来源：Cui et al., 2026, Fig. 2）。

3.3 VAE Decoder 与最终帧合成

发射出的 clean block $\widehat{\mathbf{x}}_i \in \mathbb{R}^{B \times C \times H \times W}$ 是 VAE latent 张量，默认分辨率 $832 \times 480$（对应输出视频约 512×512，latent 下采样比 8×）。VAE decoder 做时空上采样：空间 8× + 时间 1×（$B=4$ latent 帧解码为 4 视频帧），单步吐出 4 帧视频。在 25 FPS 下，每步发射 0.16 秒的视频内容。#Cui-et-al.-2026

3.4 与 MAGI-1 / CasVid 的形式化对比

把 AvatarForcing 放到同期工作旁边对比，差异就一目了然：

关键差异：所有先前 Forcing 家族方法都坚持"单帧 + 因果 mask"的组合，AvatarForcing 首次在 talking avatar 流式推理中引入窗口内双向 attention + 块级前瞻。代价是单步 attention 矩阵扩大 $L$ 倍，但由于 $L=4$ 是常数，attention 复杂度仍为 $O(L^2 B^2 S^2)$，与流式总长度解耦。

3.5 $L \cdot N$ 预算下的关键洞察

把 $L \cdot N$ 解释为每帧等效去噪预算。论文 Tab. 3 做了一组 4×4 网格的对照实验（固定其他条件，改变 $L$ 和 $N$），报告 CSIM（全程均值）、Adj-LPIPS×100（闪烁，越低越好）和延迟（ms）：

从表中可以清晰看到：在相同的 $L \cdot N = 4$ 预算下，$1 \times 4$（纯因果 4 步精修）的 CSIM 仅 0.32，而 $4 \times 1$（4-block 前瞻 + 单步）的 CSIM 达 0.90，相差近 3 倍。从概率角度解释：一步去噪器是条件分布 $p(\mathbf{x}_0 \mid \mathbf{x}_t, \text{ctx})$ 的近似，重复精修（增大 $N$）不能解决"条件集中缺少前瞻信息"这一结构性缺陷；扩大 $L$ 直接扩展条件集，把未来 block 的粗略结构纳入去噪决策，对抵抗长程 drift 更有效。

$\mathcal{B}_{L,N}$ 解决了窗口内的联合精修，但窗口之外呢？当流式生成进入第 5 分钟，第 1 分钟的画面早已滑出 $L$-block 窗口，没有任何机制阻止身份、肤色、发型的缓慢漂移。论文为此引入了双锚 KV cache——一组永不滑出窗口的"历史钉子"。

4.1 Style Anchor：RoPE re-indexing 锁身份

Style anchor 保存第一帧（或一个固定的参考帧）作为外观基准。关键设计：

• 存储时不加 RoPE：key / value 以 pre-RoPE 形式缓存

• 每步取出时，用相对于当前窗口的虚拟索引重新加 RoPE：设窗口起点绝对位置为 $u_i$，anchor 的虚拟位置设为 $u_i + d$，默认 $d = -1$

这意味着 anchor 在模型"感知"中始终位于当前窗口的前一个位置，绝对时间如何增长都不影响它与窗口的相对距离。如果用朴素 RoPE（把 anchor 固定在位置 0），随着流式生成推进到位置 10000，anchor 与窗口的位置差会增长到 10000，RoPE 的相对位置编码退化为噪声，identity anchoring 失效。#Cui-et-al.-2026

形式化：设 RoPE 操作为 $\text{RoPE}(\mathbf{k}, p)$（把 key 在位置 $p$ 上加旋转），style anchor 的 key 在每一步被重新包装为

其中 $\widetilde{\mathbf{k}}^{\text{pre}}$ 是缓存的 pre-RoPE key，$u_i$ 是当前窗口起点。这样 $u_i - u_i = 0$ 的相对位置差永远是 $-1$，attention 权重稳定。

4.2 Temporal Anchor：近期 clean block 滚动缓存

仅有 style anchor 不够——它只能钉住身份，管不了相邻帧之间的运动连续性。Temporal anchor 保存最近数个已发射的 clean block，同样以 pre-RoPE 形式缓存，每步用它们在窗口正前方的虚拟位置重新加 RoPE。作用是给刚发射的帧提供短期动态连续性，避免窗口滑动时出现跨窗口的运动断裂。

4.3 Anchor-Audio Zeroing：防止陈旧语音污染锚点

这是容易被忽略但至关重要的细节。Talking avatar 的 DiT 每帧都接收音频特征注入（Wav2Vec embedding + additive injection）。如果 style anchor 帧的 audio feature 不处理，每次 attend 到 anchor 时都会重新注入一段"陈旧"的语音信号——anchor 帧原本对应的是第 0 秒的发音，到了第 60 秒仍在反复注入，等于给当前帧叠加了一层无关的口型引导。

AvatarForcing 的做法是：把 anchor 帧的 audio feature 显式置零，让 anchor 只传递外观/身份信息，不传递语音信息。

论文用两张独立的消融表分别验证 anchor 结构和 anchor 稳定化 trick 的作用。

Tab. 4（右）：Anchor 结构消融——去掉 style 或 temporal anchor 对长程稳定的影响（指标为长程 rollout 上的 Total / Last 值）#Cui-et-al.-2026：

去掉任一 anchor，CSIM-Last 都从 0.86 跌到 0.63；style + temporal 缺一不可：一个钉住分钟级身份（style），一个钉住秒级动态（temporal）。

Tab. 5：Anchor-audio zero-padding + RoPE re-indexing 消融——这两个 trick 保护 anchor 不被陈旧音频和绝对位置漂移污染 #Cui-et-al.-2026：

去掉 RoPE re-indexing 后 CSIM-Last 从 0.86 暴跌到 0.49，FID 从 56.22 恶化到 72.43——这是所有单项消融中最严重的退化，说明在无限流中保持 anchor 的相对位置稳定性至关重要。去掉 anchor-audio zeroing 则主要影响 Sync-C（5.64 → 3.43），因为陈旧语音信号通过 anchor 帧注入了无关的唇形引导。#Cui-et-al.-2026

图 2：双锚 KV cache 的定性消融。Style anchor 用 RoPE re-indexing 把参考帧钉在窗口正前方 $d=-1$ 处；temporal anchor 缓存近期 clean block；两者 audio feature 置零。红框标注去掉 audio zero-padding 后的嘴部伪影（来源：Cui et al., 2026, Fig. 8）。

AvatarForcing 的推理端是一步生成器，但训练端需要一个双向多步的 teacher 提供监督。Teacher 是以 WanS2V #Gao-et-al.-2025-Wan 骨干初始化的全局双向 DiT，质量最高但推理 16 s/frame。Student 是 1.3B 参数的一步生成器，蒸馏流程分两阶段。#Cui-et-al.-2026

5.1 Stage 1：离线 ODE backfill + ODE 回归预训练

离线 ODE backfill：先在训练集上跑 teacher 的完整 ODE 求解，把每个 (噪声, 中间态, clean) 三元组记录下来，生成 16000 对 teacher 轨迹。这步只做一次，后续蒸馏不再调用 teacher forward。

ODE 回归预训练：用这些轨迹训练 student 做"任意中间噪声 → clean"的一步回归。损失函数是标准的 $L_2$ 重构：

其中 $\mathbf{c}$ 是音频 + 参考帧条件。这一阶段训练 4800 步，目的是让 student 初步具备"一步去噪"能力。

5.2 Stage 2：DMD 分布匹配后训练

仅做回归是不够的——student 在自己的 rolling-window rollout 中会遇到 teacher 轨迹里没见过的状态。Stage 2 用 DMD（Distribution Matching Distillation） #Yin-et-al.-2024-DMD 让 student 在自己跑出来的窗口上向 teacher 的分布对齐。原文 eq. 4 以 stopgrad 损失形式表述：

其中 $g(\mathbf{x}_t, t)$ 是基于 teacher score 估计的修正项，stopgrad 阻止梯度回传到 teacher 路径。这等价于 DMD 的标准梯度形式 $\nabla_\theta \mathcal{L} \propto (\hat{\boldsymbol{\epsilon}}_\phi - \boldsymbol{\epsilon}_\theta) \cdot \partial \mathbf{x}_t / \partial \theta$。关键：这一阶段 teacher 只在 score 估计上被调用一次，不再做 ODE 多步求解，因此蒸馏开销远低于"每步都回 teacher"的蒸馏范式。

Stage 2 训练 2500 步。合计 7300 步完成蒸馏。

5.3 Streaming Inference Pipeline 详解

作为实时论文，必须把 34 ms/frame 的耗时拆解清楚。在默认 $\mathcal{B}_{4,1}$ 配置下，每步发射 1 block = 4 frames，单步总耗时约 136 ms，折合 34 ms/frame。主要耗时分布为：

DiT 前向占 74%，这是 1.3B 参数模型在单 GPU 上跑一步的不可压缩成本。AvatarForcing 通过把所有上下文都 pack 进 KV cache，避免了每步重新计算历史 attention，使 DiT 前向复杂度只与当前窗口长度（而非流式总长度）相关。论文未披露具体使用了哪种 attention 加速 kernel（FlashAttention-2/3、xformers、Triton），也未披露 CUDA graph / 量化策略，这是复现时需要自行调优的部分。#Cui-et-al.-2026

端到端 0.51 秒延迟的来源：第一帧从"音频开始输入"到"画面第一帧显示"经过的总时间 = $L \times B$ 帧前瞻缓冲（0.64 s 视频，但音频前瞻只取 0.48 s） + DiT 单步（0.136 s）+ VAE 与首帧 flush。论文报告的 0.51 s 是端到端可感知延迟，已经考虑了流水线重叠。在实时通话场景下，这一延迟落在可接受范围内（业界常用阈值 0.5-1.0 s）。

5.4 训练配置披露

AvatarForcing 在 CelebV-HQ（5 秒短片段）和作者新提出的 400-video 长程 benchmark（每段 40 秒到 2 分钟）上评测。#Cui-et-al.-2026

6.1 实验配置披露

6.2 主实验（短片段 + 长程对照）

论文 Tab. 1 在 CelebV-HQ（~5 秒短片段）和长程视频（~2 分钟）上同时评测，指标以 CelebV-HQ / long-form 双值格式报告 #Cui-et-al.-2026：

关键读数：

• vs Teacher（WanS2V）：长程 CSIM 0.91 vs 0.74，延迟 34 ms vs 16 s，压缩 470× 同时长程身份更稳定

• vs LiveAvatar：LiveAvatar 需要 5 GPU 才达 47 ms/frame；AvatarForcing 单 GPU 34 ms/frame，长程 FVD 737.92 vs 765.64

• vs StableAvatar：长程 FVD 737.92 vs 739.72（接近），但延迟 0.034 s vs 7.40 s，200× 加速

6.3 一步因果基线对照（Tab. 6）

论文另外把 Self-Forcing 和 Causal Forcing 的 pipeline 适配为同条件一步蒸馏，在长程视频上做公平对照 #Cui-et-al.-2026：

Self-Forcing (1-step) 的 CSIM-Last 0.07 证明严格因果在分钟级完全崩溃；Causal ODE 稍好（0.32）但仍远不及 AvatarForcing（0.86）。AvatarForcing 以仅多 3 ms/frame 的代价（0.034 vs 0.031），把 CSIM-Last 从 0.07 拉到 0.86——12× 提升。#Cui-et-al.-2026

6.4 $L$ vs $N$ 在固定预算下的对照

图 3：固定 $L \cdot N$ 预算，改变 $L$ 与 $N$ 配比的消融。在长程 CSIM 上，$L=4, N=1$ 显著优于 $L=1, N=4$（来源：Cui et al., 2026, Fig. 5）。

6.5 400-video 长程 benchmark

现有 talking avatar benchmark 几乎都是短片段（CelebV-HQ ~5s，HDTF ~10s）。论文首次提出一个 400 段 40s-2min 的长视频评测集，每段标注身份、音频、光照变化，重点测 CSIM-Last（长程身份稳定）、Adj-LPIPS（相邻帧一致性）、色温漂移 $\Delta E_{2000}$。这是 talking avatar 社区首次具备"分钟级稳定性"的定量评测能力。

Benchmark 构成细节：400 段视频跨多个说话人、多语种（英语为主 + 部分中文）、多光照条件（室内、窗边、户外弱光）。每段音频长度在 40 秒到 2 分钟之间均匀分布，覆盖静默段、快语速段、笑声/叹气等非典型发音段。评估时以首帧参考图像 + 全段音频为输入，比较生成视频与真实视频在短片段质量（FID/FVD/SyncNet）和长程稳定性（CSIM-Last / Adj-LPIPS / $\Delta E_{2000}$）两维度的表现。#Cui-et-al.-2026

该 benchmark 的发布填补了长程 talking avatar 评测的空白。此前社区只能通过"看一段 2 分钟生成视频是否漂移"做主观评估，缺乏可重复的定量指标。AvatarForcing 在该 benchmark 上的 CSIM-Last 0.86 / Adj-LPIPS 表现显著领先于所有 baseline，证明双锚 KV cache 在分钟级稳定性上确有贡献。

6.6 失败案例与局限

• 极长生成退化：超过 2 分钟时，即使有双锚，bounded context 仍可能不足，身份开始缓慢漂移 #Cui-et-al.-2026

• 过大 $L$ 过度平滑：$L \ge 8$ 时，未来噪声的"粗尺度先验"过强，导致运动幅度被压低

• 音频极端节奏：对超快说唱（> 6 音节/秒）的唇形同步仍偶发滞后，因为 0.48s 音频前瞻不足以覆盖音节边界

AvatarForcing 对更广泛的流式生成领域有三条方法论启发：

与"Forcing 家族"的谱系关系

AvatarForcing 是 Forcing 谱系（Diffusion Forcing → Self-Forcing → Self-Forcing++ → ContextForcing → Causal Forcing → AvatarForcing）中第一个真正放松严格因果的工作。此前所有 Forcing 变体都坚持 $L=1$，只在训练阶段做文章；AvatarForcing 把推理时的有界前瞻作为一等公民，配合双锚稳定，第一次在分钟级 talking avatar 上实现单 GPU 实时。#Cui-et-al.-2026

图 4：Forcing 家族的方法论演进。从 Diffusion Forcing（混合 AR + 扩散）到 Self-Forcing（训练期 rollout 暴露）再到 AvatarForcing（推理期有界前瞻），延迟-稳定 Pareto 前沿被持续推进（来源：Cui et al., 2026, Fig. 4）。

从表中可以清晰看到：只有 AvatarForcing 同时实现"非严格因果 + 单步推理 + 单 GPU 实时 + 分钟级稳定"四个目标。其他方法最多达成其中三项。

开放问题

• 更远的长程记忆：当前双锚只锁身份和短期动态，超过 2 分钟的生成仍退化。更强的 long-range memory（如 hierarchical anchor、memory compression）是下一步。

• 多模态前瞻：当前前瞻仅来自音频和噪声 latent；能否引入文本脚本/对话意图作为更高层的前瞻信号？

• 跨场景泛化：当前训练集 ~500h 以室内正面人像为主，户外/侧脸/多人场景表现未测。

• 训练超参未披露：论文对硬件、优化器、学习率、batch size 等关键训练细节披露不足，影响复现。

代码与可复现性

AvatarForcing 的代码与预训练权重已在 GitHub 开源（Apache-2.0 协议，KlingAIResearch/AvatarForcing），HuggingFace 有 student checkpoint。推理代码完整，可在消费级 GPU 上复现 34 ms/frame 的实时流式 talking avatar。训练代码未明确提供。