数字人后端 Agent 的设计理念

前面十三篇我们一直在做"向下钻"的事情：从换嘴、运动空间、3DGS/NeRF、扩散基模、流式蒸馏到评测方法论。这一篇换一个视角，做一次"向上看"——不再关注单个模型怎么生成嘴型或表情，而是关注把这些模型拼成一个能与人对话的系统时，后端 Agent 应该怎么设计。

一个"数字人后端 Agent"不只是 ASR → LLM → TTS → Avatar 的管道串联。它需要解决一系列系统级问题：用户说话时数字人怎么"听着"？生成回复时怎么分配延迟预算？用户打断时怎么处理？多轮对话的记忆怎么维护？这些问题的答案构成了数字人后端 Agent 的设计理念。

1.1 从"会动的嘴"到"会对话的人"

数字人技术的发展可以划分为三个阶段：

本文聚焦第 2 和第 3 阶段。我们将从 8 个设计理念维度拆解数字人后端 Agent 的架构选择：

1.2 本文覆盖的产品与论文

数字人后端 Agent 的第一个也是最根本的架构决策是：用级联管道还是端到端统一模型？这个选择决定了系统的延迟上限、可替换性、错误传播特性和扩展能力。

2.1 级联管道（Cascaded Pipeline）

级联管道是当前最主流的方案。ASR 将用户语音转为文本 → LLM 生成回复文本 → TTS 合成语音 → Avatar 模型生成视频。CyberVerse #CyberVerse-GitHub 和 OpenAvatarChat #OpenAvatarChat-GitHub 都采用这一范式。

CyberVerse 的管道设计：使用 Go 编写 API 服务器编排 gRPC 微服务，Python 推理服务器负责 Avatar 模型。所有模块——Brain（LLM）、Voice（TTS）、Hearing（ASR）、Memory（RAG）、Face（Avatar）——都是可替换的插件 #CyberVerse-GitHub。配置通过 cyberverse.yaml 统一管理，模型定义从 infra/config/*_models/ 自动发现。

OpenAvatarChat 的管道设计：采用高度模块化设计，核心组件包括 VAD（Silero-VAD）、ASR（SenseVoice）、LLM（API/Qwen-Omni）、TTS（CosyVoice）、Avatar（LiteAvatar/LAM/MuseTalk/FlashHead）。通过 VAD 检测、语音缓冲、帧率控制等机制优化，平均响应时间 2.2 秒 #OpenAvatarChat-GitHub。

级联管道的优势是模块可替换：想换 TTS？改配置文件就行。想接闭源 API？加一个 provider 定义。但代价是延迟累积：A2-LLM 的实验显示，标准级联系统的 TTFA（Time To First Action）超过 13 秒，即使是优化的流式级联也需要 3.2 秒 #Hu-et-al.-2026。

LiveTalking 的管道设计：作为已在业内广泛商用的实时流式数字人引擎，LiveTalking #LiveTalking-GitHub 采用四层架构——API 层（/human 接口接收文本/音频）、逻辑层（LLM+TTS 引擎+特征提取）、渲染层（Wav2Lip/MuseTalk 推理+后处理）、推流层（WebRTC/RTMP/虚拟摄像头）。其插件系统基于 registry.py 的去中心化注册机制，开发者可自行扩展 TTS、Avatar、Output 模块。在 RTX 3060 上 wav2lip256 达到 60 FPS，RTX 4090 上 MuseTalk 达到 72 FPS #LiveTalking-GitHub。

Fay 的管道设计：Fay #Fay-GitHub 是目前中文社区最活跃的数字人 Agent 框架（9.3k GitHub Stars），其设计理念是“向上适配各种数字人模型技术，向下接入各式大语言模型”。与 CyberVerse 的 gRPC 微服务不同，Fay 采用 Python 单体架构，通过 system.conf 配置中心管理所有模块。Fay 的独特之处在于其 Agent 能力——支持 MCP 工具管理（SSE/Studio）、仿生记忆、日程式主动对话和自我认知提升 #Fay-GitHub。

级联管道的加速：LTS-VoiceAgent：美团提出的 LTS-VoiceAgent #Zou-et-al.-2026 没有放弃级联架构，而是重新设计了何时触发推理。传统级联管道在 VAD 检测到静默后才开始 ASR→LLM→TTS，而 LTS-VoiceAgent 提出了 Dynamic Semantic Trigger——一个轻量级模块在用户说话过程中实时判断语义完整性，只在输入“语义足够”时才触发推理，避免了过早执行导致的频繁回滚。同时，其 Dual-Role Stream Orchestrator 将 Thinker（状态跟踪+输入净化）和 Speaker（投机执行）并行运行，实现“边听边想” #Zou-et-al.-2026。

2.2 端到端统一模型（End-to-End）

A2-LLM #Hu-et-al.-2026 提出了一种根本不同的方案：将文本、音频和面部运动统一到同一个语言模型的 token 空间中，消除级联管道的延迟和错误传播。

其核心架构基于 Step-Audio-2-mini（Qwen2.5-7B 骨干），将面部动态通过 RVQ-VAE 离散化为分层 token，再通过 Motion Connector 与 LLM 的隐藏状态对齐。LLM 自回归生成交错的文本和音频 token 时，音频隐藏状态天然包含了语义推理和声学韵律信息，Motion Connector 从这些状态中提取面部运动 token #Hu-et-al.-2026。

结果令人印象深刻：优化后的 A2-LLM 达到 TTFT = 50ms，TTFA = 535ms，RTF = 0.7x（比实时快）#Hu-et-al.-2026。相比之下，流式级联的 TTFA 是 3232ms——A2-LLM 快了 6 倍。

图 1：A2-LLM 框架——文本、音频和面部运动统一到同一 LLM token 空间。面部动态通过 RVQ-VAE 离散化为分层 token，Motion Connector 从 LLM 隐藏状态提取运动 token，消除级联管道的 Semantic-Emotion Gap #Hu-et-al.-2026。

但端到端的代价是不可替换性：你不能单独换 TTS 或 Avatar 模型，因为它们已经融合在一个大模型里。如果 TTS 质量不够好，你需要重新训练整个模型。

2.3 混合架构：Thinker-Talker 分离

Mio #Cai-et-al.-2025 提出了一种折中方案：将"想"和"说"分离。Thinker 是一个专为 NPC 设计的 LLM，负责语义推理和对话管理；Talker 是一个语音合成引擎（Kodama-TTS），将 Thinker 的文本输出转为自然语音。此外还有独立的 Face Animator（UniLS）和 Body Animator 模块。

图 2：Mio 网络架构——Thinker（LLM 语义推理）+ Talker（Kodama-TTS 语音合成）+ Face Animator（UniLS 面部运动）+ Body Animator + Renderer。各模块通过清晰接口协作，兼具级联的可优化性和端到端的一致性 #Cai-et-al.-2025。

这种分离的好处是：Thinker 可以独立优化对话质量（如人格保真度，超过 GPT-4o #Cai-et-al.-2025），Talker 可以独立优化语音质量，Face Animator 可以独立优化表情自然度（超过 90% 用户偏好 #Cai-et-al.-2025）。三者通过清晰的接口协作，但不像级联管道那样有严格的 ASR→LLM→TTS 线性依赖。

2.4 三种范式对比

A2-LLM 论文指出了级联管道的一个根本缺陷——"Semantic-Emotion Gap" #Hu-et-al.-2026：当 LLM 生成"哈哈"时，TTS 会合成笑声的音频，但 Avatar 模型只看到音频波形，无法理解"哈哈"的语义。结果是嘴在动但上半脸僵硬——典型的"僵尸脸"。端到端方案通过让面部 token 直接从 LLM 的语义隐藏状态生成，从源头消除了这个问题。

Synthesia 提出了一个清晰的交互层级框架 #Synthesia-2026，为理解数字人 Agent 的能力边界提供了有用的坐标系：

3.1 Level 1 的局限：活的但不响应

Synthesia 的研究指出，Level 1 的数字人"看起来活着但不响应"，在长对话中会从"有趣"变为"恐怖谷" #Synthesia-2026。这解释了为什么当前的数字人产品在角色扮演场景中表现不佳——用户说话时，数字人只是等待自己的回合，没有任何倾听反馈。

3.2 Level 2 的核心：联合音视频预测

从 Level 1 跳到 Level 2 是最关键的步骤 #Synthesia-2026。它要求模型不仅能生成"说话"的动作，还要生成"倾听"的微动作——点头、表情变化、简短的 vocal acknowledgement（"嗯""啊"）。

Mio 的 Face Animator（UniLS）正好解决了这个问题 #Cai-et-al.-2025。它提出了统一听-说面部运动生成任务：给定双轨音频（说话者和倾听者），同时生成两人的面部运动序列。关键挑战是"倾听僵硬"——当模型端到端学习音频到面部的映射时，倾听动作容易坍缩为低方差的静态表情，因为倾听者的动作与语音信号的相关性远弱于说话者。

UniLS 的解决方案是两阶段训练：Stage 1 训练一个无音频生成器，学习面部行为的内在动态（眨眼、微点头、微表情）；Stage 2 在此基础上通过 cross-attention 加入双轨音频条件，让外部语音信号调制内在动态 #Cai-et-al.-2025。这种“先学内在节律，再加外部驱动”的设计，有效避免了僵尸脸。

Avatar Forcing：用 Diffusion Forcing 实现 Level 2。CVPR 2026 的 Avatar Forcing #Ki-et-al.-2026 提供了另一种实现 Level 2 的技术路径。与 Mio 的“分离建模”不同，Avatar Forcing 将用户-头像交互建模为扩散强制（Diffusion Forcing）过程：头像实时处理用户的多模态输入（音频+动作），以约 500ms 的延迟生成反应——包括语言反应和非语言反应（点头、笑声）。其关键技术创新是无标签的交互表现学习：通过 DPO（Direct Preference Optimization），将“丢弃用户条件”生成的样本作为负例，让模型学会生成更具表达力的交互动作，而无需额外标注数据。实验显示 Avatar Forcing 比 baseline 快 6.8 倍，人类偏好超过 80% #Ki-et-al.-2026。

3.3 Level 3 的愿景：视觉感知

Level 3 要求数字人能"看到"用户——通过摄像头感知用户的姿态、手势和面部信号。Synthesia 将其设计为 Level 2 的严格增强：用户开摄像头时体验更丰富，关摄像头时回退到 Level 2 #Synthesia-2026。

目前的学术论文还很少触及这一层级。InteractiveAvatar #Song-et-al.-2026 的 Reasoning-Reaction Module（RRM）是一个初步尝试：它通过 ASR 将用户语音转文本后，用 LLM 推理用户意图，生成"意图对齐的动作指令"——例如用户说"让我看看你的左边"，数字人会转头。但这还不是真正的视觉感知，而是语义驱动的动作。

实时对话的延迟阈值通常在 1 秒以内 #Synthesia-2026。这 1 秒要分给 ASR、LLM、TTS、Avatar 四个模块，每个模块能拿多少？怎么让第一个音频/视频帧尽快出来？这是延迟预算分配的核心问题。

4.1 异步执行管线（Hi-Reco）

Hi-Reco #Huang-et-al.-2025 的核心优化是异步分段管线：将 LLM 生成的回复文本切分为短句，第一句送到 TTS 后立即开始播放，同时后续句子并行合成。实验显示，这种分段策略将首音频播放时间从 10.2s 降到 1.5s——85% 的延迟削减 #Huang-et-al.-2025。

具体来说，Hi-Reco 的 TTS 部署有三项关键创新：

• Chunk-based processing：输入切分为 150ms 片段，overlap-add 重建，实现并行合成
• FP16 量化：模型体积减小 40%，MOS ≥ 4.3
• 混合 API 架构：RESTful 用于批量，WebSocket 用于流式

此外，Hi-Reco 的 RAG 模块使用意图路由减少检索延迟：通过意图分类器将查询路由到更小的域特定向量索引，延迟降低 35.2%，Top-1 准确率几乎不受影响 #Huang-et-al.-2025。

4.2 语义触发 vs 声学触发（LTS-VoiceAgent）

Hi-Reco 的异步管线解决了“生成侧”的延迟问题，但 LTS-VoiceAgent #Zou-et-al.-2026 指出级联管道的另一个延迟根源：触发时机。传统 VAD 基于声学规则（静默时长）判断用户是否说完，但这会导致两个问题——用户犹豫时过早触发（“无效推理”），用户快速转换意图时频繁回滚（“自我修正失败”）#Zou-et-al.-2026。

LTS-VoiceAgent 的 Dynamic Semantic Trigger 模块在用户说话过程中实时评估输入的语义完整性，只在“语义足够”时才触发 LLM 推理。这比 VAD 的声学判断更精准——它能区分“有意义的停顿”和“说完一句话的静默”。同时，Dual-Role Stream Orchestrator 让 Thinker 在后台维护对话状态、净化输入，Speaker 在前台投机性地生成回复，两者通过 batch processing 并行。当用户“暂停-修正”（如“哦，等等…”）时，Thinker 可以快速回滚 Speaker 的投机输出 #Zou-et-al.-2026。

这种设计的核心理念是：级联管道的延迟问题不一定要用端到端来解决——通过更聪明的触发和并行编排，级联架构也能达到毫秒级响应，同时保留各模块的可替换性和推理深度。

4.3 端到端模型的延迟优势（A2-LLM）

A2-LLM 的延迟数据更为激进 #Hu-et-al.-2026：

RTF = 0.7x 意味着生成速度快于播放速度——系统不会积压。这得益于统一模型消除了模块间的通信开销和等待时间。

4.4 无限长流式生成（Live Avatar）

Live Avatar #Huang-et-al.-2026（ECCV 2026）解决了一个不同但相关的问题：如何生成无限长的流式视频而不出现质量退化？它的 14B 扩散模型通过 Block-wise Autoregressive 处理实现 10,000+ 秒的连续视频生成 #Huang-et-al.-2026。

算法-系统协同设计的关键技术包括：

• 分布匹配蒸馏：将扩散步骤压缩到 4 步
• Timestep-Forcing 流水线并行（TPP）：跨 GPU 的流水线并行，5×H800 上达 45 FPS
• FP8 量化：支持 48GB GPU 推理
• Streaming-VAE：流式变分自编码器减少内存占用

4.5 长短视觉记忆（InteractiveAvatar）

InteractiveAvatar #Song-et-al.-2026 解决了流式生成的另一个问题：长时间一致性退化。当生成内容逐渐偏离初始参考图像时，相邻 chunk 之间会出现不一致。

其 Long-Short Visual Memory（LSVM）机制维护两类记忆：短期记忆保存最近生成的帧以确保局部连续性，长期记忆通过 Dynamic Key-Frame Selection 策略从短期记忆中提取代表性视觉状态，保留全局信息防止时间漂移 #Song-et-al.-2026。

图 3：InteractiveAvatar 架构——(a) Reasoning-Reaction Module 进行意图感知交互；(b) 带 Long-Short Visual Memory 的流式推理增强视觉一致性；(c) DMD 训练实现实时流式生成 #Song-et-al.-2026。

自然对话不是严格轮流说话的。人们会打断、会插话、会在对方说话时发出"嗯""啊"的反馈声。数字人后端 Agent 必须支持这些行为，否则对话感觉像在对讲机里说话。

5.1 手动打断 vs 双工打断

OpenAvatarChat 在 v0.6.0 版本中为所有数字人添加了手动打断和双工打断两种模式 #OpenAvatarChat-GitHub：

• 手动打断：用户点击按钮或明确说话超过一定时长时，系统停止当前数字人的语音和视频输出，切换到倾听状态
• 双工打断：系统持续运行 VAD（Voice Activity Detection），在检测到用户开始说话时自动降低数字人音量或停止生成，实现自然的抢话体验

CyberVerse 也支持全双工实时体验——用户可以随时打断或覆盖数字人的语音 #CyberVerse-GitHub。这需要 WebRTC 层面的支持：前端需要同时发送和接收音频流，后端需要在生成过程中随时响应中断信号。

5.2 倾听行为的生成

打断处理只是双工通信的一半。另一半是数字人在倾听时应该做什么。如 Synthesia 所述，Level 2 的核心是"对话对端"而非"说话的脸" #Synthesia-2026。

Mio 的 UniLS 模型给出了目前最完整的倾听行为方案 #Cai-et-al.-2025。它将面部运动分为两种模式：

• 说话行为：面部运动与说话者自身音频对齐，捕捉音素-唇形对应和头-下颌协调运动
• 倾听行为：面部运动产生自然倾听反应——眨眼、微表情、微妙头部运动和目光调整。这些行为反映内在运动模式，同时被对方音频调制

关键洞察是：倾听行为的生成不能简单地从音频映射，因为倾听者的运动与语音信号的相关性很弱。UniLS 通过"先学内在节律再加外部驱动"的两阶段策略，避免了倾听僵硬问题。

5.3 Higgs TTS 3 的对话式语音控制

Boson AI 的 Higgs TTS 3 #Boson-AI-2026 从 TTS 层面解决了对话式语音的关键需求。与传统"朗读式"TTS 不同，Higgs TTS 3 被设计为"说话"而非"朗读"——它支持 inline 标签实时控制 emotion、style、speed、pitch、pauses 和 sound effects #Boson-AI-2026。

在 100+ 语言上达到单位数 WER/CER，在 Seed-TTS、CV3、MiniMax-Multilingual 和 Higgs-Multilingual 基准上均为最低 WER #Boson-AI-2026。更重要的是，在 Emergent TTS 对话行为评估中，Higgs TTS 3 在 paralinguistics（68.57%）和 questions（61.43%）类别上显著领先——这些正是对话场景中最关键的能力。

一个有"灵魂"的数字人需要记住过去的对话、拥有稳定的人格、并能调用领域知识。这涉及三个不同层次的设计：会话记忆、人格定义和知识增强。

6.1 PersonaAgent + SubAgent（CyberVerse）

CyberVerse 的多智能体架构是目前最完整的数字人记忆与人格方案 #CyberVerse-GitHub：

PersonaAgent 常驻前台，维护对话流、快速响应打断、处理上下文切换。SubAgent 在后台异步执行长时任务——搜索、研究、材料整理、总结、HTML 报告生成。这种分工确保复杂任务不阻塞语音回合：用户可以继续说话、追问或调整方向，PersonaAgent 在 SubAgent 结果就绪时返回 #CyberVerse-GitHub。

角色记忆与 RAG：每个角色的对话历史持久化到本地磁盘，重新进入对话时自动加载。用户还可以为角色导入知识库、文档和传记材料，系统索引后用于检索增强生成，使回答更贴合角色背景 #CyberVerse-GitHub。

6.2 RAG 模块的优化（Hi-Reco）

Hi-Reco 的 RAG 设计针对实时交互做了两项关键优化 #Huang-et-al.-2025：

• 历史增强检索：将完整多轮对话历史动态集成到检索语料中。实验显示，相比仅使用原始知识库的 Static RAG，加入对话历史的 Dynamic RAG 将 Top-1 检索分数提升 43.3%
• 意图路由：通过意图分类器将查询路由到域特定向量索引，检索延迟降低 35.2%，准确率几乎不受影响

生成器使用在 10k+ 领域示例上微调的 Qwen2.5-32B-Instruct，确保回答的领域准确性和对话连贯性 #Huang-et-al.-2025。

6.3 人格保真度（Mio）

Mio 的 Thinker 模块专为 NPC 角色设计，在人格保真度指标上超过 GPT-4o #Cai-et-al.-2025。这说明通用的 LLM 即使能力很强，也不一定能在角色扮演中保持稳定的人格——需要专门微调。

OpenAvatarChat 的 Beta 功能 Chat Agent 模式也提供了类似能力：通过 OpenClaw 的 Agent Profile 赋予数字人持久人格，支持多轮工具调用、对话上下文压缩和后台任务协作 #OpenAvatarChat-GitHub。

6.4 OpenAvatarChat 的 Agent 模式

OpenAvatarChat v0.6.0 引入了 Chat Agent 模式（Beta），用多轮工具调用 Agent 替代传统 LLM Handler #OpenAvatarChat-GitHub。这为数字人提供了：

• 工具调用：多轮调用工具（获取时间、系统信息等）
• 人格与长期记忆：通过 OpenClaw Agent Profile
• 对话上下文压缩：自动压缩过长对话历史
• 后台任务协作：通过 OpenClaw 后台执行复杂任务
• 视觉感知：结合 PerceptionAgent 处理摄像头输入

这标志着数字人后端 Agent 正在从“管道编排”向“Agent 架构”演进——不再只是 ASR→LLM→TTS 的线性流，而是一个能调用工具、管理记忆、协调后台任务的自主智能体。

6.5 Fay 的 Agent 化设计

Fay #Fay-GitHub 在 Agent 化方面走得更远。除了基础的 ASR→LLM→TTS 管道，Fay 集成了多项 Agent 能力：

• MCP 工具管理：支持 SSE 和 Studio 两种 MCP 接入方式，让数字人可以调用外部工具（搜索、数据库、API）
• 仿生记忆：参考 openclaw 的记忆机制，实现对话历史的持久化和上下文关联
• 日程式主动对话：数字人不仅被动响应，还能基于日程表主动发起对话——这突破了传统数字人“不说不动”的局限
• 意图接口 + qa.csv：通过灵活的语音指令配置，实现无需 LLM 的快速意图匹配
• 多终端适配：单片机、APP、网站、大屏、三方业务系统均可接入

Fay 的设计理念代表了数字人后端 Agent 的一个重要演进方向：从“对话系统”到“自主智能体”。数字人不再只是一个会说话的界面，而是一个能管理工具、记忆、日程和多终端的 Agent 平台。

JPMorganChase 的 AmI 框架论文 #Chen-et-al.-2026 提出了数字人设计中被忽视的一个维度：环境智能。当前数字人"绑定在单一设备上，无法根据环境或情境线索调整行为" #Chen-et-al.-2026。

7.1 环境智能的 5 个角色

7.2 环境上下文的 7 层模型

AmI 框架定义了 7 层上下文，分为"信息获取"和"系统执行"两组 #Chen-et-al.-2026：

信息获取层（4 层）：

• 物理感知层：摄像头、麦克风、运动检测器、信标 → 位置推断、活动识别、社交存在检测
• 设备应用层：手机应用、自助终端、显示屏 → 正在进行的任务、设备能力、用户活动状态
• 企业基础层：CRM 平台、策略引擎、交易日志、风险模型 → 合规、授权、操作规则

系统执行层（3 层）：

• 环境层：数字标牌、显示屏、灯光、音频输出 → 引导用户注意力
• 对话层：语音、文本、屏幕头像 → 数字人自我呈现和信息传递
• 工具操作层：账户操作、工作流触发、文档生成 → 后端交易行为

这个框架的价值在于：它把"数字人后端 Agent"从纯粹的对话系统扩展为环境感知的自主智能体——不仅通过语言，还通过环境和情境来塑造交互。

1. 端到端 vs 模块化的工程权衡：A2-LLM 证明了端到端的延迟优势（535ms vs 3232ms），但牺牲了模块可替换性。生产环境中，TTS 供应商可能变更、Avatar 模型需要迭代、LLM 需要升级——端到端模型如何适应这些需求？一种可能的方向是"端到端主干 + 可插拔适配器"，在保持低延迟的同时允许局部替换。
2. 倾听行为的标准化评估：Mio 的 UniLS 首次系统化地建模了倾听行为，但该领域缺乏标准化的评估基准。需要类似于 SyncNet 之于唇同步的指标来衡量"倾听自然度"——这应该包括微表情频率、目光接触模式、backchannel 时机等维度。
3. Level 3 的视觉感知：Synthesia 将"能看见"定义为最高层级，但目前没有公开的学术系统真正实现了摄像头驱动的数字人视觉感知。InteractiveAvatar 的 RRM 是语义驱动的动作（通过 ASR+LLM 推理意图），不是真正的视觉理解。需要研究如何将用户摄像头帧实时编码为 Avatar 可理解的条件信号。
4. 多角色对话中的身份管理：AmI 框架提出了"多用户社交"（R3），但没有给出技术方案。当一个空间中有多个用户同时与数字人交互时，系统需要解决：谁在说话？应该回应谁？不同用户的隐私边界如何管理？这需要新的对话状态跟踪和隐私保护机制。
5. 流式生成中的质量退化：Live Avatar 和 InteractiveAvatar 都在解决长视频一致性问题，但两者都依赖扩散模型（14B/5B 参数），对 GPU 要求极高（5×H800 或 80GB 单卡）。如何在消费级硬件上实现无限长流式生成？可能需要轻量化的记忆机制和更高效的蒸馏策略。
6. 从 Agent 到 Ambient Agent：当前的后端 Agent 只能通过对话感知用户。AmI 框架提出的 7 层上下文模型指向了一个更宏大的方向——数字人应该像环境一样"感知"用户，像同事一样"理解"情境。这需要数字人后端与 IoT 基础设施、企业 CRM、跨设备协调平台的深度集成，远超当前的 ASR→LLM→TTS→Avatar 管道。
7. Semantic-Emotion Gap 的通用解法：A2-LLM 通过端到端统一消除了这一 gap，但端到端方案的可替换性问题限制了其工程适用性。如何在级联管道中注入语义理解到面部运动生成中？Motion Connector 的"从 LLM 隐藏状态提取运动 token"思路可能可以适配到级联架构中——让 Avatar 模型直接从 LLM 的中间表示而非 TTS 音频中获取语义条件。