03_音频驱动数字人与长视频生成高频考点
音频驱动数字人的任务定义是什么？
原题Talking Head、Talking Portrait、Audio-driven Human Video 有什么区别？
原题音频驱动模型为什么不能只关注嘴唇？
原题音频特征如何与视频帧对齐？
原题经典音频驱动数字人模型如何演进？
原题Hallo 的分层音频驱动视觉合成如何理解？
原题Hallo2 如何支持长时长和高分辨率？
原题Sonic 为什么强调全局音频感知？
原题InfiniteTalk 为什么强调 sparse-frame video dubbing 和无限长度？
原题长视频音频驱动为什么容易闪烁、漂移和颜色偏移？
原题分段生成、重叠融合和时间感知位置偏移有什么区别？
原题Patch-drop、高斯噪声增强、参考帧约束如何减轻误差累积？
原题TeaCache、int8 量化、多 GPU/FSDP 对长视频推理有什么价值？
原题多人音频驱动为什么比单人难很多？
原题MultiTalk 的整体架构可以如何理解？
原题L-RoPE 如何实现音频流与人物区域绑定？
原题多路音频注入有哪些方式？为什么简单拼接通常不够？
原题HunyuanVideo-Avatar 如何处理音频情感、ID 绑定和长视频？
原题音频驱动数字人数据如何处理与评估？
原题音频驱动人脸数据预处理标准流程是什么？
原题如何评估唇形同步、身份一致性和表情自然度？
原题如何将 REPA 思想迁移到唇形对齐或时序特征对齐中？
原题音频驱动数字人正在向哪些新任务扩展？
原题Wan-S2V 如何从单图和音频生成电影级人物视频？
原题HunyuanVideo-Avatar 如何同时处理动态性、情绪和多角色？
原题AnyTalker 与 MultiTalk 在多人对话生成上有什么区别？
原题StreamAvatar、OpenAvatarChat 代表了什么实时交互趋势？
原题
暂无题目