语音-动作对齐

PolySLGen：多人交互中的在线多模态说-听反应生成

PolySLGen: Online Multimodal Speaking-Listening Reaction Generation in Polyadic Interaction

面向具身智能体的多人交互场景，提出姿态融合模块与社交线索编码器，将群体运动与社交信号聚合后生成目标参与者的语音、身体动作与说话状态；其多人运动聚合与语音-动作对齐的建模思路可迁移到人体动作预测、社交姿态生成与说话人状态估计等视觉任务。