■ 概要 Diffusion model を用いた音声駆動型 talking head 生成フレームワークで、多様な音声入力（歌・複数言語・ノイズ）に対応した高品質ビデオ生成が特徴。 ■ 特徴・用途 - **生成アーキテクチャ**：従来の GAN/autoregressive ではなく拡散過程で確率的に head motion を生成し、多様な入力への robustness を実現。 - **制御精度**：音声・pose・style の独立制御（cfg_scale・max_gen_len パラメータ）により、neutral～expressive な表情生成まで調整可能。 - **用途**：学術研究・アバター生成・動画制作支援が想定だが、実装は checkpoint の学術目的限定制約で阻まれている。 ■ 結論 技術的には現在の audio-driven generation の先進例だが、checkpoint 配布の厳格さがオープン利用を大きく制限する。