**LiveFoley：实现低延迟的实时视频生成音频技术**

_LiveFoley: Dynamic Real-Time Video-to-Audio Generation for Immersive Interactive Worlds_

> 针对现有实时视频生成音频（V2A）方法在延迟和音质上的瓶颈，LiveFoley 提出了一种流式因果自回归扩散架构。该模型通过引入“拖尾滑动窗口”优化视觉前端以消除重训成本并降低延迟，同时利用“统一变步长框架”灵活适配不同场景；在音频后端，通过扩展扩散 Transformer 的时间窗口，在无需额外延迟或可接受延迟的前提下显著提升了生成质量，实现了与离线模型相当的时序对齐效果。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.05988)