EMAGE是一种统一的整体共话手势生成模型，通过表情丰富的掩蔽音频手势建模来生成自然的手势动作。它可以从音频输入中捕捉语音和韵律信息，并生成相应的身体姿势和手势动作序列。EMAGE能够生成高度动态和表现力丰富的..
