输入人物描述和长段讲话文本，不提供音轨，也不提供第一帧，模型可以一边生成声音一边生成画面。Vorch团队联合同济大学、哈工大（深圳）和上海交大公布Vorch-Streamer，在单张H200上达到27.12 FPS。
论文测试的是约两分钟的连续生成。22.8B参数流水线超过24 FPS播放线，词错率为7.92%，音画同步和人物一致性则通过多项指标比较。速度来自指定硬件与实现，不能直接推算到普通显卡。
音频和视频按同一时间块生成
传统数字人系统常先合成语音，再让头像对口型。Vorch-Streamer直接从文字联合生成音频与视频，并使用有界因果上下文：每次只读取有限历史，避免上下文随时长无限增长。
论文图1：三组约两分钟样例在0、30、60、90秒及末尾抽帧，并显示同步生成的音频波形。
训练先使用8万段、时长12至21秒的合成数字人片段，把Teacher Forcing与Diffusion Forcing混合，再用长时Self-Forcing让模型适应自己的历史输出。去噪被压到4步，才能把计算速度推过实时播放线。
论文图2：因果音视频生成、长时自回归训练和语言模型语音规划共同组成流式管线。
语言模型先规划“下一段该说什么”
只给整篇讲稿时，局部生成器并不知道当前时间块对应哪句话。系统加入语言模型语音规划通路，持续输出局部计划特征；规划与生成分离后，可以处理中断、换话题和静默监听，静默由可学习标记表达。
有限上下文能控制计算量，却可能逐步忘记人物与场景。论文用ArcFace比较人脸身份，用CLIP Image比较整体外观，并单独测动态程度，防止静止画面靠“没变化”拿到高一致性。
论文图3：曲线展示生成时长增加后，人脸身份和整体场景相对首帧的相似度变化。
实时成立，产品条件仍未给全
对照中，Vorch-Streamer比JoyAI-Echo快8.8倍，比双向LTX2.3快14.8倍；部分对手只支持30秒，部分还需要外部音频或首帧，任务条件并不完全相同。
论文没有给出多人对话、大幅转身、复杂手部动作和更长时段的系统性成功率，也未公布服务成本。27.12 FPS证明研究原型在一张H200上跨过播放帧率，不代表面向用户的实时数字人服务已经上线。
