LiveFoley 论文：实时视频转音频生成，延迟低至用户无感知阈值内

LiveFoley 论文提出流式因果自回归扩散架构，实现视频到音频实时生成，并按用户研究评估不同场景的感知延迟阈值。视觉端采用 Trailing Sliding Window 对齐，音频端扩大时间去噪窗口，在 0.08s look-ahead 延迟下取得 0.61 的 DeSync 得分，优于 chunked 的 0.88（越低越好）。