知识卡片：GLARE：生成具有恰当反应的倾听者头部

说明：未能抓取论文正文；以下内容仅根据题录元数据、Manual title 与候选摘要整理，具体事实、数值与实现均待核实。

一句话结论

GLARE 试图把“倾听者头部生成”从只追求视觉真实，推进到同时判断何时反应、如何反应与反应类型是否恰当；候选摘要称其通过反应感知的数据、模型与评测取得增益，但正文未抓取，结论待核实。

事件概述或研究问题

• 背景：talking head generation 已快速发展，但双人对话中的 listener behavior 仍研究不足。
• 核心问题：倾听者需要知道何时反应、如何反应、以何种类型反应。
• 主要缺口：现有 dyadic datasets 缺少细粒度 listener reaction annotations；沿用 talking-head 与 video generation 的评测更偏视觉真实度，而非反应适当性。（待核实）

方法/产品要点

• 数据：据候选摘要，从 RealTalk 与 Seamless Interaction 构建 listening-head-specific dataset，约 147 小时 paired speaker-listener videos，64,557 条 event-level reaction annotations，六类为 nodding、head shaking、smiling、laughing、frowning、surprised。（待核实）
• 模型：提出 audio-driven baseline GLARE，基于 flow-matching transformer，使用 Qwen2-Audio 提供 prosody conditioning，并用 temporal reaction loss 显式监督 frame-wise reactions。（待核实）
• 评测：提出 reaction-oriented evaluation protocol，联合测量 R-F1（反应发生）、R-tIoU（时间对齐）、R-ATD（非对称时间偏差）、R-FID（反应区域视觉质量）。（待核实）

主要结果或产业意义

• 候选摘要称，实验在视觉保真度与 reaction-level metrics 上相较 prior listening-head methods 有一致增益，说明 reaction-aware data、modeling 与 evaluation 对自然倾听行为很关键。（待核实具体数值、对比与显著性）
• 若上述结果成立，潜在产业方向包括虚拟会议代理、教育数字人、游戏 NPC、社交机器人和对话式虚拟人；但这些应用需另行验证，不能由当前材料直接确认。

为什么重要

对话自然度不只取决于说话者头部动画，也取决于倾听者的点头、摇头、微笑、笑、皱眉、惊讶等社会信号是否出现得及时且类型恰当。把评测从纯视觉质量转向反应发生、时间对齐与非对称偏差，可能更贴近“倾听是否恰当”的行为问题。与已有卡片中交通模拟的可控行为潜变量相比，本条关注的是双人对话倾听行为，而非交通智能体；概念增量在于将细粒度反应作为显式建模与评测对象。

局限与不确定性

• 论文正文未抓取，以上所有方法、数据与结果细节均待核实。
• 数据集来源、标注协议、六类反应定义、标注者一致性、许可与隐私伦理待核实。
• GLARE 架构、Qwen2-Audio 韵律条件方式、temporal reaction loss 形式、训练成本与实时性待核实。
• R-F1、R-tIoU、R-ATD、R-FID 的具体定义、基准设置、基线选择与可复现性待核实。
• 跨语言、跨文化、跨场景泛化能力待核实。
• URL 与 arXiv 版本状态、论文可访问性待核实。

可用于图书/PPT/简报的角度

• 从“会说话的头”到“会倾听的头”：对话虚拟人的下一阶段问题。
• 反应感知数据标注：事件级 listener reaction annotations 如何改变生成任务。
• 评测范式转变：从视觉真实度指标到行为适当性指标。
• 多模态基础模型与流匹配：音频驱动、韵律条件与帧级反应监督。
• 社会信号与时机：反应发生、时间对齐、非对称时间偏差。
• 产业应用草图：虚拟会议、教育、游戏、社交机器人中的倾听行为。

原始材料

• 原始来源：https://arxiv.org/abs/2609.40317v1
• 英文标题：GLARE: Generating Listening Heads with Appropriate Reactions
• 英文关键词：GLARE; listening heads; dyadic conversations; listener reaction annotations; flow-matching transformer; Qwen2-Audio; temporal reaction loss; R-F1; R-tIoU; R-ATD; R-FID; RealTalk; Seamless Interaction
• Track：academic
• Topics：foundation-model
• 材料状态：未能抓取正文；以上基于题录元数据与候选摘要整理，待核实。