在数据集与评估指标方面，MultiTalk 的训练数据集在第一阶段使用了约 2K小时的单人说话视频，用于学习基础的音频驱动视频能力；第二阶段则使用了 100 小时的双人对话视频，用于专门训练多人物交互和绑…
