7月5日，AI聊天机器人平台Character.AI发布研究论文与视频演示，展示了一项名为TalkingMachines的自回归扩散模型。该技术通过输入图片和声音信号，可实现实时、逼真的音频视觉互动，类似FaceTime通话效果。模型基于Diffusion Transformer（DiT）技术，结合流匹配扩散、音频驱动交叉注意力等多项创新技术，能生成自然的面部表情、手势及精准口型同步。此外，TalkingMachines支持多种风格角色，包括真实感人类、动漫及3D虚拟形象。尽管尚未部署于平台，这项突破被视为迈向实时互动AI角色的重要一步。