近年來，隨著生成式 AI 與擴散模型的快速演進，影音內容的自動化生成已不再侷限於靜態圖片或簡單動畫，而是逐步邁向「可控、可對齊、可延展」的動態影片層級。特別是在語音驅動角色動畫（Audio-driven Avatar）領域中，如何在嘴型同步、表情情緒、角色一致性之間取得平衡，一直是技術上的核心難題。對於硬體資源有限的使…