听到声音就能动起来：Sonic-AMG把反应延迟从10.9秒压到约193毫秒

人体对声音的反应现在可以边听边生成，不必等整段音频收完再一次性算出整段动作。 此前的方法在预设时间窗内合成完整动作序列，条件是完全观测到的声学与空间输入，因此无法对正在到来的音频流做因果响应。 在SAM数据集上，Sonic-AMG在GT SSL协议下取得FID 6.505、R@1 0.957，优于MOSPA的8.242与0.942；在Online协议下为FID 8.066、R@1 0.943。

模型把声音内容与声源相对身体的位置拆成两路条件，再让因果生成器逐块预测动作。 声学内容用80维log-mel特征经共享因果时序CNN编码，空间侧用11维描述子表示方向、距离及其增量、逆距离、方向变化幅度和逼近程度，两者分别成为what与where token。 消融显示分离token优于融合token（FID 8.714对11.445），学习到的log-mel特征也优于MOSPA的2,272维音频特征（FID 8.714对12.759）。

训练时让模型在自回归自rollout的历史上做监督，并用生成出的根姿态反过来更新空间条件。 两遍前向训练用初次教师强制预测替换部分真值输入，但这些替换仍建立在真值历史上，不递归依赖更早的采样输出。 rehearsal训练在两种SSL协议下都优于各两遍前向调度，Online协议下FID 8.714对最好两遍前向的11.766；只用rollout而无全序列教师强制监督时FID升至17.036。

报道覆盖的是SAM数据集上的评测：自回归模型接收四帧初始真值动作和反应风格标签，主对比中所有方法都可获得声源位置输入。读者对象是动作生成、具身交互与实时图形方向的研究人员和工程师。作者在附录中提出，后续应建立面向更长音频流和更多样事件转换的动作质量量化基准。

主实验假设推理时已知世界坐标声源位置，No-SSL变体只是空间条件可由双耳音频导出的初步演示，替代空间推断方法的系统评估仍属未来工作。评测仅限SAM，向更广声学环境和人体反应的泛化尚待评估；长时程连贯性与事件转换的证据主要是定性的。