CyberHost ist ein End-to-End Audio-gesteuertes Framework für die Erstellung von menschlichen Animationen. Durch einen regionalen Codebuch-Aufmerksamkeitsmechanismus werden die Integrität der Hände, die Identität und natürliche Bewegungen erzeugt. Das Modell nutzt eine Dual-U-Net-Architektur als Basisstruktur und erweitert die Zeitachse mithilfe einer Bewegungsrahmenstrategie. Dies etabliert eine Basislinie für audiogesteuerte menschliche Animationen. CyberHost verbessert die Qualität der synthetisierten Ergebnisse durch eine Reihe von menschenzentrierten Trainingsstrategien, darunter Körperbewegungskarten, Hand-Schärfebewertung, Referenzmerkmale für die Pose-Ausrichtung und lokal verstärkte Supervision. CyberHost ist das erste Audio-gesteuerte menschliche Diffusionsmodell, das Zero-Shot-Videogenerierung im gesamten menschlichen Körperbereich ermöglicht.