指标：AQ（VBench 美学）、FID、LPIPS、FVD、Smoothness、Emoacc，以及两个新指标—— LipScore （用训练数据量为 SyncNet 6 倍的 SOTA 唇读器最后一层嵌入算余弦相似，比 SyncNet 与人类感知相关性更高）与 NSVacc （基于 Kinetics 预训练 MViTv2 的视频分类器，识别 8 类 NSV + 语音共 9 类）。