为什么audio_driven的推理任务中2D组件使用自己训练好的生成的图像画面就几乎静止？

[HanksonYe]

我在进行audio_driven的推理任务中发现一个问题： 如果denoising_unet， reference_unet，pose_guider这三个2D组件我使用的是我在train_stage1中训练好的版本，不论我的motion_module使用的是pretrained的motion_module.pth还是基于train_stage1 checkpoint训练好的motion_module.pth，我生成的视频几乎就是完全静止的，画面只有一些轻微的扰动。