近年来，音频驱动的口型同步（Audio-driven lip sync）因在多媒体领域的广泛应用而备受关注。尽管不同个体在朗读相同语句时口型形状各异，这种差异源于个人独特的说话风格，但也为音频驱动的口型同步带来了显著挑战。早期的此类方法往往忽略了个性化说话风格的建模，导致生成的口型同步效果仅符合一般风格，表现次优。近期的口型同步技术试图通过聚合风格参考视频中的信息，以引导任意音频的口型同步，但由于风格聚合的不准确性，它们未能很好地保留说话风格。本文提出了一种创新的音频感知风格参考方案，通过有效利用输入音频与风格参考视频中参考音频之间的关系，解决了旨在保留说话风格的音频驱动口型同步问题。具体而言，我们首先开发了一种先进的基于 Transformer 的模型，该模型擅长预测与输入音频对应的唇部运动，并通过风格参考视频中的交叉注意力（cross-attention）层聚合风格信息对其进行增强。随后，为了更逼真地将唇部运动渲染为说话人脸视频，我们设计了一种条件潜在扩散模型（conditional latent diffusion model），通过调制卷积层（modulated convolutional layers）整合唇部运动，并通过空间交叉注意力层融合参考面部图像。广泛的实验验证了所提方法在实现精准口型同步、保留说话风格以及生成高保真真实说话人脸视频方面的有效性。