Las formas de mezcla en los modelos 3D para VTubing crean expresiones faciales suaves y personalizables, así como movimientos sutiles que hacen que los avatares sean realistas y atractivos durante las transmisiones. Permiten a los VTubers hacer una transición natural entre emociones (por ejemplo, sonreír, fruncir el ceño, levantar una ceja) al mezclar formas base y objetivo, alineando las reacciones del avatar con su voz o acciones. Como sincronizar los labios con el habla o agregar parpadeos de los ojos para mayor realismo. Esta capacidad de respuesta similar a la humana ayuda a los espectadores a conectarse más profundamente con el avatar. Para aumentar la expresividad, los VTubers pueden mapear formas de mezcla comunes (sonreír, parpadear, levantar una ceja) a entradas de seguimiento en tiempo real (voz o captura facial) para un control intuitivo de las emociones del avatar.

