#端到端多模态 (1)

Motion-Omni：语音对话联合生成全身动作

把动作输出从级联改成原生：一个 7B 主干在说话的同时生成面部、手、上肢、下肢动作，响应比教师级联快 5.4 倍，无参考动作指标差距在 2% 以内。