实时视频渲染

U-Mind：面向实时多模态交互与视听生成的统一框架

U-Mind: A Unified Framework for Real-Time Multimodal Interaction with Audiovisual Generation

论文提出以文本优先的思维链规划驱动语音、动作和视频的同步生成，并实现基于姿态与语音条件的实时视频渲染，为视觉研究者提供了将语言推理与视频生成闭环结合的可复用框架。