MOMO：动态空间音频驱动人体运动生成

2026年10月20日，arXiv Robotics 刊出 Deli Cai 等作者的论文，提出 MOMO 框架：从移动声源的双耳音频生成人体动作。该框架基于扩散模型，由定位、理解与生成三个耦合环节组成，并同时提出首个动态空间音频与动作数据集 DySAM，以及辅助双耳定位数据集 DySAL。作者称，实验显示 MOMO 在动作保真度、音频-动作对齐和物理合理性上优于现有基线。报道将“动态空间音频驱动的人体运动生成”表述为新任务，并称两个数据集为动作捕捉数据集。目前报道未披露模型规模、训练数据量、评测基线清单及代码或数据开放情况，后续进展有待跟进。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。