https://shandaai.github.io/project_mio_page/
官网有交互式演示视频（CSDN审核没通过，感兴趣的可以去看一下）
M.I.O 项目：面向数字人交互式智能的创新框架
M.I.O（Multimodal Interactive Omni-Avator，多模态交互式全维度智能体）是由盛大AI研究院东京分部（Shanda AI Research Tokyo）联合东京大学、东京理科大学团队研发的数字人智能框架，核心目标是突破现有数字人的"模仿性局限"，实现具备真正交互式智能的数字人系统，相关研究成果已以论文形式发布于arXiv（2025年，编号2512.13674，领域：cs.CV）。
一、项目背景：现有数字人的核心痛点
当前多数数字人仅能"表面模仿"人类行为，缺乏关键的交互式智能------无法在语音、面部表情、身体动作、外观呈现等多维度上，生成"实时响应、情感连贯、人格一致"的交互反馈，难以满足真实场景下的自然互动需求。
二、核心定位：数字人的"自主智能体"转型
M.I.O 首次将数字人定义为具备三大核心能力的自主智能体：
- 人格一致性表达：多模态输出（语音、表情、动作）始终贴合设定人格；
- 自适应交互：能根据用户输入的上下文动态调整回应策略；
- 自我进化：具备持续优化交互效果的潜力。
三、核心框架：五级级联模块（端到端可控）
项目设计了"思考-表达-呈现"全链路的五大模块，实现多模态交互的协同生成：
| 模块名称 | 核心功能 |
|---|---|
| Thinker（思考器） | 核心控制单元，负责上下文推理、用户意图理解与交互逻辑调度，是智能决策核心； |
| Talker（表达器） | 基于核心大语言模型（Core LLM），生成与语境匹配的多模态语音（文本+音频）； |
| Facial Animator（面部动画器） | 同步语音与情绪，生成自然、连贯的面部表情； |
| Body Animator（身体动画器） | 结合交互场景与情绪状态，生成协调的身体动作； |
| Renderer（渲染器） | 整合语音、表情、动作，输出最终的可视化数字人形象，实现端到端可控。 |
四、关键创新：交互式智能评估基准
为解决"数字人智能难以量化"的问题，M.I.O 首次提出一套多维度评估基准，从5个核心维度衡量数字人的交互式智能：
- 语音一致性（与语境、人格匹配）；
- 表情自然度（情绪传递准确）；
- 动作协调性（与语音、表情同步）；
- 视觉风格统一性（外观与交互场景适配）；
- 人格连贯性（长期交互中保持设定人格不变）。
五、应用示例：真实场景交互演示
项目文档中展示了典型交互场景：
如需查看完整论文或演示视频，可访问项目官网（https://shandaai.github.io/project_mio_page/）或arXiv论文链接：https://arxiv.org/abs/2512.13674。
