摘要
一种基于大语言模型的多模态人体动作生成方法，基于3D动作数据提取结构化特征，结合大语言模型生成身体部位级原子语义描述，构建包含文本、语音、音乐的多模态对齐数据集；将全身动作按部位解耦，采用独立向量量化编码器进行残差量化，生成与细粒度文本强关联的原子动作token；将文本描述与动作token按身体结构拼接为含特殊标记的混合动作句子；通过大语言模型实现多模态输入的联合建模，同步生成细粒度文本与动作token序列，经解码输出符合语义的3D动作，支持零样本生成及部位级精确控制。该方法突破传统方法粗粒度对齐局限，通过细粒度语义映射、解耦式动作编码与统一序列建模，显著提升动作生成的语义一致性、多模态适应性和局部可控性。
