■ 概要 マルチモーダルAIパイプライン（ASR→LLM→TTS）をリアルタイム配信向けに統合した、消費級GPU対応のAI VTuberフレームワーク。 ■ 特徴・用途 1. **複合モデル並行実行の最適化課題** — ASR・LLM・TTS・OCR・画像/動画キャプションを消費級GPU上で同時キューイングする必要があり、メモリ管理とレイテンシトレードオフが実装の要。Minecraft AIエージェント機能が加わると、推論フレーム単位での優先度制御が不可避。 2. **マルチプラットフォーム弾幕統合** — Bilibili（主）・YouTube・Twitch直結により、各プラットフォーム固有の遅延特性と弾幕形式（数値IDvs.ユーザー名、リッチテキスト有無）を吸収する抽象化層が必要。中文VTuber市場（木几萌など先行事例）への実装寄りの設計。 3. **画面認識→行動実行の閉ループ** — スクリーン内容の理解（OCR+イメージキャプション）とMinecraftアクションの直結により、「AIが見た世界」と「ゲーム状態」のズレ（遅延応答、誤認識）を許容する耐性設計が求められる。 ■ 結論 Neurosama型（会話主体）から「環境認識と積極的ゲーム操作」への拡張を試みた実装で、マルチタスクGPUスケジューリングの非自明さが採用・運用のハードル。