■ **概要** テキスト、音声、動画を統一的に処理する自己回帰拡散モデル（Qwen3-0.6B + OT-CFM軽量ヘッド）により、単一モデルでT2AV/A2V/V2Aを実現。 ■ **特徴・用途** モーダル間の独立デノイジング（WhisperX-VAE + LIA-X）により、アーキテクチャ変更なく3タスクに対応。100万+の高品質学習データセット公開で追試・改善が容易。リアルタイム動画生成より、一貫性が求められるアニメーション生成やポッドキャスト・インタビュー動画化に適している（パッチ埋め込みの加算融合は入力の離散性が高い用途で有利）。 ■ **結論** マルチモーダル生成の統一化は実用的だが、25Hzの低フレームレート出力と拡散計算のレイテンシが、リアルタイムライブ配信への転用には課題。