UniMuMo est un modèle multi-modal capable de prendre en entrée des données textuelles, musicales et de mouvement arbitraires pour générer des sorties couvrant les trois modalités. Le modèle relie ces modalités grâce à une architecture de transformateur encodeur-décodeur unifiée, en convertissant la musique, le mouvement et le texte en représentations basées sur des jetons. Il réduit considérablement les besoins en calcul en affinant des modèles pré-entraînés unimodaux existants. UniMuMo obtient des résultats compétitifs sur tous les benchmarks de génération unidirectionnelle pour les modalités musicales, de mouvement et textuelles.