AI编舞

打一行字，出 10 秒骨架动作，直接导 BVH：Scenario 把 NVIDIA 的 Kimodo 接进了产品里

2026年11月9日1 次阅读
打一行字，出 10 秒骨架动作，直接导 BVH：Scenario 把 NVIDIA 的 Kimodo 接进了产品里
AI 编舞 · 动作生成

做动画的人都有一个共同体验：改一版动作，比做一版动作贵得多。导演说"感觉不对，换成小跑"，你就得回到 DCC 里重新拖骨骼、调曲线、摆姿态，一条 10 秒的镜头能耗掉半天。

11 月 6 日，Scenario 在自家 changelog 里挂出了一条更新：把 NVIDIA 的 Kimodo 文本生动作模型接进了平台。输入一句英文描述，出来最长 10 秒、30fps 的 3D 骨架动作，可以直接导出 BVH，或者拿原始 NPZ 数据。这件事的价值不在于"AI 又能生成动画了"，而在于动作草稿第一次变成了一个按句计价的、可反复重来的东西。

3分钟看懂

  • 谁做的：Scenario（一家做游戏/广告素材生成的平台）把 NVIDIA 的 Kimodo 模型接进了自己的产品；模型本身来自 NVIDIA Spatial Intelligence Lab，10 月 15 日已开源。
  • 做了什么：在 Scenario 的模型目录里新增 NVIDIA Kimodo Text to Motion。写一段文本，生成最多 10 秒、30fps 的 3D 骨架动作，导出 77 关节 SOMA 骨架的 BVH 加原始 NPZ。
  • 什么时候：Scenario 官方 changelog 时间戳 2026-11-06 14:40 UTC（条目 #532），同批的 API v2.144.0 也把 Kimodo 列进了模型目录。
  • 能不能串起来：能。官方说明是"提供一条或多条文本提示，把不同动作串进同一段 clip"。
  • 多少钱：平台按 credit 计费，生成器里会显示当次消耗；免费额度的产出仅限个人使用与评估，商用要走付费计划。
  • 能不能用在自己角色上：要自己接一步。导出的是骨架动作，套到你自己的角色身上还需要一次 retarget（骨架适配）+ 清理。

它到底给了什么：一段会走路的骨架，不是一段成片

先把容易误解的地方说清楚：Kimodo 生成的不是视频，是关节的位置和旋转。你在 Scenario 里拿到的是一段骨架在时间轴上的运动数据，没有皮肤、没有贴图、没有表情。

具体到这个接入：

  • 长度上限 10 秒 / 每段提示，帧率 30fps，也就是最多 300 帧；
  • 导出格式是 BVH（77 关节 SOMA 骨架）+ 原始 NPZ；
  • 多条文本提示可以接成一段连续动作，比如"先走两步，然后转身，最后抬手打招呼"；
  • 内部其实是在简化的 30 关节骨架上预测，再展开到 77 关节——所以关节数不等于手指细节，别看到 77 就以为手部动画也齐了。

这点区别很关键。成片是给人看的，骨架是给下游管线用的：进 Unity、Unreal、Blender、MotionBuilder 都行，但都要经过目标角色的骨架映射。官方口径也很直白：这些是动画草稿，比例、脚部接触、根运动、循环衔接，还得人来核。

为什么这件事值得写：700 小时动捕 + 能"钉住"姿势

如果只是"文本生动作"，这类模型这两年不少。Kimodo 的特殊之处在它的训练规模和约束系统，而这两点决定了它在编舞场景里到底有没有用。

模型用的是 700 小时的商业可用光学动捕数据（NVIDIA 内部的 Bones Rigplay 数据集），技术上属于运动学动作扩散模型（Kinematic Motion Diffusion，名字里的 Ki-mo-do 就是缩写），采用两阶段 Transformer 去噪器，把根节点位移和身体姿态分开预测。项目页的说法是：这样能减少动作瑕疵，同时让约束条件更容易加进去。

所谓约束，是编舞师真正会关心的部分：

  • 全身关键帧：指定某几帧的完整姿势，中间让模型补；
  • 稀疏关节位置/旋转：只钉住手腕、脚踝这些末端，其余自由；
  • 2D 路点与路径：控制角色往哪走、走什么弧线；
  • 混合约束：上面几种一起用。

这解决了编舞工作里一个很实际的矛盾。纯文本生成的问题是"说不准"——你写"跳一段迪斯科"，出来的可能是任何一种迪斯科；而纯手工 K 帧的问题是"太慢"。给几个关键姿势当锚点，剩下的让模型补间，才接近真实的编舞迭代方式。

日本作者在 Zenn 上 11 月 8 日发的那篇实测，恰好把这个边界试出来了：他用同一段 10 秒提示、同一个 seed（2501），先写"原地跳迪斯科、左右手交替做经典斜向指人动作"，结果斜上方的指人动作并没有明显出现——重心转移和换手有了，但"disco"这个词并不能保证你脑子里的那套动作。把动作顺序写进提示（先侧步、再指人、最后肩部律动），出来的又是另一版。

这个结果其实挺重要：文本负责方向，约束负责精度。想要指定动作，靠的不是措辞更华丽，而是钉关键帧。

实测数字：加载 35 秒，生成 5 秒

同一篇实测给出了本地跑的一组数字，条件写得比较完整：Colab Pro 的 A100 GPU + 高内存运行时，输出 300 帧、30fps、10 秒。

  • 模型加载：约 35.11 秒；
  • 从生成到骨架数据整理完成：约 5.54 秒；
  • 不含首次装依赖和下载模型的耗时。

作者也提醒了这只是单次实测，不代表每次都一样；另外文本编码器用的是 Llama-3-8B-Instruct，需要先在 Hugging Face 上申请该模型的访问权限。官方也提供了把文本编码器放 CPU 的配置，代价是慢。

顺带一个关于"数据干净程度"的细节，值得做技术的人记一下：Kimodo 在 10 月 15 日更新了 v1.2 模型，原因是 v1.1 的训练集里混进了 BONES-SEED 的测试序列——也就是考卷泄题，导致它在自家 benchmark 上的分数偏高。v1.2 把泄漏的序列剔掉重训，代价是文本跟随指标（R@3 / FID）反而下降。

在修正后的基准上，Kimodo-SOMA-RP-v1.2 在"Content"（训练中没见过的动作类别）划分上的成绩是：

指标数值说明
R@3 ↑79.83文本检索命中率，越高越"听话"
FID ↓0.037动作分布距离，越低越自然
Skate ↓3.331 cm/s脚部打滑，越低越好
Contact ↑0.982脚接触准确度

对照的 ground truth 是 R@3 88.66、Skate 1.849。也就是说：动作自然度已经接近真人数据，但"听话程度"还差 9 个点左右——这跟前面那个 disco 的实验结果是能对上的。

谁能直接用：四类人今天就能试

适合谁（适用场景）：

  • 游戏/动画预演：NPC 的走、转、打招呼先出一版占位动画，等美术有空再精修。这是官方自己列的用例。
  • 短视频与广告分镜：先用骨架动作把节奏和机位定下来，再决定要不要花预算做正式动画。
  • 编舞与舞台预演：把脑子里的段落用关键帧钉住几处，让模型补中间，快速看"这段能不能成立"。
  • 人形机器人：模型家族里本来就有 Unitree G1（34 关节）的版本，导出可对齐 MuJoCo 的格式，做机器人动作演示时省一大截。

不适合谁（不适用场景）：

  • 想要成片的人——这里没有渲染，没有光影，没有布料。
  • 需要手指精细动作的人——内部是 30 关节简化骨架，手部细节不在保证范围内。
  • 需要表情、口型、物体交互受力的人——模型只管身体运动学，不管这些东西。
  • 一定要SMPL-X 管线的人：官方明确说 SMPL-X 版"不是推荐的模型"，重定向瑕疵可能比较严重。

怎么用：在平台上跑通第一条动作

操作步骤其实很短，难点都在前置条件上：

  • 第一步，进模型目录。 在 Scenario 平台里选 NVIDIA Kimodo Text to Motion，生成器里会显示这次要消耗多少 credit。
  • 第二步，写提示。 用英文写清动作、幅度、节奏，例如"a person walks two steps forward, then turns around and waves with the right hand, 10 seconds"。要多段动作就拆成多条提示串起来。
  • 第三步，定长度和参数。 单段上限 10 秒、30fps；要复现同一版结果，就固定 seed。
  • 第四步，导出。 拿 BVH 进 DCC 或引擎，或者拿 NPZ 自己写脚本读关节数据；接着做 retarget，再谈精修。

如果走本地路线，顺序是：装环境（Python + 依赖）→ 在 Hugging Face 申请 Llama-3-8B-Instruct 的访问权、拿读权限 token → 从 GitHub 拉 nv-tlabs/kimodo → 用 CLI 或交互式 demo 生成。显存紧张就设 TEXT_ENCODER_DEVICE=cpu。

避坑：三个最容易踩的地方

第一，别把 77 关节当成"手也能动"。 输出虽然是 77 关节的 SOMA 骨架，但预测是在 30 关节的简化骨架上做的，手指和手掌的细节被拿掉了。做握持、弹琴、手势戏，还是得另找手部方案。

第二，retarget 是独立的一步，不是自动的。 Zenn 那篇实测说得很清楚：把生成结果套到自己的角色上，骨名对得上不代表能用，还要核基准姿势、身体朝向、单位、父子层级。Mixamo 的骨架和 Kimodo 的骨架并不是同一套。

第三，商用授权要分两层看。 模型权重走的是 NVIDIA Open Model License（v1.2 明确"ready for commercial use"），代码是 Apache-2.0；但在 Scenario 平台上生成，还要受平台自己的条款约束——按 credit 计费，免费额度的产出仅限个人使用和评估。这两层是分开的，别以为模型能商用就等于平台免费额度也能商用。

成本与时间

  • 平台路线（Scenario）：按 credit 扣费，单次成本取决于模型和输出设置，生成器里会显示。适合不想装环境、想直接在浏览器里试的人。
  • 本地路线：模型权重在 Hugging Face 上公开（nvidia/Kimodo-SOMA-RP-v1.2 等），代码在 GitHub（nv-tlabs/kimodo）。按前面那组实测，A100 + 高内存是比较稳的配置，官方也支持把文本编码器挪到 CPU 来省显存。
  • 时间预估：一条 10 秒动作，生成本身是"秒级"；真正的时间花在装环境、下模型、以及把结果对到自己角色上。

行动建议：今天就能做的三步

  1. 先看效果再花钱：去 Scenario 的 changelog 页面（条目 #532）看官方示例，确认这种"骨架草稿"的质感是不是你要的。要给老板看，就挑一段有明显位移和转身的提示。
  2. 用"顺序 + 锚点"写提示：不要只写一个风格词。把动作拆成开始、中间、结束三段写进去，能显著提升可控性；有明确姿态要求时，优先用关键帧约束而不是堆形容词。
  3. 接自己角色前先做对齐检查：拿一个 T-pose 或 A-pose、骨骼和蒙皮都干净的人型模型起步，先核骨名、基准姿势、朝向、单位，再谈动作质量。

一句话总结

这次更新的意义不是"NVIDIA 又发了个模型"——模型 10 月 15 日就开源了；真正的变化是它进了一个按量付费的产品，变成了编舞流程里可以随口重来的一步。文本定方向，约束定精度，retarget 和精修还是人的活。现阶段它最合适的定位是"把第一版草稿从半天压到五分钟"，而不是替掉动画师。

（本文基于 Scenario 官方 changelog、NVIDIA Kimodo 项目页与模型卡、官方文档，以及 Zenn / MakeGameWithAI / samiai.pro 等多家媒体与实测作者的转述整理。论文与基准数字以 NVIDIA 官方文档页面为准。）

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...