Kimodo von NVIDIA: kostenlose Open-Source-KI-Animation für 3D-Figuren
Kimodo: NVIDIAs kostenlose KI-Animation aus Text. Ohne Motion Capture, Open Source. Vergleich mit Mixamo, GPU-Bedarf und ein Spiel, in dem eine Figur trommelt.
Wer mit KI ein Spiel baut, hat die Figurenmodelle inzwischen schnell im Kasten: Im letzten Beitrag hat Tripo AI aus einem Konzeptbild in ein paar Minuten ein 3D-Modell gemacht. Aber sobald das Modell fertig ist, wird es zäh: Es soll sich bewegen. Fertige Animationspakete haben nur die üblichen Bewegungen wie Gehen, Laufen, Springen und Schwertschlag. Soll eine Figur „auf dem Sofa sitzen und am Handheld zocken“ oder „im Takt der Musik Schlagzeug spielen“, musste man das bisher in einer 3D-Animationssoftware Bild für Bild selbst einstellen oder einen Motion-Capture-Anzug anziehen und aufnehmen.
Kimodo, das NVIDIA dieses Jahr kostenlos als Open Source veröffentlicht hat, setzt genau hier an: Du gibst einen Satz ein, und es erzeugt direkt eine 3D-Bewegung für eine Figur, ohne Motion Capture und ohne Keyframes per Hand. In diesem Beitrag geht es darum, was Kimodo ist, was es von Mixamo unterscheidet, wie stark der Rechner sein muss und wie man es ohne Grafikkarte nutzt. Zum Schluss schauen wir, wie ein japanischer Indie-Entwickler diese KI-Animation in einem echten Spiel einsetzt.
Was ist Kimodo?
Kimodo ist ein Open-Source-Modell, das NVIDIAs Spatial Intelligence Lab im März 2026 vorgestellt hat. Der volle Name lautet Kinematic Motion Diffusion: Ein Diffusionsmodell erzeugt Skelettbewegungen für Menschen oder humanoide Roboter. Trainiert wurde es mit rund 700 Stunden optischer Motion-Capture-Daten, die kommerziell genutzt werden dürfen. Die Modellgewichte liegen auf Hugging Face, der Code auf GitHub, die Lizenz ist die NVIDIA Open Model License.
Kurz gesagt macht es „Animation aus Text“. Das ist ähnlich wie KI-Bildgenerierung, nur dass am Ende kein Bild herauskommt, sondern die Position und der Winkel jedes Skelettgelenks in jedem Frame. Du schreibst „eine Person geht langsam hin, setzt sich, steht wieder auf und streckt sich“, und es erzeugt die Skelettdaten für diese Bewegung. Die lassen sich als BVH oder GLB exportieren und in Blender, Unity oder Unreal verwenden.
Animation aus Text: Was lässt sich in Kimodo steuern?
Mit nur einem Satz sieht die erzeugte Bewegung oft anders aus als gedacht. Praktisch an Kimodo ist, dass man Text schreiben und gleichzeitig Vorgaben setzen kann:
- Textbeschreibung: welche Bewegung. Man kann sie in Abschnitte teilen, die nacheinander erzeugt werden.
- Ganzkörper-Keyframes: die komplette Pose in einem bestimmten Frame festlegen, etwa dass die Figur am Ende sitzt.
- Position einzelner Gelenke: nur ein paar Gelenke festlegen, den Rest übernimmt das Modell.
- Position von Händen und Füßen: zum Beispiel soll die Hand einen Punkt berühren oder der Fuß auf dem Boden bleiben.
- Route auf dem Boden: ein paar Wegpunkte oder ein Pfad, dem die Figur folgt.
Unterstützt werden drei Skelette: NVIDIAs eigener SOMA-Körper, der humanoide Roboter Unitree G1 und das in der Forschung verbreitete SMPL-X. Skelette, wie man sie in Spielen nutzt (Mixamo, die humanoiden Skelette der Engines oder das eigene Skelett des Modells), brauchen noch ein Retargeting, bevor die Bewegung auf die eigene Figur passt.
Kimodo vs. Mixamo vs. Motion Capture: Was ist der Unterschied?
Wenn man eine 3D-Animation erstellt, kommen die Bewegungen einer Figur meist aus drei Quellen. Kimodo ist die dritte:
Mixamo | Motion Capture | Kimodo | |
|---|---|---|---|
Woher die Bewegung kommt | Aus einer fertigen Animationsbibliothek ausgewählt | Ein echter Mensch wird mit Sensoren oder vor Kameras aufgenommen | Die KI erzeugt sie aus Text und Vorgaben |
Eine ganz bestimmte Bewegung | Ist sie nicht in der Bibliothek, geht es nicht | Möglich, braucht aber Raum, Ausrüstung und Darsteller | Möglich: Was sich beschreiben lässt, kann man ausprobieren |
Kosten | Kostenlos (Adobe-Konto nötig) | Am teuersten, Ausrüstung oder Studiomiete | Open Source und kostenlos, aber eigene Grafikkarte oder Cloud-Kosten |
Verlässlichkeit | Hoch, alles aufgenommene Bewegungen | Hoch, die Daten müssen aber bereinigt werden | Schwankend, oft mehrmals erzeugen und von Hand nachbessern |
Mixamo passt für Standardbewegungen wie Gehen, Laufen, Springen und Angreifen und kann außerdem automatisch riggen. Kimodo füllt die Lücke bei Bewegungen, die „nicht in der Bibliothek sind, für die sich aber auch keine Aufnahme lohnt“. Beides lässt sich kombinieren: Die Figur zuerst in Mixamo riggen, dann die Kimodo-Bewegung aus der Cloud als FBX mit Mixamo-Skelett exportieren, und sie passt direkt drauf.
Kimodo Systemanforderungen: rund 17 GB Grafikspeicher
Die offizielle Doku von Kimodo ist da sehr klar:
- Grafikkarte: praktisch nur NVIDIA. Am meisten getestet sind RTX 3090, RTX 4090 und A100.
- Grafikspeicher: Läuft alles auf der GPU, braucht es etwa 17 GB, das meiste davon für den Text-Encoder (Llama 3 8B von Meta). Mit
TEXT_ENCODER_DEVICE=cpuläuft die Textkodierung auf der CPU, dann reichen unter 3 GB, nur etwas langsamer. - Betriebssystem: hauptsächlich unter Linux entwickelt und getestet, unter Windows wird Docker empfohlen.
- Umgebung: Python 3.10 oder neuer, PyTorch 2.0 oder neuer.
- Konto: Man braucht ein Hugging-Face-Konto und muss Zugriff auf
Meta-Llama-3-8B-Instructvon Meta beantragen.
Mein Laptop hat nur eine Intel-Grafik, keine NVIDIA-Karte, also kann ich es lokal nicht laufen lassen. Geht es dir genauso, schau dir im nächsten Abschnitt den Weg über die Cloud an.
Mit NVIDIA-Karte gibt es auch eine offizielle Oberfläche im Browser (kimodo_demo): oben eine 3D-Vorschau, unten eine Timeline, auf der man Textbeschreibungen und Vorgaben platziert, rechts Modell wählen, Länge einstellen und auf Generate klicken.
So nutzt du Kimodo: kostenloses UE-5.9-Plugin, Cloud oder Blender
1. In Unreal Engine 5.9 eingebaut: AnimGenOffline
Die Vorschauversion von Unreal Engine 5.9, die Epic am 9. November 2026 veröffentlicht hat, bringt ein neues Plugin namens AnimGenOffline mit. Damit lassen sich Animationen direkt im Sequencer per KI erzeugen, und das erste angebundene Modell ist Kimodo. Du setzt Schlüsselposen auf die Timeline, ziehst einen Pfad, schreibst eine Beschreibung, und es füllt die Bewegung dazwischen auf.
Das ist im Moment der bequemste kostenlose Weg, aber auch hier braucht es eine starke NVIDIA-Karte. Und weil es eine Vorschauversion ist, können sich Name und Funktionen des Plugins noch ändern.
2. In der Cloud: Replicate
Ohne Grafikkarte gibt es auf Replicate ein von der Community bereitgestelltes Kimodo (sprited/kimodo, nicht offiziell von NVIDIA). Auf der Webseite Beschreibung eingeben, und es erzeugt die Bewegung. Export geht als GLB, BVH und auch als FBX mit Mixamo-Skelett. Nutzt deine Figur ohnehin das Mixamo-Skelett, ist das das Format, das am schnellsten passt. Replicate rechnet nach genutzter GPU-Zeit ab, der genaue Preis steht auf der Seite.
3. Blender-Animations-Plugin: Animatica
Animatica macht aus den Modellen der Kimodo-Familie Plugins für Blender, MotionBuilder und 3ds Max, ohne dass man selbst einen Server aufsetzen muss. Die Tarife, die ich gesehen habe: eine kostenlose Version mit 10 Generierungen pro Monat, Credit-Pakete pro Nutzung und eine Pro-Version mit Jahresabo. Die Tarife ändern sich schnell, maßgeblich ist die offizielle Website.
Praxisbeispiel: Eine KI-Figur spielt Schlagzeug und Bass zur Musik
Nach den Specs erklärt ein echtes Beispiel aus einem Spiel am meisten. Der japanische Indie-Entwickler ShadeLurk (Macher des Rhythmusspiels BEAT VISTA) hat kürzlich zwei Videos geteilt: Eine Figur spielt Bass zu einem Song, eine andere spielt Schlagzeug.
Laut seinen Posts teilen sich vier Tools die Arbeit:
Schritt | Tool | Aufgabe |
|---|---|---|
1. Figur | Tripo | 3D-Modell der Figur erzeugen |
2. Noten | Gemini 4 Carbon | Schlagzeugnoten aus der Audiodatei herausziehen und für jeden Schlag bestimmen, welche Trommel dran ist |
3. Bewegung | Kimodo (AnimGenOffline in UE 5.9) + Fable 5.2 | Spielbewegungen nach den Noten erzeugen |
4. Wiedergabe | Unity | Bewegungen nach den Noten abspielen und zum Schluss korrigieren |
Ein paar Punkte sind besonders spannend:
1. Die Bewegung entsteht in Unreal, das Spiel läuft in Unity. Unreal ist hier nur ein „Offline-Animationsgenerator“: Ist die Bewegung fertig, geht sie zurück nach Unity. Heißt: Auch wenn dein Spiel nicht mit Unreal gebaut ist, kannst du das Kimodo-Plugin von UE 5.9 für deine Animationen nutzen.
2. „Sieht richtig aus“ reicht ihm nicht, er misst jeden Schlag. Unter dem Video wird live angezeigt, wie viele Millimeter die Stockspitze vom Fell entfernt ist und wie viele Zentimeter vom Zielpunkt, in welchem Winkel der Schlägel der Bassdrum steht und ob er das Fell trifft. Dazu wird gezählt, wie viele Schläge pro Trommel „sitzen“. 644 Schläge im ganzen Song, jeder einzeln bewertet.
3. KI-generierte Bewegung ist kein fertiges Produkt, sie muss nachbearbeitet werden. Das Bass-Video zeigt „Kimodo roh“ und „korrigiert“ nebeneinander:
Die großen Bewegungen, die Kimodo erzeugt (den Bass halten, im Rhythmus mitgehen, die Hand übers Griffbrett bewegen), wirken schon natürlich. Aber die Finger landen nicht genau auf der richtigen Saite und dem richtigen Bund. In Unity hat er die Fingerspitzen deshalb auf die richtigen Positionen gesetzt, die Füße fixiert und noch ein Wippen des Körpers ergänzt.
Genau das ist die Einschränkung, die auch offiziell genannt wird: Kimodo sieht keine Objekte in der Szene. Es weiß nicht, wo die Saiten des Basses sind oder wie hoch das Schlagzeug steht. Sobald eine Bewegung „etwas berühren“ muss, braucht es am Ende Code oder Handarbeit.
Die Grenzen von Kimodo
Aus der offiziellen Doku und dem Beispiel oben, das solltest du vorher wissen:
- Hält sich nicht immer an den Text: Die Doku sagt selbst, dass die erzeugte Bewegung nicht immer der Beschreibung entspricht. Oft muss man mehrmals erzeugen und auswählen.
- Sieht die Szene nicht: Wie hoch der Stuhl ist, wo der Tisch steht, was die Hand greifen soll, weiß es nicht. Hinsetzen, etwas nehmen, ein Instrument spielen: Das muss am Ende nachbearbeitet werden.
- Das Skelett muss umgewandelt werden: Ausgegeben wird ein SOMA-, SMPL-X- oder G1-Skelett. Für die eigene Figur braucht es erst ein Retargeting.
- Die Hürde ist die Grafikkarte: Lokal braucht man eine NVIDIA-Karte, sonst geht es nur über die Cloud.
Wie ich Kimodo einsetzen will
Die Startseite meiner Website ist eine Mondbasis. Die Hauptfigur Terry kann herumlaufen, sich im Studio auf den Stuhl setzen, auf dem Sofa ein Nickerchen machen oder den Handheld vom Tisch nehmen und Snake spielen. Alle diese Bewegungen stammen aus fertigen Animationspaketen. Sitzen und Liegen sind dabei, aber „den Handheld halten und mit gesenktem Kopf spielen“ nicht. Im Moment sitzt er deshalb einfach da und hält den Handheld vor die Brust. Bei dem RPG, an dem ich gerade arbeite, ist es genauso: Die Story braucht viel mehr Bewegungen, als die Pakete hergeben.
Genau da kann Kimodo helfen: bei Bewegungen, die „in keinem Standardpaket stecken und die ich nicht selbst einstellen will“. Ich werde sie zuerst in der Cloud erzeugen, als Mixamo-FBX exportieren und dann auf das Skelett der Figur retargeten. Wo etwas berührt werden muss (die Hand am Handheld, die Sitzhöhe auf dem Sofa), bessere ich wie ShadeLurk im Spiel nach.
Fazit: Die KI liefert die Bewegung, der Mensch den Moment, in dem etwas „berührt“ wird
Die Modelle mit Tripo AI, die Bewegungen mit Kimodo: Für die zwei großen Hürden eines 3D-Spiels, das man allein baut, gibt es jetzt KI-Hilfe. Das Beispiel von ShadeLurk zeigt aber auch: Die KI-Animation sorgt dafür, dass es „ungefähr stimmt“. Dass Spieler wirklich glauben „der spielt da Schlagzeug“, liegt an den letzten paar Zentimetern Korrektur. Die muss immer noch ein Mensch festlegen und nachmessen.
Hast du auch schon versucht, Figurenbewegungen mit KI zu erzeugen? Schreib mir gern einen Kommentar unter meine Posts auf Threads oder X.
