Kimodo là gì? AI tạo hoạt hình 3D miễn phí, mã nguồn mở của NVIDIA
Kimodo: AI tạo hoạt hình 3D miễn phí, mã nguồn mở của NVIDIA, gõ chữ là ra chuyển động, không cần motion capture. So với Mixamo, cấu hình GPU, ví dụ đánh trống.
Làm game bằng AI thì khâu mô hình nhân vật giờ đã nhanh lắm rồi: bài trước mình dùng Tripo AI chuyển concept art thành mô hình 3D, vài phút là xong. Nhưng làm xong mô hình rồi thì cho nó cử động mới là chỗ mình kẹt nhất. Các gói animation có sẵn chỉ có đi, chạy, nhảy, vung kiếm, mấy động tác chung chung thế thôi. Muốn nhân vật "ngồi trên sofa chơi máy game cầm tay" hay "đánh trống theo nhạc", trước đây chỉ có cách tự chỉnh từng khung hình trong phần mềm làm hoạt hình 3D, hoặc mặc bộ đồ motion capture vào mà quay.
Kimodo, thứ NVIDIA mở mã nguồn miễn phí năm nay, sinh ra để giải quyết đúng chuyện này: bạn gõ một câu mô tả, nó tạo luôn một đoạn chuyển động nhân vật 3D, không cần motion capture, cũng không cần tự đặt keyframe. Bài này tổng hợp Kimodo là gì, khác Mixamo ở đâu, máy cần mạnh cỡ nào, không có card đồ họa thì dùng thế nào, và cuối cùng xem một nhà phát triển game indie người Nhật đã đưa kiểu AI tạo hoạt hình 3D này vào một game thật ra sao.
Kimodo là gì?
Kimodo là mô hình mã nguồn mở do NVIDIA Spatial Intelligence Lab công bố vào tháng 3/2026, tên đầy đủ là Kinematic Motion Diffusion, dùng mô hình khuếch tán (diffusion) để tạo chuyển động khung xương cho người hoặc robot hình người. Nó được huấn luyện trên khoảng 700 giờ dữ liệu motion capture quang học được phép dùng thương mại. Trọng số mô hình nằm trên Hugging Face, mã nguồn trên GitHub, giấy phép là NVIDIA Open Model License.
Nói đơn giản, nó làm việc "tạo hoạt hình từ văn bản", khá giống AI tạo ảnh, chỉ khác là thứ nó tạo ra không phải một tấm ảnh mà là vị trí và góc của từng khớp xương ở mỗi khung hình. Bạn viết "một người chậm rãi đi tới ngồi xuống, rồi đứng dậy vươn vai", nó tạo ra dữ liệu khung xương cho đoạn chuyển động đó, xuất được ra BVH hoặc GLB để dùng trong Blender, Unity, Unreal.
Tạo chuyển động bằng AI từ văn bản: Kimodo điều khiển được những gì?
Chỉ dựa vào một câu thì động tác tạo ra thường không giống lắm với cái mình hình dung. Chỗ thực dụng hơn của Kimodo là bạn có thể vừa viết mô tả, vừa thêm ràng buộc:
- Mô tả bằng chữ: làm động tác gì. Có thể viết thành nhiều đoạn, tạo nối tiếp nhau.
- Keyframe toàn thân: chỉ định nguyên tư thế ở một khung nào đó, ví dụ khung cuối phải dừng ở tư thế ngồi.
- Vị trí của một số khớp: chỉ ràng buộc vài khớp, phần còn lại để mô hình lo.
- Vị trí tay chân: ví dụ tay phải chạm vào một điểm, chân phải đặt trên mặt đất.
- Lộ trình trên mặt đất: cho vài điểm cần đi qua hoặc một đường đi, nhân vật sẽ đi theo.
Có ba loại khung xương được hỗ trợ: khung người SOMA của chính NVIDIA, robot hình người Unitree G1, và SMPL-X hay dùng trong giới nghiên cứu. Các khung xương hay dùng trong game (Mixamo, khung người của các engine, hoặc khung xương riêng của mô hình) đều phải retarget chuyển động thêm một lần nữa mới gắn được vào nhân vật của mình.
Kimodo khác Mixamo và motion capture ở đâu?
Khi làm hoạt hình 3D, chuyển động nhân vật thường đến từ ba nguồn, Kimodo là nguồn thứ ba:
Mixamo | Motion capture | Kimodo | |
|---|---|---|---|
Động tác lấy từ đâu | Chọn trong thư viện động tác có sẵn | Người thật mặc cảm biến hoặc quay trước camera | Nhập chữ và ràng buộc, AI tạo ra |
Muốn động tác đặc biệt | Thư viện không có là chịu | Được, nhưng cần không gian, thiết bị và diễn viên | Được, viết ra được là thử được |
Chi phí | Miễn phí (cần tài khoản Adobe) | Thiết bị hoặc thuê studio, đắt nhất | Mã nguồn mở, miễn phí, nhưng cần card đồ họa riêng hoặc trả phí cloud |
Độ ổn định của thành phẩm | Cao, toàn là động tác đã quay sẵn | Cao, nhưng phải làm sạch dữ liệu | Không chắc, thường phải tạo vài lần và sửa tay |
Mixamo hợp với mấy động tác chung như đi, chạy, nhảy, tấn công, lại còn tự gắn xương được; Kimodo bù vào phần "thư viện không có, mà đi quay thì không đáng". Hai cái dùng chung được: gắn xương cho nhân vật trên Mixamo trước, động tác Kimodo tạo ra thì xuất từ cloud thành FBX theo khung xương Mixamo, là gắn thẳng vào được.
Cấu hình chạy Kimodo: VRAM khoảng 17 GB
Hướng dẫn chính thức của Kimodo viết rất thẳng:
- Card đồ họa: thực tế bắt buộc phải là NVIDIA. Được thử nhiều nhất là RTX 3090, RTX 4090 và A100.
- VRAM: chạy toàn bộ trên GPU cần khoảng 17 GB, phần lớn là do bộ mã hóa văn bản (Llama 3 8B của Meta) chiếm. Đặt
TEXT_ENCODER_DEVICE=cpuđể chuyển phần mã hóa văn bản sang CPU thì lượng VRAM cần dùng giảm xuống dưới 3 GB, chỉ chậm hơn một chút. - Hệ điều hành: chủ yếu phát triển và thử trên Linux, Windows thì nên dùng Docker.
- Môi trường: Python 3.10 trở lên, PyTorch 2.0 trở lên.
- Tài khoản: cần tài khoản Hugging Face và xin quyền dùng
Meta-Llama-3-8B-Instructcủa Meta.
Laptop của mình chỉ có card onboard Intel, không có card NVIDIA, nên không chạy trên máy được. Nếu bạn cũng vậy thì xem cách dùng cloud ở phần dưới.
Có card NVIDIA thì bên chính thức còn kèm một giao diện chạy trên trình duyệt (kimodo_demo): phía trên là khung xem trước 3D, phía dưới là timeline. Bạn đặt mô tả và các loại ràng buộc lên timeline, bên phải chọn mô hình, đặt độ dài rồi bấm Generate.
Dùng Kimodo thế nào? Plugin UE 5.9 miễn phí, cloud và Blender
1. Có sẵn trong Unreal Engine 5.9: AnimGenOffline
Bản preview Unreal Engine 5.9 mà Epic phát hành ngày 9/11/2026 có thêm plugin AnimGenOffline, cho phép dùng AI tạo animation ngay trong Sequencer, và mô hình đầu tiên được nối vào chính là Kimodo. Bạn đặt các tư thế chính trên timeline, kéo lộ trình, viết mô tả, nó sẽ tự lấp phần chuyển động ở giữa.
Đây là cách miễn phí đỡ tốn công nhất hiện giờ, nhưng vẫn cần card NVIDIA đủ mạnh, và vì còn là bản preview nên tên plugin và tính năng sau này có thể thay đổi.
2. Cloud: Replicate
Không có card đồ họa thì trên Replicate có bản Kimodo do cộng đồng triển khai (sprited/kimodo, không phải bản chính thức của NVIDIA), gõ mô tả trên web là tạo được, xuất ra GLB, BVH, và cả FBX theo khung xương Mixamo. Nếu nhân vật của bạn vốn dùng khung xương Mixamo thì đây là định dạng gắn vào nhanh nhất. Replicate tính phí theo thời gian dùng GPU, giá thực tế xem trên trang.
3. Plugin animation cho Blender: Animatica
Animatica làm các mô hình dòng Kimodo thành plugin cho Blender, MotionBuilder, 3ds Max, không cần tự dựng server. Các gói mình thấy có bản miễn phí 10 lượt mỗi tháng, gói credit mua theo lượt, và bản Pro trả theo năm; gói thay đổi rất nhanh, cứ xem trên trang chính thức.
Ví dụ thực tế: cho nhân vật AI đánh trống, chơi bass theo nhạc
Xem xong thông số thì ví dụ dùng thật trong game vẫn là cách giải thích dễ hiểu nhất. Nhà phát triển game indie người Nhật ShadeLurk (tác giả game âm nhạc BEAT VISTA) vừa chia sẻ hai đoạn video: một nhân vật chơi bass theo bài hát, một nhân vật khác đánh trống theo bài hát.
Theo phần giải thích trong bài đăng của anh ấy, cả quy trình chia cho bốn công cụ:
Bước | Công cụ | Làm gì |
|---|---|---|
1. Nhân vật | Tripo | Tạo mô hình nhân vật 3D |
2. Bản nốt | Gemini 4 Carbon | Lấy bản nốt trống từ file âm thanh của bài hát, và xác định mỗi cú phải đánh vào trống nào |
3. Động tác | Kimodo (AnimGenOffline trong UE 5.9) + Fable 5.2 | Tạo động tác chơi nhạc theo bản nốt |
4. Phát | Unity | Phát động tác theo bản nốt và chỉnh sửa lần cuối |
Có mấy chỗ đặc biệt đáng xem:
Một, động tác tạo trong Unreal, game chạy trong Unity. Ở đây Unreal chỉ là một "máy tạo animation offline", tạo xong thì mang động tác về Unity. Nghĩa là dù game của bạn không làm bằng Unreal, vẫn có thể dùng plugin Kimodo của UE 5.9 để làm động tác.
Hai, anh ấy không dừng ở mức "nhìn có vẻ đúng", mà đo từng cú một. Phía dưới video hiển thị trực tiếp đầu dùi cách mặt trống bao nhiêu milimét, cách điểm đích bao nhiêu centimét, chày trống bass nghiêng bao nhiêu độ, có chạm mặt da hay không, rồi thống kê mỗi trống "đánh đúng bao nhiêu cú". Cả bài có 644 cú, chấm từng cú một.
Ba, động tác AI tạo ra chưa phải thành phẩm, phải sửa. Video bass đặt "bản gốc Kimodo tạo ra" và "bản đã sửa" cạnh nhau để so:
Những động tác lớn Kimodo tạo ra (ôm đàn bass, nhún người theo nhịp, tay di chuyển trên cần đàn) đã khá tự nhiên, nhưng ngón tay không bấm đúng dây, đúng vị trí. Anh ấy phải vào Unity chỉnh riêng đầu ngón tay cho khớp đúng dây và vị trí trên cần đàn, cố định chân lại, rồi thêm độ lắc lư cho cơ thể.
Đây cũng chính là giới hạn mà bên chính thức có ghi: Kimodo không nhìn thấy vật thể trong cảnh. Nó không biết dây đàn bass nằm ở đâu, trống đặt cao bao nhiêu, nên hễ động tác cần "chạm vào thứ gì đó" thì cuối cùng đều phải nhờ code hoặc sửa tay.
Giới hạn của Kimodo
Gom hướng dẫn chính thức với ví dụ ở trên lại, trước khi dùng nên biết mấy điểm này:
- Không phải lúc nào cũng làm đúng theo chữ: chính bên chính thức cũng ghi là động tác tạo ra không nhất định khớp hoàn toàn với mô tả, thường phải tạo vài lần rồi chọn.
- Không thấy cảnh: ghế cao bao nhiêu, bàn ở đâu, tay phải cầm gì, nó đều không biết. Mấy động tác như ngồi xuống, cầm đồ, chơi nhạc cụ cuối cùng đều phải sửa.
- Phải chuyển đổi khung xương: đầu ra là khung xương SOMA, SMPL-X hoặc G1, muốn gắn vào nhân vật của mình thì phải retarget trước.
- Rào cản là card đồ họa: chạy trên máy cần card NVIDIA, không có thì phải dùng cloud.
Mình sẽ dùng Kimodo thế nào
Trang chủ website của mình là một căn cứ mặt trăng, nhân vật chính Terry có thể đi tới đi lui, ngồi trên ghế trong phòng làm việc, nằm trên sofa ngủ gật, cũng có thể cầm máy game cầm tay trên bàn lên chơi rắn săn mồi. Mấy động tác này đều lấy từ gói animation có sẵn, ngồi, nằm đều có, nhưng kiểu "cầm máy game cúi đầu chơi" thì không có, giờ chỉ để cậu ấy ngồi và cầm máy trước ngực thôi. Game RPG mình đang thiết kế cũng vậy, cốt truyện cần nhiều động tác hơn hẳn những gì gói animation có.
Thứ Kimodo hợp để bù chính là loại động tác "gói animation chung không có, mà mình cũng không muốn tự chỉnh". Mình sẽ tạo trên cloud trước, xuất ra FBX Mixamo, rồi retarget sang khung xương riêng của nhân vật; chỗ nào cần chạm vào đồ vật (tay cầm máy game, độ cao khi ngồi trên sofa) thì làm như ShadeLurk, sửa thêm trong game.
Kết: AI lo động tác, người lo khoảnh khắc "chạm vào đồ vật"
Mô hình giao cho Tripo AI, động tác giao cho Kimodo, hai rào cản lớn nhất khi một mình làm game 3D giờ đều có AI phụ một tay. Nhưng nhìn ví dụ của ShadeLurk cũng thấy, động tác AI tạo ra lo phần "đúng đại khái", còn thứ thật sự khiến người chơi thấy "nhân vật đang đánh trống thật" là mấy centimét chỉnh sửa cuối cùng. Phần đó vẫn phải do người quyết định, người đo.
Bạn đã thử dùng AI tạo chuyển động nhân vật chưa? Cứ ghé Threads hoặc X của mình và để lại bình luận dưới bài đăng nhé.
