Kimodo 是什么？NVIDIA 免费开源 AI 动画生成，打字就能做角色动作
Kimodo 是 NVIDIA 免费开源的 AI 动画生成模型，打字就能生成 3D 角色动作，免动作捕捉。介绍与 Mixamo 的区别、显卡要求和用法，附游戏角色随音乐打鼓的实例。
用 AI 做游戏，角色模型这一步已经很快了：上一篇用 Tripo AI 把概念图转成 3D 模型，几分钟就好。可是模型做好之后，让它动起来一直是最卡的地方。现成的动作包只有走、跑、跳、挥剑这些通用动作，想让角色“坐在沙发上玩掌机”或“跟着音乐打鼓”，以前只能在 3D 动画软件里自己一帧一帧调，或者穿上动作捕捉服去录。
NVIDIA 今年免费开源的 Kimodo，就是来解决这件事的：输入一句描述，它直接生成一段 3D 角色动作，不用动作捕捉，也不用手动调关键帧。这篇整理 Kimodo 是什么、和 Mixamo 有什么区别、电脑要多强、没有显卡可以怎么用，最后看一位日本独立游戏开发者怎么把这种 AI 3D 动画生成用在真正的游戏里。
Kimodo 是什么？
Kimodo 是 NVIDIA Spatial Intelligence Lab 在 2026 年 3 月发布的开源模型，全名是 Kinematic Motion Diffusion，用扩散模型生成人物或人形机器人的骨骼动作。它用了约 700 小时、可以商用的光学动作捕捉数据训练，模型权重放在 Hugging Face，代码在 GitHub，授权是 NVIDIA Open Model License。
简单说，它做的是“文字生成动画”，跟 AI 生图很像，只是生成的不是一张图，而是每一帧骨骼关节的位置和角度。你写“一个人慢慢走过去坐下，再站起来伸懒腰”，它就生成这段动作的骨骼数据，可以导出成 BVH 或 GLB，拿去 Blender、Unity、Unreal 用。
Kimodo 文字生成动画：能控制哪些东西？
只靠一句话，生成出来的动作常常和想象的不太一样。Kimodo 比较实用的地方是可以一边写文字、一边加约束条件：
- 文字描述：要做什么动作。可以分段写，一段接一段生成。
- 全身关键帧：指定某一帧的整个姿势，比如最后一帧要停在坐姿。
- 指定关节的位置：只约束某几个关节，其他交给模型。
- 手脚的位置：比如手要碰到某个点、脚要踩在地上。
- 地面上的路线：给几个要经过的点，或一条路径，角色会沿着走。
支持的骨骼有三种：NVIDIA 自己的 SOMA 人体、Unitree（宇树）G1 人形机器人，以及学术界常用的 SMPL-X。游戏常用的骨骼（Mixamo、各家引擎的人形骨骼，或模型自带的骨骼）都要再做一次动作重定向（retarget），才能套到自己的角色上。
Kimodo 和 Mixamo、动作捕捉有什么区别？
制作 3D 动画时，角色动作通常有三个来源，Kimodo 是第三种：
Mixamo | 动作捕捉 | Kimodo | |
|---|---|---|---|
动作从哪来 | 从现成的动作库里挑 | 真人穿上传感器或对着摄像头录 | 输入文字和约束条件，AI 生成 |
想要特别的动作 | 库里没有就没办法 | 可以，但要场地、设备和演员 | 可以，写得出来就能试 |
费用 | 免费（要 Adobe 账号） | 买设备或租棚的成本最高 | 开源免费，但要自己的显卡或付云端费用 |
成品的稳定度 | 高，都是录好的动作 | 高，但要清理数据 | 不一定，常常要多生成几次、手动修 |
Mixamo 适合走、跑、跳、攻击这些通用动作，而且它也能自动绑骨骼；Kimodo 补的是“动作库里找不到、又不值得去录”的那些。两个可以一起用：角色先在 Mixamo 绑好骨骼，Kimodo 生成的动作从云端导出 Mixamo 骨骼的 FBX，就能直接套上去。
Kimodo 配置要求：显存约 17 GB
Kimodo 官方说明写得很直接：
- 显卡：实际上必须是 NVIDIA。测试最多的是 RTX 3090、RTX 4090 和 A100。
- 显存：全部放在 GPU 上跑约需 17 GB，大部分是文本编码器（Meta 的 Llama 3 8B）占用的。设置
TEXT_ENCODER_DEVICE=cpu把文本编码改到 CPU 上做，可以降到 3 GB 以下，只是慢一点。 - 系统：主要在 Linux 上开发和测试，Windows 建议用 Docker。
- 环境：Python 3.10 以上、PyTorch 2.0 以上。
- 账号：要有 Hugging Face 账号，并申请 Meta
Meta-Llama-3-8B-Instruct的使用权限。
我的笔记本只有 Intel 核显，没有 NVIDIA 显卡，所以没办法在本地跑。如果你也一样，可以看下一节的云端做法。
有 NVIDIA 显卡的话，官方也附了一个在浏览器里操作的界面（kimodo_demo）：上方是 3D 预览，下方是时间轴，可以在时间轴上放文字描述和各种约束条件，右边选模型、设定时长后点 Generate。
Kimodo 怎么用？免费的 UE 5.9 插件、云端和 Blender 三种做法
1. Unreal Engine 5.9 内置：AnimGenOffline
Epic 在 2026 年 11 月 9 日发布的 Unreal Engine 5.9 预览版，新增了一个 AnimGenOffline 插件，可以在 Sequencer 里直接用 AI 生成动画，第一个接入的模型就是 Kimodo。你在时间轴上摆好关键姿势、拉好路径、写好描述，它就把中间的动作补出来。
这是目前最省事的免费做法，但一样要有够强的 NVIDIA 显卡，而且还是预览版，插件名称和功能之后可能会改。
2. 云端：Replicate
没有显卡的话，Replicate 上有社区部署的 Kimodo（sprited/kimodo，不是 NVIDIA 官方），在网页上输入描述就能生成，可以导出 GLB、BVH，也能导出 Mixamo 骨骼的 FBX。如果你的角色本来就用 Mixamo 骨骼，这是最快能套上去的格式。Replicate 按使用的 GPU 时间计费，实际价格以页面为准。
3. Blender 动画插件：Animatica
Animatica 把 Kimodo 这一系列的模型做成 Blender、MotionBuilder、3ds Max 的插件，不用自己搭服务器。我看到的方案有每月 10 次的免费版、按次数买的点数包，以及年付的 Pro 版，方案变动很快，以官网为准。
Kimodo 游戏实例：让 AI 角色跟着音乐打鼓、弹贝斯
看完规格，最好的说明还是实际用在游戏里的例子。日本独立游戏开发者 ShadeLurk（音游《BEAT VISTA》的作者）最近分享了两段视频：一个角色跟着歌曲弹贝斯，另一个角色跟着歌曲打鼓。
按他帖子里的说明，整条流程是四个工具分工：
步骤 | 工具 | 做什么 |
|---|---|---|
1. 角色 | Tripo | 生成 3D 角色模型 |
2. 谱面 | Gemini 4 Carbon | 从歌曲的音频里扒出鼓谱，并判断每一下该打哪个鼓 |
3. 动作 | Kimodo（UE 5.9 的 AnimGenOffline）＋ Fable 5.2 | 照着谱面生成演奏动作 |
4. 播放 | Unity | 照谱面播放动作，并做最后的修正 |
有几个地方特别值得看：
一、动作在 Unreal 生成，游戏在 Unity 跑。 Unreal 在这里只是一台“离线动画生成器”，生成完把动作带回 Unity。也就是说，就算你的游戏不是用 Unreal 做的，一样可以用 UE 5.9 的 Kimodo 插件来做动作。
二、他不是“看起来对”就算了，而是每一下都量。 视频下方实时显示鼓棒尖端离鼓面几毫米、离目标点几厘米，底鼓鼓槌是几度、有没有碰到鼓皮，再统计每个鼓“打对了几下”。整首歌 644 下，一下一下判定。
三、AI 生成的动作不是成品，要修。 贝斯那段视频把“Kimodo 生成的原样”和“修正后”放在一起对比：
Kimodo 生成的大动作（抱着贝斯、身体律动、手在指板上移动）已经很自然，但手指不会刚好按在正确的弦和位置上。他在 Unity 里另外把指尖对到正确的弦位、把脚固定住，再加上身体的晃动。
这正好就是官方写的限制：Kimodo 看不到场景里的物体。它不知道贝斯的弦在哪、鼓放在多高，所以只要动作需要“碰到某个东西”，最后都要靠程序或手动修。
Kimodo 的局限
整理官方说明和上面的案例，用之前先知道这几点：
- 不一定照着文字走：官方自己也写了，生成的动作不一定完全符合描述，常常要多生成几次再挑。
- 看不到场景：椅子多高、桌子在哪、手要握什么，它都不知道。坐下、拿东西、演奏乐器这类动作，最后都要修。
- 骨骼要转换：输出的是 SOMA、SMPL-X 或 G1 骨骼，套到自己的角色上要先重定向。
- 门槛是显卡：本地跑要 NVIDIA 显卡，没有的话就要用云端。
我会怎么用 Kimodo
我的网站首页是一座月球基地，主角 Terry 可以走来走去、坐在工作室的椅子上、躺在沙发上打瞌睡，也可以拿起桌上的掌机玩贪吃蛇。这些动作都来自现成的动作包，坐下、躺下都有，但“拿着掌机低头玩”这种动作就没有，现在只能让他用坐姿把掌机放在胸前。我正在设计的 RPG 也一样，剧情里需要的动作远比动作包多。
Kimodo 适合补的就是这种“通用动作包里没有、又不想自己调”的动作。我会先在云端生成，导出 Mixamo FBX，再重定向到角色自己的骨骼；需要碰到东西的地方（手握掌机、坐在沙发上的高度），照 ShadeLurk 的做法在游戏里再修。
结语：AI 动画生成补动作，人负责“碰到东西”的那一刻
模型交给 Tripo AI、动作交给 Kimodo，一个人做 3D 游戏的两大门槛都有 AI 可以帮忙了。但从 ShadeLurk 的例子也看得出来，AI 生成的动作负责“大致对”，真正让玩家觉得“他真的在打鼓”的，是最后那几厘米的修正。这部分还是要人来决定、来量。
