Kimodo 是什麼？NVIDIA 免費開源的 AI 3D 動畫生成，打字就能做角色動作（附遊戲實例）
Kimodo 是 NVIDIA 免費開源的 AI 3D 動畫生成模型，輸入文字就能做角色動作，不用動作捕捉。整理它跟 Mixamo 的差別、顯示卡需求、UE 5.9 與雲端用法，以及獨立遊戲讓角色照音樂打鼓的實例。
用 AI 做遊戲，角色模型這一步已經很快了：上一篇用 Tripo AI 把概念圖轉成 3D 模型，幾分鐘就好。可是模型做好之後，讓它動起來一直是最卡的地方。現成的動作包只有走、跑、跳、揮劍這些通用動作，想要角色「坐在沙發上玩掌機」或「照著音樂打鼓」，以前只能在 3D 動畫軟體裡自己一格一格調，或是穿上動作捕捉裝去錄。
NVIDIA 今年免費開源的 Kimodo，就是要解決這件事：輸入一句描述，它直接生成一段 3D 角色動作，不用動作捕捉、也不用手動調關鍵影格。這篇整理 Kimodo 是什麼、跟 Mixamo 差在哪、電腦要多強、沒有顯示卡可以怎麼用，最後看一位日本獨立遊戲開發者怎麼把這種 AI 3D 動畫生成用在真正的遊戲裡。
Kimodo 是什麼？
Kimodo 是 NVIDIA Spatial Intelligence Lab 在 2026 年 3 月發表的開源模型，全名是 Kinematic Motion Diffusion，用擴散模型生成人物或人形機器人的骨架動作。它用了約 700 小時、可以商用的光學動作捕捉資料訓練，模型權重放在 Hugging Face，程式碼在 GitHub，授權是 NVIDIA Open Model License。
簡單說，它做的是「文字生成動畫」，跟 AI 生圖很像，只是生成的不是一張圖，而是每一格骨架關節的位置和角度。你寫「一個人慢慢走過去坐下，再站起來伸懶腰」，它就生成這段動作的骨架資料，可以匯出成 BVH 或 GLB，拿去 Blender、Unity、Unreal 用。
用文字生成動畫：Kimodo 能控制哪些東西？
只靠一句話，生成出來的動作常常跟想像的不太一樣。Kimodo 比較實用的地方是可以一邊寫文字、一邊加限制條件：
- 文字描述：要做什麼動作。可以分段寫，一段接一段生成。
- 全身關鍵影格：指定某一格的整個姿勢，例如最後一格要停在坐姿。
- 指定關節的位置：只限制某幾個關節，其他交給模型。
- 手腳的位置：例如手要碰到某個點、腳要踩在地上。
- 地面上的路線：給幾個要經過的點，或一條路徑，角色會沿著走。
支援的骨架有三種：NVIDIA 自己的 SOMA 人體、Unitree G1 人形機器人，以及研究界常用的 SMPL-X。遊戲常用的骨架（Mixamo、各家引擎的人形骨架，或模型自己的骨架）都要再做一次動作重新對應（retarget），才能套到自己的角色上。
Kimodo 和 Mixamo、動作捕捉差在哪？
做 3D 動畫製作時，角色動作通常有三個來源，Kimodo 是第三種：
Mixamo | 動作捕捉 | Kimodo | |
|---|---|---|---|
動作從哪來 | 從現成的動作庫挑 | 真人穿上感測器或對著攝影機錄 | 輸入文字和限制條件，AI 生成 |
想要特別的動作 | 庫裡沒有就沒辦法 | 可以，但要場地、設備和演員 | 可以，寫得出來就能試 |
費用 | 免費（要 Adobe 帳號） | 設備或租棚的成本最高 | 開源免費，但要自己的顯示卡或付雲端費用 |
成品的穩定度 | 高，都是錄好的動作 | 高，但要清理資料 | 不一定，常常要多生幾次、手動修 |
Mixamo 適合走、跑、跳、攻擊這些通用動作，而且它也能自動綁骨架；Kimodo 補的是「動作庫裡找不到、又不值得去錄」的那些。兩個可以一起用：角色先在 Mixamo 綁好骨架，Kimodo 生成的動作從雲端匯出 Mixamo 骨架的 FBX，就能直接套上去。
Kimodo 電腦需求：顯示卡記憶體約 17 GB
Kimodo 官方說明寫得很直接：
- 顯示卡：實際上一定要 NVIDIA。測試最多的是 RTX 3090、RTX 4090 和 A100。
- 顯示卡記憶體：全部放在 GPU 上跑約需 17 GB，大部分是文字編碼器（Meta 的 Llama 3 8B）用掉的。設定
TEXT_ENCODER_DEVICE=cpu把文字編碼改到 CPU 上做，可以降到 3 GB 以下，只是慢一點。 - 系統：主要在 Linux 上開發和測試，Windows 建議用 Docker。
- 環境：Python 3.10 以上、PyTorch 2.0 以上。
- 帳號：要有 Hugging Face 帳號，並申請 Meta
Meta-Llama-3-8B-Instruct的使用權限。
我的筆電只有 Intel 內顯，沒有 NVIDIA 顯示卡，所以沒辦法在本機跑。如果你也一樣，可以看下一段的雲端做法。
有 NVIDIA 顯示卡的話，官方也附了一個在瀏覽器裡操作的介面（kimodo_demo）：上方是 3D 預覽，下方是時間軸，可以在時間軸上放文字描述和各種限制條件，右邊選模型、設定長度後按 Generate。
Kimodo 怎麼用？免費的 UE 5.9 外掛、雲端和 Blender 三種做法
1. Unreal Engine 5.9 內建：AnimGenOffline
Epic 在 2026 年 11 月 9 日釋出的 Unreal Engine 5.9 預覽版，新增了一個 AnimGenOffline 外掛，可以在 Sequencer 裡直接用 AI 生成動畫，第一個接上的模型就是 Kimodo。你在時間軸上擺好關鍵姿勢、拉好路徑、寫好描述，它就把中間的動作補出來。
這是目前最省事的免費做法，但一樣要有夠力的 NVIDIA 顯示卡，而且還是預覽版，外掛名稱和功能之後可能會改。
2. 雲端：Replicate
沒有顯示卡的話，Replicate 上有社群部署的 Kimodo（sprited/kimodo，不是 NVIDIA 官方），在網頁上輸入描述就能生成，可以匯出 GLB、BVH，也能匯出 Mixamo 骨架的 FBX。如果你的角色本來就用 Mixamo 骨架，這是最快能套上去的格式。Replicate 依使用的 GPU 時間計費，實際價格以頁面為準。
3. Blender 動畫外掛：Animatica
Animatica 把 Kimodo 這一系列的模型做成 Blender、MotionBuilder、3ds Max 的外掛，不用自己架伺服器。我看到的方案有每月 10 次的免費版、按次數買的點數包，以及年繳的 Pro 版，方案變動很快，以官網為準。
實際案例：讓 AI 角色照著音樂打鼓、彈貝斯
看完規格，最好的說明還是實際用在遊戲裡的例子。日本獨立遊戲開發者 ShadeLurk（音樂遊戲《BEAT VISTA》的作者）最近分享了兩段影片：一個角色照著歌曲彈貝斯，另一個角色照著歌曲打鼓。
照他貼文的說明，整條流程是四個工具分工：
步驟 | 工具 | 做什麼 |
|---|---|---|
1. 角色 | Tripo | 生成 3D 角色模型 |
2. 譜面 | Gemini 4 Carbon | 從歌曲的音檔抓出鼓譜，並判斷每一下該打哪個鼓 |
3. 動作 | Kimodo（UE 5.9 的 AnimGenOffline）＋ Fable 5.2 | 照著譜面生成演奏動作 |
4. 播放 | Unity | 照譜面播放動作，並做最後的修正 |
有幾個地方特別值得看：
一、動作在 Unreal 生成，遊戲在 Unity 跑。 Unreal 在這裡只是一台「離線動畫產生器」，生成完把動作帶回 Unity。也就是說，就算你的遊戲不是用 Unreal 做的，一樣可以用 UE 5.9 的 Kimodo 外掛來做動作。
二、他不是「看起來對」就算了，而是每一下都量。 影片下方即時顯示鼓棒的尖端離鼓面幾公釐、離目標點幾公分，大鼓的鼓槌是幾度、有沒有碰到鼓皮，再統計每個鼓「打對了幾下」。整首歌 644 下，一下一下判定。
三、AI 生成的動作不是成品，要修。 貝斯那段影片把「Kimodo 生成的原樣」和「修正後」放在一起比：
Kimodo 生成的大動作（抱著貝斯、身體律動、手在指板上移動）已經很自然，但手指不會剛好按在正確的弦和位置上。他在 Unity 裡另外把指尖對到正確的弦位、把腳固定住，再加上身體的晃動。
這剛好就是官方寫的限制：Kimodo 看不到場景裡的物件。它不知道貝斯的弦在哪、鼓放在多高，所以只要動作需要「碰到某個東西」，最後都要靠程式或手動修。
Kimodo 的限制
整理官方說明和上面的案例，用之前先知道這幾點：
- 不一定照著文字走：官方自己也寫，生成的動作不一定完全符合描述，常常要多生幾次再挑。
- 看不到場景：椅子多高、桌子在哪、手要握什麼，它都不知道。坐下、拿東西、演奏樂器這類動作，最後都要修。
- 骨架要轉換：輸出的是 SOMA、SMPL-X 或 G1 骨架，套到自己的角色要先重新對應。
- 門檻是顯示卡：本機跑要 NVIDIA 顯示卡，沒有的話就要用雲端。
我會怎麼用 Kimodo
我的網站首頁是一座月球基地，主角 Terry 可以走來走去、坐在工作室的椅子上、躺在沙發上打瞌睡，也可以拿起桌上的掌機玩貪食蛇。這些動作都來自現成的動作包，坐下、躺下都有，但「拿著掌機低頭玩」這種動作就沒有，現在只能讓他用坐姿把掌機放在胸前。我正在設計的 RPG 也是一樣，劇情裡需要的動作遠比動作包多。
Kimodo 適合補的就是這種「通用動作包沒有、又不想自己調」的動作。我會先在雲端生成，匯出 Mixamo FBX，再對應到角色自己的骨架；需要碰到東西的地方（手握掌機、坐在沙發上的高度），照 ShadeLurk 的做法在遊戲裡再修。
結語：AI 補動作，人負責「碰到東西」的那一刻
模型交給 Tripo AI、動作交給 Kimodo，一個人做 3D 遊戲的兩個大門檻都有 AI 可以幫忙了。但從 ShadeLurk 的例子也看得出來，AI 生成的動作負責「大致對」，真正讓玩家覺得「他真的在打鼓」的，是最後那幾公分的修正。這部分還是要人來決定、來量。
