Японский автор на Zenn запустил NVIDIA Kimodo в Colab и получил 10-секундный танец человеческого скелета по одной текстовой строке. Для тех, кто анимирует персонажей руками или через захват движения, это способ начать с описания, а не с камеры.
Промпт был на английском: по очереди диско-указания левой и правой рукой в сторону, вторая рука у талии, маленькие шаги вбок, поворот корпуса и сгибание колен. Длина 10 секунд, seed 2501, 30 кадров в секунду, всего 300 кадров. Результат: перенос веса с ноги на ногу и смена рук видны. А вот диагональное указание выражено слабо и не читается. Порядок «начало, середина, конец» из текста тоже не выдержан строго. Вывод автора прямой: одного слова disco мало, чтобы получить нужную хореографию.
Важно понимать, что на выходе не персонаж с одеждой и лицом, а скелет: суставы и линии между ними. Меш, текстуры и скиннинг не нужны, поэтому GLB или FBX загружать не надо. Модель Kimodo-SOMA-RP-v1.2 даёт позиции и повороты суставов, а текстовую часть обрабатывает Llama-3-8B-Instruct. Для неё нужен доступ на Hugging Face и токен, который в Colab кладётся в секрет HF_TOKEN.
Замеры сделаны на Colab Pro с A100 и высокой оперативной памятью. Загрузка модели заняла около 35 секунд, генерация с подготовкой данных около 5,5 секунды. Это одно измерение; установка и первое скачивание сюда не входят. Бесплатный тариф в гайде не рассматривается, а сама Colab пишет, что доступ к A100 зависит от свободных ресурсов.
Кому это полезно сейчас: тем, кто делает черновик движения, ритма и позы для проверки. Готовый танец без ручной правки по этой схеме пока не получить, модель ещё промахивается по деталям. Для черновика годно. Для финального танца пока нет.
ИсточникZenn 生成AI
