NVIDIA Kimodo-SOMA-RP-v1.2公開:3Dアニメーション生成モデル

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | nvidia/Kimodo-SOMA-RP-ArdyRep-v1.2 |
| 公開元のまとめ | NVIDIA のモデルとライセンスのまとめ |
| 公開日 | 2026-10-14 |
| ライセンス | nvidia-open-model-license |
| 配布形式 | safetensors |
| 出典の種類 | 公開元の一次情報(NVIDIA公式HuggingFaceアカウントが一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
NVIDIAは、テキストプロンプトや詳細な動作制約に基づいて、3Dのスケルトン(骨格)アニメーションを生成する拡散モデル「Kimodo-SOMA-RP-v1.2」を公開しました。このモデルは、テキストによる指示だけでなく、全身のポーズ、関節の終端位置、移動経路、ウェイポイントといった制約を入力することで、それらに適合した3Dスケルトンモーションを生成することが可能です。
スペック
- アーキテクチャ: Diffusion Model (Novel Two-Stage Transformer)
- パラメータ数: 282 M
- 出力仕様: 30 fps、最大10秒(300フレーム)
- 出力形式の詳細:
- Root Translation: 2次元(num_frames x 3)の行列 – Joint Rotations: 4次元(num_frames x 30 x 3 x 3)の行列
- 入力形式の詳細:
- Text: 1次元(1D)の文字列 – Duration: 1次元(1D)の整数 – Pose Constraints: 各制約の1次元(1D)フレームインデックス – 制約可能な特徴量には、3D関節位置、3×3関節回転行列、2Dの進行方向、2Dのルート位置などが含まれます。
- 対応スケルトン: 30-joint SOMA skeleton
- 学習データ:
- Bones Rigplay dataset(700時間のモーションキャプチャデータ、10億トークン未満のテキスト)
- ライセンス: NVIDIA Open Model License(商用利用が可能とされています)
性能・品質
今回のv1.2リリースでは、学習データの分割(training splits)の修正が行われています。以前のv1.1では、テスト用のデータシーケンスの一部が学習セットに混入(リーク)していたため、Motion Generation Benchmarkにおける数値が、推奨される分割で学習されたモデルと完全には比較できない状態でした。v1.2ではこのリークが除去されており、ベンチマークにおいて他のモデルと比較するための適切なモデルとなっています。
v1.1と比較した際の性能の変化については、モデルカードで以下のように報告されています。v1.2では、足が不自然に滑る「foot skating」が軽減されており、制約の精度(constraint accuracy)は維持されています。一方で、テキストへの追従性を示す指標(R-precisionおよびFID)については、リークの除去を反映した結果として、v1.1と比較してわずかに低下しているとされています。
得意なこと・想定用途
本モデルは、アニメーション制作の経験レベルを問わず、アプリケーション向けの3Dヒューマンモーションデータを生成することを目的としています。具体的には、以下のような用途が想定されています。
- ヒューマノイドロボットのデモンストレーション
- デジタルツインや産業シミュレーションにおけるデジタルヒューマンの動作
- 合成データ生成のためのデジタルヒューマンモーション
- ゲームやメディア開発におけるアニメーション作成
モデルは、歩行(locomotion)、ジェスチャー、戦闘、ダンス、日常的な動作を得意としています。一方で、カートゥーンのような動きや、物理的に不自然な動きを生成することは想定されておらず、周囲のオブジェクトを認識して動作を調整することもできません。
類似モデルとの違い
本リリースのバリエーションとして、nvidia/Kimodo-SOMA-RP-ArdyRep-v1.2が公開されています。このモデルは、Ardy motion representationを予測するように設計されており、グローバルなルートおよび関節回転を、他のKimodoモデルで使用される平滑化されたルートの代わりに、生のヒップ軌跡(raw hip trajectory)を用いて出力します。これにより、ARDYモデルとの直接的な相互運用が可能になっています。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 283M
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | F32 | 1.1GB | 1.3GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 表のファイルは F32(32bit)で配布されたものの実サイズです。BF16 や量子化など低い精度で読み込めば必要なメモリは小さくなるため、最低条件ではなく配布そのままの大きさとして読んでください。低い精度での値は当サイトでは測っていません。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス nvidia-open-model-license: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(nvidia-open-model-license)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
配布ファイル
nvidia/Kimodo-SOMA-RP-v1.2 で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
model.safetensors |
1.13GB |
入手方法
- 配布形式: safetensors
- リポジトリ: nvidia/Kimodo-SOMA-RP-v1.2
- 対応ツール: PyTorch
関連記事
- 「ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60」人間動作生成モデル:配布ファイル一覧
- NVIDIA、物理世界での異常検知とビデオ検索に特化した「InternVideo2-CLIP-anomaly-dete…
- NVIDIA、ループ型LLM「Dory1.0-4B」を公開。最大256K対応
- 「MetricTrail」カメラ軌跡と絶対深度を推定するSLAM研究用モデル:配布ファイル一覧
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- このモデルを入手できる形式を調べる → Safetensors形式の解説と対応モデル
- 公開元について調べる → NVIDIA のモデル・ライセンス・記事のまとめ

