3D動作の生成・理解・編集を1つに統合　新AIモデル「Möbius」登場

Möbiusは、3D人体動作のテキスト生成、内容説明、欠落補完、そして自然言語による編集を1つのモデルで完結させる統合モーション・言語フレームワークだ。テキストからリアルな3Dモーションを生成するだけでなく、入力された動作データからキャラが何をしているかを言語化することもできる。

さらに、途切れた動作データを入力して指示通りに補完させたり、既存のモーションに対して「手をもう少し高く上げて」といったテキスト指示で直接編集を加えたりすることも可能だ。

仕組み：単一空間で理解と拡散を両立

これまでの統合型モーションモデルは、理解を言語モデルが担い、生成は潜在空間で動作する別の拡散モジュールに任せるという分断された構造が主流だった。

Möbiusは、拡散プロセスの全体を動作理解と同じマルチモーダル表現空間に統合した。ノイズのないモーション、ノイズ付きモーション、そしてテキストが共有アテンションに同時に参加し、タスクに応じたパラメータで理解と生成を処理する。

最大の特徴は、連続的なフレーム単位の生モーションデータを直接処理する点にある。離散トークン化や事前学習済みのモーションVAEを一切必要としないため、システム全体が非常にシンプルにまとまっている。

性能と現在の公開状況

本モデルは0.6Bと1.7Bの2つのサイズが用意されており、最大1700時間の動作データを用いてスケーリング性能が検証されている。

ベンチマークのHumanML3Dにおいて、0.6BモデルはR@1検索精度で0.8209を記録し、FIDを6.1291まで低減させた。これは従来のMotionGPT3などを上回るトップクラスの数値だ。

論文はarXivで公開され、プロジェクトページでは実際のデモが確認できる。ただしGitHubリポジトリの案内によると、コードは現在社内審査中となっており、正式なコードと重みの一般公開は審査通過後になる見込みだ。

なぜ重要か

ゲーム開発者や3Dアニメーター、あるいは動画生成モデルと組み合わせてプリビズを制作するクリエイターにとって、Möbiusは作業負担を大幅に減らす可能性を秘めている。モーションの検索、生成、リファインを別々のツールで行う必要がなくなり、指示文だけで修正を重ねられるからだ。

VAEや離散トークンを捨てて連続値のまま統一空間に持ち込んだ設計は非常に合理的であり、今後のモーション基盤モデルの標準的なアプローチになるかもしれない。現状はコードの一般公開待ちとなるため、まずはプロジェクトページの挙動をチェックしつつ、公開後のライセンスやツール連携のしやすさを見極めたい。