เคยไหมครับ… ที่อยากทำคอนเทนต์/แอนิเมชัน/ตัวละครเคลื่อนไหว แต่ติดที่ทำ motion มันใช้เวลา ใช้คน และใช้ทักษะสูงมาก

ไม่ว่าจะเป็นการทำเองในโปรแกรม หรือใช้ MoCap

สุดท้ายก็วนกลับมาที่คำเดิม… ต้นทุน และ เวลา

Framework ทำงานยังไง

29 ธันวาคม 2568 Hunyuan เปิดตัว Hunyuan Motion 1.0 AI ตัวนึงที่กำลังทำให้การสร้างการเคลื่อนไหวมนุษย์แบบ 3D เข้าใกล้คำว่า สร้าง Motion ด้วยวิธีที่ง่ายขึ้น ซึ่งเป็นชุดโมเดลสำหรับ Text-to-Motion Generation คือ พิมพ์คำบรรยายท่า → ได้การเคลื่อนไหวมนุษย์แบบ 3D

จุดเด่น คือ สเกลโมเดลใหญ่ขึ้นมาก และทำให้ instruction-following (อ่านคำสั่งแล้วทำตามได้ตรงกว่าเดิม) ดีขึ้น พร้อมคุณภาพท่าทางที่ดูสมจริงกว่าโมเดล Open-Source ที่มีอยู่

Framework ทำงานยังไง

  • แบ่งเป็น 2 ช่วงใหญ่ ๆ คือ Data Framework และ Model + Training Framework
  1. Data Framework: ทำไมโมเดลนี้ถึง ดูสมจริงขึ้น
    • ก่อนจะเก่งได้ ต้องมีข้อมูลที่ดี ก่อน สิ่งที่ทีม Tencent ทำคือ รวม data จากหลายแหล่ง แล้วจัดระเบียบใหม่ให้เป็นมาตรฐานเดียวกัน เช่น
      • in-the-wild human motion videos
      • Motion capture data (MoCap)
      • 3D animation assets
    • แล้วจัดเรียง เช่น
      • ท่าซ้ำ ๆ
      • ท่าที่เพี้ยน/ผิดธรรมชาติ
      • Artifact อย่าง foot sliding
    • จากนั้นค่อยทำ motion captioning = ทำคำบรรยายให้ motion โดยใช้ vision-language models (VLMs) ช่วย และบางส่วนมี human verification มาช่วยตรวจคุณภาพ
  2. Model Framework: ตัวหลัก
    • แกนหลัก คือ โมเดลแนว Diffusion Transformer (DiT) ที่เทรนด้วย flow matching คือ ตอนสร้าง motion มันเริ่มจาก Noise แล้วค่อย ๆ เปลี่ยน Noise ให้กลายเป็น Motion ที่เป็นท่าจริง เหมือนปั้นดินจากก้อนมั่ว ๆ ให้เป็นท่าที่เราสั่ง เพื่อให้ Prompt ไปคุม motion ได้แน่น
    • ตัว Motion ที่ทำตาม Prompt ได้ดีขึ้นจาก Hunyuan Motion 1.0 มาจาก
      • 1. ถูกเทรนบนข้อมูลมหาศาล → ให้โมเดลรู้จักโลกของ Motion ก่อน
      • 2. จากนั้นเทรนต่อบนข้อมูลที่คัดคุณภาพสูง → ขัดให้ motion เนียนขึ้น สมจริงขึ้น
      • 3. เก็บงานให้ถูกใจคนดู โดยแบ่งเป็น 2 Phase
        • 1. DPO: ให้ Human Judges เลือก winner/loser จากคู่ตัวอย่างจำนวนมาก แล้วปรับให้โมเดลเอนเอียงไปทางผลลัพธ์ที่คนชอบและทำตามคำสั่งได้ตรง
        • 2. Flow-GRPO: ใส่ Reward ที่ชัดเจนขึ้น 2 ส่วน
          • 1. Semantic Reward คือ Prompt สั่งอะไร โมเดลทำตรงนั้นไหม? และ Motion นี้เข้ากับข้อความแค่ไหน?
            • ถ้าข้อความกับ motion เข้าคู่กัน → ได้คะแนน semantic สูง
            • ถ้าไม่เข้าคู่ → คะแนนตก
          • 2. Physical Reward เช็คว่า ท่าดูสมจริงไหม โดยลงโทษ Artifact หมายความว่า ถึงจะทำตามคำสั่งของ Prompt ถูก แต่ถ้าท่าดูแปลก ๆ หลอกตา คนดูยังรู้สึกไม่จริงอยู่ดี
    • Artifact คือ ความผิดปกติ/อาการแปลก ๆ ใน motion
    • ถ้า Motion สร้างได้ไว + ทำตาม Prompt ได้ตรงขึ้นจริง แปลว่าอนาคตเราจะทำสิ่งพวกนี้ได้ง่ายขึ้น:
      • ทำ Character Content แบบเร็วขึ้น
      • ทำ Animation Prototype สำหรับเกม/คอนเซ็ปต์
      • ทำสื่อการสอน/สาธิตท่าทาง
      • ทำ Motion สำหรับ Virtual Presenter / Avatar

ข้อสรุป:

Hunyuan Motion 1.0 AI ที่พยายามยกระดับ text-to-motion ด้วยสูตร 3 อย่าง:

  1. Data เยอะและหลากหลาย
  2. Data คุณภาพสูงที่คัดและ Caption ดี
  3. Training 3 Stages + Reinforcement Learning เพื่อให้ตรงคำสั่ง + ดูสมจริง

Source:

Tencent Hunyuan, X (Tencent HY), HuggingFace, Demo, Arxiv, Github