← Torna al blog
Aicirca 7 min di lettura

anymove ricava l'animazione di una creatura da una clip: due viste in un fotogramma

Pubblicato 10 nov 2026
anymove ricava l'animazione di una creatura da una clip: due viste in un fotogramma

Il motion capture ha un problema di scala di cui nessuno parla, e non è il costo della tuta. È che il mocap è costruito per gli umani — due gambe, uno scheletro noto, un'altezza dei fianchi standard — e nel momento in cui il vostro personaggio è un drago, un ragno gigante o un demone di fuoco, l'intera pipeline smette di applicarsi.

Giochi e film risolvono la cosa con gli animatori. Un animatore guarda un riferimento, poi anima a mano gli arti della creatura, fotogramma per fotogramma, perché il riferimento è un umano che cammina e l'obiettivo è qualcosa con sei zampe e una coda. È il lavoro vero. È anche il motivo per cui l'animazione di creature è una delle voci più care in una produzione che ne ha molte.

anymove, di Patch, è un tentativo di automatizzare proprio quel vuoto. Ha 452 stelle, è apparso il 27 ottobre, e fa una cosa sola: trasformare un singolo video di una creatura generato dall'AI in un GLB riggato e animato.

La parte interessante è il trucco che usa per arrivarci, e il trucco riguarda le camere.

Due viste in un solo fotogramma

Il mocap umano funziona perché più camere vedono lo stesso corpo da angolazioni diverse, e l'intersezione di quelle linee di vista dà una posizione 3D. Una camera vi dà una posizione 2D su un piano, e un piano non è un corpo.

Non potete mettere due camere attorno a una clip generata dall'AI, perché la clip non esiste in 3D. Sono pixel.

Così anymove chiede al modello video qualcosa di un po' strano: filmare la stessa creatura di fronte e di lato, contemporaneamente, nello stesso fotogramma. Un dittico: due pannelli affiancati, una creatura, due punti di vista, in movimento sincrono.

Ora avete di nuovo due linee di vista. La vista frontale dà X e Y. La vista laterale dà Z e Y. Intersecatele e un giunto ha una posizione 3D, recuperata da un video piatto, senza modello di profondità e senza un rig multi-vista.

Il repo si chiamava dittico, e il cambio di nome in anymove ha senso come decisione di prodotto, ma il vecchio nome descriveva il meccanismo con più onestà. Il fotogramma a due pannelli è l'invenzione. Tutto il resto è impianto idraulico.

A wireframe skeleton rig overlaid on a creature model in a 3D viewport

La pipeline, fase per fase

Generare la clip. Un video AI per mossa. Il README lo mette a 0.26 dollari per clip: il drago, il ragno gigante, il demone di fuoco e il lupo delle demo sono nati così. Il prompt deve tenere ferma la composizione a dittico, che è l'unico punto in cui l'intero approccio può cedere: se il modello sposta l'inquadratura tra un pannello e l'altro, le due viste smettono di corrispondere e la triangolazione diventa spazzatura.

Leggere i giunti. Un lettore basato su DINOv2 trova ogni giunto in entrambe le viste. È il modello che si addestra, ed è la parte costosa: 24GB di VRAM per l'addestramento. La lettura, dopo, ne richiede molta meno.

Adattare il rig. Le due viste «si alzano come muri e fissano ogni giunto nello spazio 3D», per usare l'immagine del README. Poi il rig viene adattato ai punti recuperati. L'output è un'animazione di ossa, non una nuvola di punti, ed è questo che la rende utilizzabile a valle.

Esportare. Un GLB, più uno showcase.mp4 che mette l'animazione accanto alla clip di partenza, così potete confrontarle senza raccontarvi bugie.

Quest'ultimo artefatto è lo stesso istinto che si vede nei migliori strumenti agentici di quest'anno: produci sempre il confronto affiancato, perché il modello vi dirà volentieri che ha funzionato e l'unica difesa è guardare.

L'installazione, dove si ferma la maggior parte della gente

I requisiti sono specifici: una GPU NVIDIA con CUDA, Python 3.11, Blender 5.x nel PATH (o una variabile d'ambiente BLENDER) e una chiave fal se volete produrre nuove clip.

git clone https://github.com/Patch-gg/anymove && cd anymove
python3.11 -m venv .venv
.venv/bin/pip install torch==2.11.0 --index-url https://download.pytorch.org/whl/cu128
.venv/bin/pip install -r requirements.txt
cp .env.example .env    # add your FAL_KEY

Notate la build di torch bloccata e l'indice CUDA 12.8 esplicito. Questo non è un progetto che funzionerà con il Python che vi capita di avere.

La parte più bella dell'onboarding è lo smoke test su CPU. Il repo include i rilevamenti dei giunti che il suo lettore ha già trovato per il ruggito del drago, così potete adattare il rig senza scaricare 355MB di pesi né installare Blender:

mkdir -p runs/dragon/clips/roar
MOCAP_CREATURE=assets/dragon .venv/bin/python -m mocap.solve \
  examples/dragon_roar/det.npz \
  assets/dragon/rigged/rig_info.json \
  runs/dragon/clips/roar/motion.json

Una ventina di secondi, e stampa quanto le due viste concordano: che è la diagnostica che volete davvero, perché il disaccordo tra le viste è il modo di fallire a cui tutta l'architettura è esposta.

La via completa, con la mesh della creatura di esempio, il lettore addestrato e la clip dalla release (13MB di mesh, 355MB di lettore, 4MB di clip):

tools/fetch_examples.sh dragon --readers --clips
tools/prep.sh dragon && tools/rig.sh dragon
tools/capture.sh dragon runs/dragon/videos/roar/s1/h3max.mp4 roar

E una nuova mossa per la stessa creatura, che costa circa 0.52 dollari perché filma due clip:

.venv/bin/python tools/make_prompt.py assets/dragon \
  "the dragon whips its tail from side to side, then stands still." \
  prompts/dragon/tailwhip.txt
tools/film.sh dragon tailwhip h3max 1,2
tools/capture.sh dragon runs/dragon/videos/tailwhip/s1/h3max.mp4 tailwhip

Dove è davvero difficile

Il retargeting. Recuperare le posizioni dei giunti è un problema; mapparle su uno specifico rig con una specifica lunghezza delle ossa e una specifica posa di riposo è un altro. Se il rig del drago ha un collo più lungo di quanto suggeriscano i punti recuperati, o il collo si piega in modo strano o la testa galleggia. La formulazione del README — «il rig atterra sui punti» — suggerisce un adattamento più che un retargeting, che è la scelta più facile e più onesta: l'animazione vale quanto le proporzioni del rig somigliano a quelle della clip.

Il contatto con il suolo. Ogni pipeline di mocap litiga con i piedi che scivolano, e una soluzione a due viste da un video generato non ha piano di appoggio, non ha dati di forza e non ha vincoli fisici. Un drago che pattina è un drago che sembra finto, per quanto buoni siano i giunti.

L'occlusione. Due viste aiutano, ma sono solo due. Un arto nascosto dietro il corpo in entrambi i pannelli va dedotto, e il modello inventerà qualcosa di plausibile.

L'economia, che è la vera storia

Ventisei centesimi per clip. Meno di un minuto per leggere e adattare. Quattro creature di esempio nel repo, ognuna con il suo rig, i suoi prompt e il suo lettore.

Confrontatelo con l'alternativa: un animatore, una giornata, un ciclo di revisioni. Il confronto non è leale: la qualità dell'output non è la stessa, e nessuno spedirà la mossa firma del protagonista fatta così. Ma per le creature di sfondo, le varianti dei nemici, la folla di riempimento o i quaranta secondi di trailer in cui il mostro sta a schermo per due, ventisei centesimi tolgono un'intera discussione sul fatto che l'inquadratura valga la pena.

È lo schema di quest'anno, di nuovo. Non «l'AI sostituisce il mestiere». L'AI fa crollare il costo della versione che stavate per buttare via, e il mestiere si sposta sulle decisioni che sopravvivono.

Vale la pena provarlo

Se avete una scheda NVIDIA, un'installazione di Blender e un rig di creatura a cui tenete, sì, e cominciate dallo smoke test su CPU, non dalla pipeline completa. Dura venti secondi e vi dice se le due viste concordano sui vostri dati, che è l'unica domanda che conta prima di spendere qualcosa.

Se siete su Mac, l'addestramento del lettore è fuori discussione e l'adattamento è teorico. Il repo è Apache-2.0, quindi potete fare il port. Io non lo farei, questo mese.

Articoli correlati