Viggle发布JST-2 Motion：支持文本/视频驱动的原生3D全身动作生成，兼容标准骨骼，面向动画、游戏与具身AI

（文/杨亮）SmartHey10月28日消息，近日，物理原生世界模型公司 Viggle 公开 JST‑2 Motion 技术细节。该模块是 JST‑2 世界模型的核心配套组件，专用于高保真全身 3D 动作生成，同时支持“文本生成动作”与“视频重建 3D 人体运动”两大范式。生成结果可直接驱动 JST‑2 角色，无需额外动作重定向，且原生兼容行业通用 3D 角色骨骼结构，适用于动画制作、游戏开发及具身 AI 的运动训练等多场景需求。

JST‑2 Motion 具备两项关键能力：

一、文本到全身动作生成：仅需输入自然语言描述（如“缓慢转身并挥手致意”），即可输出完整、连贯的人体运动序列。大幅降低动画师手动调整关键帧或筛选动作库素材的工作量；也为具身 AI 提供了通过文本指令直接驱动角色行为的新路径。

二、视频到 3D 动作重建：不仅精准还原视频中可见肢体的运动轨迹，更依托学习获得的人体动力学先验，智能推断被遮挡部位（如背侧关节、隐藏手部）的姿态。对拍摄角度无严格要求——侧面、局部遮挡、非正对镜头的实拍视频均可稳健处理，显著降低专业动捕门槛，并为具身 AI 构建高质量、大规模人体运动数据集提供新方案。

研究团队采用盲测人工评估机制：所有动作均以统一的无纹理 MetaHuman 骨骼模型呈现，彻底排除角色外观干扰。在文本驱动任务中，JST‑2 Motion 对标 HY‑Motion‑1.0 与 Cartwheel Swing 两大主流基线模型，测试覆盖日常移动、手势交互、格斗特技、舞蹈表演等八大典型场景；其在手势表达与舞蹈类动作上表现尤为突出，在指令遵循度、足部接地稳定性及整体动作流畅性三项核心指标上综合领先。

具体得分显示：相较 Cartwheel Swing 综合得分为 74.8%，对比 HY‑Motion‑1.0 达到 80.0%；在视频驱动任务中，对标 DeepMotion Animate 3D 与 Cartwheel Comic 4，测试素材涵盖运动竞技、健身教学、社交互动及游戏角色实拍片段。JST‑2 Motion 能准确保留原始视频的节奏变化与加速度特征，并精细复现手指等末端肢体运动——手部跟踪指标优于 DeepMotion Animate 3D，综合得分达 89.1%。

论文亦坦诚当前技术边界：对高速强周期性动作（如快速跳绳、高频击打）的建模仍有优化空间；脚部落地与抬升阶段偶见轻微滑动现象；在部分高速体育类视频上，相较 Cartwheel Comic 4 尚存一定差距；此外，提示词对运动方向控制、动作间过渡平滑性及节奏调节的精细化引导能力有待进一步增强。

目前，JST‑2 系统的角色运动基于学习型动力学建模，但场景中的物体碰撞与交互仍依赖传统规则物理引擎。Viggle 已披露下一代 JST‑3 的演进路线图：将全面采用端到端学习式动力学，实现从人体运动到物体交互、乃至世界状态动态演化的联合预测，迈向真正物理一致的具身智能世界模型。