EmemeAI

Le cœur du produit est un système qui lit une vidéo et écrit du mouvement humain. Il fonctionne avec des liens YouTube, des vidéos publiques du web ou vos propres séquences, ce qui évite de dépendre d'une seule source. La sortie, ce sont des données de pose structurées, pas une animation rendue, et c'est ce qui les rend utiles comme matériau d'entraînement. Ememe présente l'ensemble du processus comme de l'extraction de données de mouvement et de la capture de mouvement par vidéo, pas comme un outil créatif.

Ememe renvoie le mouvement sous forme de squelette 3D avec les positions et rotations des articulations. La couverture se divise en corps entier, haut du corps et pose des mains, vous choisissez donc le niveau de détail exigé par votre tâche. L'interaction main-objet, le cas le plus délicat pour le travail de manipulation, est annoncée comme à venir et non disponible. Cette lacune compte si votre projet repose aujourd'hui sur un mouvement avec contact.

Trois voies couvrent presque toutes les situations. Vous collez une URL YouTube quand vous connaissez déjà le clip, vous téléversez un MP4 local quand la séquence est privée, ou vous cherchez par mot-clé quand vous ne savez que le type de mouvement voulu. La recherche par mot-clé s'appuie sur l'IA pour élargir votre requête, ce qui aide quand votre première formulation est trop étroite. Les envois locaux acceptent des fichiers MP4 jusqu'à 1 Go par clip.

À côté du squelette, Ememe livre un clip vidéo découpé et des descriptions textuelles. Le clip ne conserve que le passage pertinent, ce qui vous évite de rééditer de longs fichiers. Les étiquettes servent de métadonnées et donnent à chaque échantillon de mouvement un nom et un contexte. Ensemble, elles vous laissent organiser un jeu de données par action sans annoter à la main.

Ememe a publié les résultats de son propre benchmark RoboCasa GR-1 Tabletop avec le framework EmemePT, un exemple de données d'entraînement pour l'IA physique en action. Selon l'entreprise, ses données de mouvement ont amélioré l'affinage de GR00T sur trois tâches de manipulation à deux mains. Cup to drawer passe de 20 % à 42 %, bottle to cabinet de 46 % à 56 % et wine to cabinet de 8 % à 42 %. L'entreprise précise qu'il s'agit de résultats de simulation interne et que les gains dépendent de chaque tâche, donc à prendre comme un signal et non comme une promesse.

Pour les équipes qui ont besoin de volume, Ememe propose un parcours de demande au lieu d'un achat direct. Vous décrivez votre cas d'usage, la classe de mouvement voulue et votre format de sortie. L'entreprise indique pouvoir préparer un jeu de données d'exemple et une note de cadrage pour le traitement en volume, des sorties personnalisées ou une preuve de concept commerciale. Ce dispositif convient aux laboratoires et aux studios avec un projet défini, pas à qui veut tester un seul clip.