EmemeAI

製品の中核は、動画を読み込んで人間の動きを書き出すパイプラインだ。YouTube のリンク、公開された Web 動画、自分の映像に対応し、一つの供給元に縛られない。出力は構造化されたポーズデータであり、レンダリング済みのアニメーションではない。だからこそ学習素材として使える。Ememe はこの一連の流れを、創作ツールではなく動画モーションキャプチャとモーションデータ抽出として位置づけている。

Ememe は動作を、関節の位置と回転を持つ 3D スケルトンとして返す。範囲は全身、上半身、手のポーズに分かれ、課題に必要な細かさを選べる。操作研究で最も難しい手と物体の接触は、提供中ではなく近日対応として示されている。接触を伴う動きに今すぐ依存するなら、この差は無視できない。

三つの入力経路でほとんどの場面をカバーする。クリップが分かっているなら YouTube の URL を貼り、素材が非公開ならローカルの MP4 を上げ、欲しい動きの種類しか分からなければキーワードで検索する。キーワード検索は AI がクエリを広げるため、最初の言い回しが狭すぎるときに役立つ。ローカルのアップロードは 1 クリップあたり最大 1 GB の MP4 に対応する。

スケルトンと併せて、Ememe は切り出した映像とテキストの説明も返す。クリップは必要な区間だけを残すので、長い元ファイルを編集し直さずに済む。ラベルはメタデータとして働き、各モーションサンプルに名前と文脈を与える。両者がそろえば、手作業で札を貼らずに動作ごとにデータセットを整理できる。

Ememe は自社の RoboCasa GR-1 Tabletop ベンチマークの結果を EmemePT フレームワークで公開した。フィジカル AI 学習データが実際に働く例だ。同社によれば、このモーションデータは GR00T の微調整を三つの両手操作タスクで改善した。Cup to drawer は 20% から 42%、bottle to cabinet は 46% から 56%、wine to cabinet は 8% から 42% へ伸びた。同社はこれが社内シミュレーションの結果であり、効果はタスクごとに異なると断っている。約束ではなく手がかりとして見るのが妥当だ。

量を必要とするチーム向けに、Ememe はセルフサービス購入ではなく申請の流れを用意する。用途、欲しい動作クラス、出力形式を書く。同社は、大量処理やカスタム出力、商用の PoC 向けに、サンプルデータセットと検討用のメモを用意できるとしている。この形は、明確なプロジェクトを持つ研究室やスタジオに向き、一本のクリップを試したい人には合わない。ロボット学習データやヒューマノイド用データとなれば、なおさらまとまった量が要る。