Hunyuan-GameCraft

Hunyuan-GameCraftは1枚の参照画像とテキストから出発し、動くゲームシーンを生成する。コマ送りでアニメーションを作るわけではない。軽量なアクションエンコーダーが入力を読み取り、カメラをシーンの中へ導く。要はカメラ制御の動画モデルであり、出てくるのは静止画のスライドショーではなく、ゲームプレイに見える映像だ。これがモデルの中核で、他の機能はこれを支えている。

モデルは標準的なキーボードとマウスの入力を、ひとつのカメラ空間にまとめる。実際には、左右だけでなく速度と角度を理解する。視点を回しながら前進する、実のプレイヤーが無意識にやる組み合わせの操作ができる。離散的なキー入力は補間によって滑らかなカメラ運動になり、それが画面のカクつきを防ぐ。

長い動画はたいてい崩れる。シーンの形が変わり、物が消え、世界は数秒前の姿を忘れる。Hunyuan-GameCraftはハイブリッド履歴条件の学習戦略を使い、元のシーン情報を保ったまま系列を自己回帰的に伸ばす。カメラを向こうへやって戻すと、配置はそこにある。数分の散策が崩れずまとまるのは、このおかげだ。

この規模のモデルは、対話的に感じさせるにはデータセンターが要るのが普通だ。Tencentは蒸留し、長い系列で一貫性を保ちながら推論を速く軽くした。結果として、クラスタではなくRTX 4090のようなコンシューマーカードで動く。負荷が下がることは、研究デモと、開発者が腰を据えて操作できるものとの差になる。

このフレームワークは単一の視点にとどまらない。視聴者がカメラになる一人称のシーンと、画面にキャラクターがいてカメラが追う三人称のシーンの両方を扱う。どちらも同じ参照画像の設定から来る。ゲームはひとつのカメラスタイルしか使わないわけではないので、この幅は効いてくる。

モデルは100本以上のAAAゲームにまたがる100万件超のプレイ録画で学習し、その後、精度を上げるために厳選した合成データセットで微調整した。この広さが、写実的な街並みから様式化された村まで多彩なアートスタイルを扱い、その間で視覚的な忠実さを保つ理由だ。