벡터 양자화(Vector-quantized) 모션 토크나이저(tokenizer)는 텍스트-모션(text-to-motion) 생성을 위한 압축된 이산 인터페이스(discrete interface)를 제공하지만, 대부분의 모션 코드 사전(motion-code priors)은 코드 인덱스를 순서가 없는 범주형 레이블(categorical labels)로 취급합니다. 이러한 관점은 모션 코드의 핵심적인 특성을 간과합니다. 즉, 모션 코드는 물리적 움직임의 디코더 종속적 프로토타입(decoder-bound prototypes)이며, 학습된 코드북(codebooks)은 의미 있는 국소 운동학적 기하학(local kinematic geometry)을 담을 수 있다는 점입니다. 우리는 코드북 진단을 통해 이 특성을 검증합니다. 학습된 PartVQ 그룹별 코드 간의 거리는 국소 모션 프로토타입 거리와 일치하며, 컨트롤을 섞으면 이 일치성이 사라지고, 코드를 점진적으로 더 먼 이웃으로 교체하면 디코딩된 모션의 변화가 단조적으로 커집니다. 이러한 결과는 모션 코드북이 측정 가능하고, 무작위적이지 않으며, 디코더 인과적인(decoder-causal) 기하학을 나타냄을 보여줍니다. 이러한 관찰을 바탕으로, 우리는 모션 코드북 기하학을 통해 생성하는 텍스트-모션 모델인 \textbf{MoGeFlow}를 제안합니다. MoGeFlow는 각 모션 코드 프레임을 PartVQ 그룹별 코드 임베딩(code embeddings)의 구조화된 집합으로 표현하고, 이러한 프레임 상태에 대해 텍스트 조건부 연속 플로우(text-conditioned continuous flow)를 학습하며, 최종 상태를 고정된 디코딩(frozen decoding)을 위한 유효한 모션 코드로 다시 투영합니다. 이는 범주형 코드 예측을 기하학을 인식하는 코드북 공간 생성(geometry-aware codebook-space generation)으로 대체하면서도, 이산 토큰화(discrete tokenization)의 압축성과 유효성을 보존합니다. 실험 결과, HumanML3D 및 KIT-ML의 R-Precision에서 새로운 SOTA(state of the art)를 기록하였으며, 생성된 방법들 중 HumanML3D MultiModal Distance 및 KIT-ML FID에서 최고 성능을 달성하였고, 벤치마크 프로토콜 하에서 최고의 MotionMillion R@1, R@2, R@3 및 FID를 확보하였습니다.