MiniMax H3: hvad den nye AI-videomodel faktisk kan

Der er en nem måde at eksponere en AI-videomodel på: Bed om bevægelse, ikke et smukt portræt. Vrid stof i luften, send et kamera rundt om en genstand, styrt vand ind i en sten – og svage generatorer begynder at smelte kanter inden for et sekund. MiniMax H3 er interessant, fordi dens tonehøjde er sammenhængende bevægelse, ikke én fotogen ramme.

Vi så hele den praktiske gennemgang bag lanceringen og tjekkede dens tekniske påstande mod MiniMax's dokumentation. Her er den nyttige del, minus "biografen er død"-støjen.

Mere end en prompt og et billede

H3 forstår tekst, billeder, video og lyd i én anmodning. Du kan generere ud fra tekst, animere en første frame, låse både åbnings- og slutrammen eller bygge et klip ud fra referencer. En reference kan bære en karakter, bevægelse, kamerabane, visuel stil, stemme eller redigeringsrytme.

Det ændrer jobbet. I stedet for at skrive et afsnit, der siger "kameraet bevæger sig sådan, og karakteren ser sådan ud", kan du vise et kort bevægelsesklip og et separat stilbillede. Der er mindre for modellen at fejllæse.

De officielle grænser er generøse: op til 9 referencebilleder, 3 videoklip og 3 lydklip med 12 blandede filer i alt. Referencevideo og -lyd kan hver tilføje op til 15 sekunder. Prompter kan nå op på 7.000 tegn - langt mere end et fornuftigt kort skud normalt behøver.

Ja, der står 2K. Læs det med småt

Output er 768p eller 2K, og klip løber fra 4 til 15 hele sekunder. Almindelige billedformater og en adaptiv tilstand understøttes. Femten sekunder er nok til en kompakt social annonce: afslør objektet, udfør én handling, vis en reaktion, land på det sidste skud.

Men opløsning er ikke kvalitet. MiniMax dokumenterer også en separat regenereringssti: Når først et 768p-resultat har den rigtige bevægelse, kan det genopbygges ved 2K ved hjælp af de originale input og basisklip. Det er den fornuftige arbejdsgang. Find take først; bruge på opløsning sekund.

Hvor H3 ser stærkest ud

Anmeldelsens bedste eksempler involverer hurtige kamerabevægelser, væske, klud og belysning, der skal forblive konsekvente, mens scenen skifter. Lydreferencer er den mindre indlysende gevinst. De kan guide en stemme eller musikalsk rytme ved siden af ​​det visuelle materiale.

Forestil dig et produktbillede med et stillbillede, en seks sekunders kamerabevægelsesreference og en kort lydaccent. Stillet forankrer produktet, videoen forsyner kredsløbet, og lyden sætter rytmen. Det er meget mere præcist end "lave en premium-reklame."

Fangsten

Karakterens konsistens er bedre, ikke garanteret. Tilføj flere objekter, der kolliderer, lukker hinanden og vender tilbage til rammen, og vildfarne detaljer eller formspring kan stadig dukke op. Små læsbare bogstaver skal tilføjes i en editor bagefter.

Og det er korte klip, ikke færdige tre-minutters film. En længere historie mangler stadig en skudliste, stabile referencer og en redigering. Der er reelt arbejde tilbage. H3 gør hovedsageligt raw-shot-stadiet hurtigere.

En første prompt, der vil lære dig noget

Spring over bunken af ​​adjektiver. Angiv motiv, handling, kamera og lys: "En glasflaske står på en våd sort sten. En bølge rammer bagved den; kameraet buer langsomt fra højre mod venstre; koldt morgenlys; afslut på et nærbillede." Vedhæft en bevægelsesreference, når kamerabanen er vigtig. Tilføj flere vinkler, når identitet betyder noget.

For at teste ideen med dit eget materiale skal du åbneAI-videogenerering i NeuralSpace. Har du brug for en ren startramme først? Byg det ibilledgenerator. Start med fem eller seks sekunder ved 768p. Dårlige tager koster mindre; en god vinder 2K-passet.