MiniMax H3: mire képes az új AI videómodell
Van egy egyszerű módja a mesterséges intelligencia videomodelljének exponálásának: mozgást kérjen, ne szép portrét. Csavarja meg a szövetet a levegőben, küldjön egy kamerát egy tárgy köré, csapjon vizet egy sziklába – és a gyenge generátorok egy másodpercen belül elkezdik olvasztani az éleket. A MiniMax H3 azért érdekes, mert hangmagassága koherens mozgás, nem egy fotogén képkocka.
Megnéztük a teljes gyakorlati áttekintést a bevezetés mögött, és ellenőriztük a műszaki állításokat a MiniMax dokumentációjával szemben. Itt van a hasznos rész, mínusz a „mozi halott” zaj.
Több, mint egy felszólítás és egy kép
A H3 egy kérésben megérti a szöveget, képeket, videót és hangot. Létrehozhat szövegből, animálhat egy első képkockát, zárolhatja a nyitó és a záró keretet, vagy készíthet klipet hivatkozásokból. A hivatkozás tartalmazhat egy karaktert, mozgást, kameraútvonalat, vizuális stílust, hangot vagy szerkesztési ritmust.
Ez megváltoztatja a munkát. Ahelyett, hogy írna egy bekezdést, amely szerint „a kamera így mozog, a karakter pedig így néz ki”, megjeleníthet egy rövid mozgóképet és egy külön stílusképet. Kevesebbet kell félreolvasnia a modellnek.
A hivatalos korlátok nagyvonalúak: legfeljebb 9 referenciakép, 3 videoklip és 3 hangfelvétel, összesen 12 vegyes fájllal. A referencia-videó és -hang egyenként legfeljebb 15 másodpercig terjedhet. A promptok elérhetik a 7000 karaktert – sokkal többet, mint amennyit egy értelmes rövid lövés általában igényel.
Igen, azt írja ki, hogy 2K. Olvassa el az apró betűs részt
A kimenet 768p vagy 2K, a klipek pedig 4-15 másodpercig futnak. A rendszer támogatja a közös képarányokat és az adaptív módot. Tizenöt másodperc elég egy kompakt közösségi hirdetéshez: fedje fel a tárgyat, hajtson végre egy műveletet, mutasson reakciót, és landoljon az utolsó felvételen.
De a felbontás nem minőség. A MiniMax egy külön regenerációs útvonalat is dokumentál: ha egy 768p-s eredménynek megfelelő mozgása van, akkor az eredeti bemenetek és az alap klip segítségével 2K-ban újraépíthető. Ez az értelmes munkafolyamat. Először keresse meg a vételt; költeni a felbontás második.
Ahol a H3 a legerősebbnek tűnik
Az áttekintés legjobb példái közé tartozik a kamera gyors mozgása, a folyadék, a ruha és a világítás, amelyeknek konzisztensnek kell maradniuk, amíg a jelenet változik. A hangos hivatkozások a kevésbé nyilvánvaló nyeremény. A képi anyag mellett hangot vagy zenei ritmust is irányíthatnak.
Képzeljen el egy terméket egy állóképpel, egy hat másodperces kameramozgás-referenciával és egy rövid hang akcentussal. Az állókép rögzíti a terméket, a videó biztosítja a pályát, a hang pedig beállítja az ütemet. Ez sokkal pontosabb, mint a „prémium reklámot készíteni”.
A fogás
A karakterek konzisztenciája jobb, de nem garantált. Adjon hozzá több objektumot, amelyek ütköznek, elzárják egymást és visszatérnek a keretbe, és továbbra is megjelenhetnek a kósza részletek vagy alakugrások. Apró, olvasható betűket kell utána beilleszteni egy szerkesztőbe.
És ezek rövid klipek, nem kész háromperces filmek. Egy hosszabb történethez még lövéslista, stabil referenciák és szerkesztés kell. Marad az igazi munka. A H3 főként a nyers felvételek szakaszát teszi gyorsabbá.
Az első felszólítás, amely megtanít valamit
Hagyja ki a halom mellékneveket. Határozza meg a témát, az akciót, a kamerát és a fényt: "Egy üvegpalack nedves fekete kövön áll. Hullám csap le mögötte; a kamera lassan jobbról balra ível; hideg reggeli fény; közeli felvételen fejezze be." Ha a kamera útvonala számít, csatoljon mozgási referenciát. Adjon hozzá több szöget, ha az identitás számít.
Az ötlet saját anyaggal való teszteléséhez nyissa megAI videó generálása a NeuralSpace-ben. Először tiszta kezdőkeretre van szüksége? Építsd be aképgenerátor. Kezdje öt vagy hat másodperccel 768p-nél. A rossz visz kevesebbe kerül; egy jó megszerzi a 2K bérletet.