MiniMax H3: hva den nye AI-videomodellen faktisk kan gjøre
Det er en enkel måte å eksponere en AI-videomodell på: be om bevegelse, ikke et pent portrett. Vri stoff i luften, send et kamera rundt et objekt, støt vann inn i en stein – og svake generatorer begynner å smelte kanter i løpet av et sekund. MiniMax H3 er interessant fordi tonehøyden er koherent bevegelse, ikke en fotogen ramme.
Vi så hele den praktiske gjennomgangen bak lanseringen og sjekket dens tekniske påstander mot MiniMax sin dokumentasjon. Her er den nyttige delen, minus "kinoen er død"-støyen.
Mer enn en melding og ett bilde
H3 forstår tekst, bilder, video og lyd i én forespørsel. Du kan generere fra tekst, animere en første ramme, låse både åpnings- og sluttrammen, eller bygge et klipp fra referanser. En referanse kan bære en karakter, bevegelse, kamerabane, visuell stil, stemme eller redigeringsrytme.
Det endrer jobben. I stedet for å skrive et avsnitt som sier «kameraet beveger seg slik og karakteren ser slik ut», kan du vise et kort bevegelsesklipp og et eget stilbilde. Det er mindre for modellen å feillese.
De offisielle grensene er sjenerøse: opptil 9 referansebilder, 3 videoklipp og 3 lydklipp, med totalt 12 blandede filer. Referansevideo og -lyd kan hver legge til opptil 15 sekunder. Forespørsler kan nå 7000 tegn – langt mer enn et fornuftig kortbilde vanligvis trenger.
Ja, det står 2K. Les den lille skriften
Utdata er 768p eller 2K, og klipp varer fra 4 til 15 hele sekunder. Vanlige sideforhold og en adaptiv modus støttes. Femten sekunder er nok for en kompakt sosial annonse: avslør objektet, utfør én handling, vis en reaksjon, land på det siste skuddet.
Men oppløsning er ikke kvalitet. MiniMax dokumenterer også en egen regenereringsbane: Når et 768p-resultat har den rette bevegelsen, kan det bygges opp igjen ved 2K ved å bruke de originale inngangene og basisklemmen. Det er den fornuftige arbeidsflyten. Finn ta først; bruke på oppløsning andre.
Der H3 ser sterkest ut
Anmeldelsens beste eksempler involverer raske kamerabevegelser, væske, klut og belysning som må forbli konsekvent mens scenen endres. Lydreferanser er den mindre åpenbare gevinsten. De kan lede en stemme eller musikalsk rytme ved siden av det visuelle materialet.
Se for deg et produktbilde med ett stillbilde, en seks sekunders kamerabevegelsesreferanse og en kort lydaksent. Stillbildet forankrer produktet, videoen forsyner banen, og lyden setter takten. Det er mye mer presist enn å "lage en premium reklame."
Fangsten
Karakterkonsistensen er bedre, ikke garantert. Legg til flere objekter som kolliderer, blokkerer hverandre og går tilbake til rammen, og forvillede detaljer eller formhopp kan fortsatt vises. Små lesbare bokstaver bør legges til i en editor etterpå.
Og dette er korte klipp, ikke ferdige tre-minutters filmer. En lengre historie trenger fortsatt en skuddliste, stabile referanser og en redigering. Virkelig arbeid gjenstår. H3 gjør i hovedsak raw-shot scenen raskere.
En første oppfordring som vil lære deg noe
Hopp over haugen med adjektiver. Spesifiser motiv, handling, kamera og lys: «En glassflaske står på en våt svart stein. En bølge treffer bak den; kameraet går sakte fra høyre mot venstre; kaldt morgenlys; avslutt på et nærbilde.» Legg ved en bevegelsesreferanse når kamerabanen er viktig. Legg til flere vinkler når identitet er viktig.
Åpne for å teste ideen med ditt eget materialeAI-videogenerering i NeuralSpace. Trenger du en ren startramme først? Bygg den ibildegenerator. Start med fem eller seks sekunder på 768p. Dårlige tar koster mindre; en god får 2K-passet.