MiniMax H3: ce poate face de fapt noul model video AI
Există o modalitate ușoară de a expune un model video AI: cereți mișcare, nu un portret frumos. Răsuciți țesătura în aer, trimiteți o cameră în jurul unui obiect, aruncați apa într-o stâncă - iar generatoarele slabe încep să topească marginile într-o secundă. MiniMax H3 este interesant deoarece pasul său este mișcare coerentă, nu un cadru fotogenic.
Am urmărit revizuirea practică completă din spatele lansării și am verificat afirmațiile sale tehnice față de documentația MiniMax. Iată partea utilă, minus zgomotul „cinema este mort”.
Mai mult decât un prompt și o poză
H3 înțelege text, imagini, video și audio într-o singură solicitare. Puteți genera din text, puteți anima un prim cadru, puteți bloca ambele cadre de deschidere și de sfârșit sau puteți crea un clip din referințe. O referință poate conține un personaj, mișcare, calea camerei, stil vizual, voce sau ritm de editare.
Asta schimbă treaba. În loc să scrieți un paragraf care spune „camera se mișcă așa și personajul arată așa”, puteți afișa un scurt clip de mișcare și o imagine de stil separată. Este mai puțin pentru model de citit greșit.
Limitele oficiale sunt generoase: până la 9 imagini de referință, 3 clipuri video și 3 clipuri audio, cu 12 fișiere mixte în total. Videoclipul și sunetul de referință pot adăuga fiecare până la 15 secunde. Solicitările pot ajunge la 7.000 de caractere – mult mai mult decât are nevoie în mod normal de o scurtă înregistrare sensibilă.
Da, scrie 2K. Citiți literele mici
Ieșirea este de 768p sau 2K, iar clipurile rulează de la 4 la 15 secunde întregi. Sunt acceptate rapoarte de aspect comune și un mod adaptiv. Cincisprezece secunde sunt suficiente pentru o reclamă socială compactă: dezvăluie obiectul, efectuează o acțiune, arată o reacție, aterizează pe imaginea finală.
Dar rezoluția nu este calitate. MiniMax documentează, de asemenea, o cale separată de regenerare: odată ce un rezultat de 768p are mișcarea corectă, acesta poate fi reconstruit la 2K folosind intrările originale și clipul de bază. Acesta este fluxul de lucru sensibil. Găsiți prima luare; cheltuiți pe rezoluție al doilea.
Unde H3 pare cel mai puternic
Cele mai bune exemple ale recenziei implică mișcări rapide ale camerei, lichid, material și iluminare care trebuie să rămână consistente în timp ce scena se schimbă. Referințele audio sunt câștigul mai puțin evident. Ele pot ghida o voce sau un ritm muzical alături de materialul vizual.
Imaginează-ți un produs fotografiat cu o singură imagine statică, o referință de mișcare a camerei de șase secunde și un scurt accent sonor. Fotografiile ancorează produsul, video-ul furnizează orbita, iar sunetul stabilește ritmul. Este mult mai precis decât „a face o reclamă premium”.
Captura
Consistența caracterelor este mai bună, nu este garantată. Adăugați mai multe obiecte care se ciocnesc, se oclud unele pe altele și revin la cadru, iar detaliile rătăcite sau salturile de formă pot apărea în continuare. Litere minuscule care pot fi citite ar trebui adăugate ulterior într-un editor.
Și acestea sunt clipuri scurte, filme neterminate de trei minute. O poveste mai lungă mai are nevoie de o listă de fotografii, referințe stabile și o editare. Adevărata muncă rămâne. H3 face în principal etapa de împușcare brută mai rapidă.
Un prim prompt care te va invata ceva
Sari peste gramada de adjective. Specificați subiectul, acțiunea, camera și lumina: „O sticlă de sticlă stă pe o piatră neagră umedă. Un val lovește în spatele ei; camera se arcuiește încet de la dreapta la stânga; lumină rece a dimineții; termină cu un prim plan.” Atașați o referință de mișcare atunci când traseul camerei contează. Adăugați mai multe unghiuri atunci când identitatea contează.
Pentru a testa ideea cu propriul material, deschidețiGenerare video AI în NeuralSpace. Aveți nevoie de un cadru de pornire curat mai întâi? Construiește-l îngenerator de imagini. Începeți cu cinci sau șase secunde la 768p. Preluările proaste costă mai puțin; unul bun câștigă permisul de 2K.