MiniMax: H3 Max

Rychlá, dodatečně trénovaná varianta H3

MiniMax H3 Max je dodatečně trénovaná varianta základního modelu MiniMax H3, optimalizovaná pro rychlejší generování, dodržování promptu a audiovizuální kvalitu. Variantu vyvinul tým fal Research dodatečným trénováním. Zachovává jednotný multimodální kontext a nativně synchronizovaný obraz se zvukem. Rychlost je prioritou návrhu, nikoli pevně stanovenou dobou dokončení každého promptu, délky či použití.

Max odlišujte od původního systému H3 a samostatné varianty Max Turbo. Současné rozhraní MiniMax uvádí pro Max 480P nebo 768P, přičemž výchozí je 768P, dále 24 snímků za sekundu a celočíselnou délku od 5 do 15 sekund. Dokumentovaný postup Max nenabízí nastavení 2K původního systému H3 ani čtyřsekundový výstup.

Od promptu k záběru

Každé generování zahrnuje neprázdné textové zadání s až 7 000 znaky na textovou položku. Popište hlavní objekt, úvodní kompozici, děj a výsledek a poté jasně určete kameru a zvuk. U krátkého odhalení předmětu uveďte, co má divák spatřit nejprve, jak se předmět dostane do záběru a jak má záběr skončit.

Užitečné pětisekundové zadání může popisovat keramický šálek na dřevěném stole, ruku pokládající vedle něj podšálek, malé přiblížení kamery a zvuk kontaktu keramiky se dřevem. Omezte děj tak, aby se vešel do zvolené délky, a ověřte, zda výsledný pohyb a zvuk odpovídají téže události.

Tvorba vedená snímky

Výrobce dokumentuje úvodní snímek, závěrečný snímek nebo oba. První obrázek určuje začátek klipu, poslední obrázek jeho konečný vizuální stav. Vysvětlete pohyb, který je spojuje, včetně změn pózy, polohy předmětu, kamery či osvětlení. U přechodu mezi dvěma snímky se vyhněte zadání, které mezi koncové stavy vkládá neslučitelnou scénu.

Výstup vedený snímky přebírá poměr stran vstupního obrázku. Při práci pouze s textem zvolte konkrétní poměr 21:9, 16:9, 4:3, 1:1, 3:4 nebo 9:16. Práce vedená referencemi může použít adaptivní poměr nebo jednu z dokumentovaných explicitních voleb. Referenci či písemně popsanou scénu komponujte pro cílový formát a nepředpokládejte, že stejné uspořádání funguje stejně dobře na výšku i na šířku.

Multimodální reference

Současné schéma generování Max od MiniMax také dokumentuje referenční obrázky, video a zvuk. Uveďte, co má každý podklad ovlivnit: identitu postavy, prostředí, vzorec pohybu, dráhu kamery, barvu hlasu nebo charakter zvuku. Role prvního a posledního snímku se v tomto rozhraní vzájemně vylučují s rolemi referenčních médií.

U záběru postavy zvlášť určete referenci vzhledu a referenci pohybu a poté zadejte cílový děj a mluvenou repliku. Hlasová reference určující přednes se liší od kopírování celého zvukového signálu. V zadání výslovně uveďte vlastnosti k zachování a požadované změny a skutečný audiovizuální klip posuďte vůči každé referenční roli.

Rozšíření promptu

Nastavení rozšíření specifické pro Max nabízí volby disabled, balanced a quality; výchozí je balanced. Zvolte disabled, má-li dodané zadání projít bez rozšíření; dokumentovaný režim rozšíření použijte, když chcete další interpretaci. Ponechte si původní zadání, abyste odlišili změnu vzniklou při rozšíření od požadovaného obsahu.

Zvuk popisujte jako součást scény. Určete fyzické zvuky, ruch prostředí a všechna mluvená slova a oddělte je od hudebního doprovodu slyšitelného pouze divákům. Zadejte přesnou repliku a zamýšleného mluvčího místo žádosti o neurčitý dialog. Výsledek si poslechněte i prohlédněte; přesvědčivý obraz nedokládá správnost mluveného znění ani načasování.

Příprava vstupů a limity

Současné schéma výrobce přijímá obrázky JPG, JPEG, PNG, WebP, HEIC nebo HEIF, každý do 30 MB, se stranami od 256 do 5 760 pixelů a poměry od 0,4 do 2,5. Úvodní a závěrečná role dovolují po jednom obrázku; referenční režim až devět obrázků. Zachovejte jasný pohled na objekt a detaily, které musí zůstat rozpoznatelné.

Referenční video dovoluje až tři klipy MP4 nebo MOV, každý dlouhý 2–15 sekund a celkem nejvýše 15 sekund, s limitem 50 MB na soubor. Dokumentuje video H.264 nebo H.265, zvuk AAC nebo MP3, strany od 256 do 5 760 pixelů, poměry od 0,4 do 2,5 a snímkovou frekvenci od 23,976 do 60. Referenční zvuk dovoluje až tři klipy WAV nebo MP3, každý do 15 MB a dlouhý 2–15 sekund, celkem nejvýše 15 sekund. Tělo požadavku má samostatný limit 64 MB.

Používejte jen reference přispívající k záběru a v textu určete přínos každé z nich. Krátký relevantní pohybový klip je jako vodítko užitečnější než dlouhý soubor nesouvisejících událostí. Výslovně uveďte zamýšlenou délku a výstupní rozlišení, aby šel výsledek porovnat se stejným zadáním.

Hotový výsledek

Asynchronní postup výrobce vrací identitu úlohy dříve, než je hotové video dostupné. Rozhraní pro dotazování na úlohy vyhledává úlohy z předchozích sedmi dnů. Skutečně vrácený klip a jeho specifikaci uložte pro střih či další kontrolu; identifikátor úlohy není audiovizuálním výstupem. Adresy ke stažení mají časovou platnost, proto při ponechání vybraného výsledku uchovejte samotný soubor.

V měřítku zamýšleného použití klipu zkontrolujte kontinuitu objektu, pohyb, viditelný text, dialog a načasování zvuku. Pro další tvůrčí zadání použijte konkrétní připomínky: gesto, které se změnilo, vynechanou repliku nebo rámování vyžadující úpravu. Užitečným výsledkem je krátký audiovizuální záběr navázaný na dodaný obsah a jeho explicitní referenční vztahy.