MiniMax: H3 Max

En hurtig eftertrænet H3-variant

MiniMax H3 Max er en eftertrænet variant af MiniMax H3-basismodellen, optimeret omkring hurtigere generering, efterlevelse af prompts og audiovisuel kvalitet. Varianten blev udviklet gennem eftertræning af fal Research. Den bevarer samlet multimodal kontekst og indbygget synkronisering af billede og lyd. Hastighed er en designprioritet frem for en fast færdiggørelsestid for enhver prompt, varighed eller applikation.

Hold Max adskilt fra det oprindelige H3-system og den særskilte Max Turbo-variant. MiniMax' aktuelle grænseflade angiver Max ved 480P eller 768P med 768P som standard, 24 billeder pr. sekund og en heltalsvarighed fra 5 til 15 sekunder. Den dokumenterede Max-arbejdsgang tilbyder ikke det oprindelige H3-systems 2K-indstilling eller output på fire sekunder.

Fra en prompt til en indstilling

Hver generering indeholder en ikke-tom tekstbrief på op til 7.000 tegn pr. tekstemne. Beskriv motiv, startkomposition, handling og resultat, og gør derefter kamera- og lydanvisningerne tydelige. Til en kort objektafsløring skal du identificere, hvad seeren skal se først, hvordan objektet bevæger sig ind i billedet, og hvordan indstillingen skal slutte.

En nyttig brief til fem sekunder kan beskrive en keramisk kop på et træbord, en hånd, der placerer en underkop ved siden af den, en lille indadgående kamerabevægelse og lyden af keramik, der møder træ. Hold handlingen lille nok til at passe til den valgte varighed, og undersøg, om den returnerede bevægelse og lyd følger samme begivenhed.

Billedstyret produktion

Producenten dokumenterer et åbningsbillede, et slutbillede eller begge. Et første billede etablerer, hvor klippet begynder; et sidste billede etablerer den endelige visuelle tilstand. Forklar bevægelsen, der forbinder dem, inklusive ændringer i positur, objektplacering, kamera eller lys. Til en overgang med to billeder skal du undgå en brief, der introducerer en uforenelig scene mellem endepunkterne.

Billedstyret output udleder sit format af inputbilledet. Til arbejde med tekst alene skal du vælge et konkret format fra 21:9, 16:9, 4:3, 1:1, 3:4 eller 9:16. Referencestyret arbejde kan bruge et adaptivt format eller et af de dokumenterede eksplicitte valg. Komponer referencen eller den skrevne scene til målbilledet frem for at antage, at samme opstilling fungerer lige godt stående og liggende.

Multimodale referencer

MiniMax' aktuelle Max-genereringsskema dokumenterer også referencebilleder, video og lyd. Angiv, hvad hver skal påvirke: figuridentitet, et miljø, et bevægelsesmønster, en kamerabane, stemmeklang eller en lydegenskab. Roller som første/sidste billede og roller som referencemedie udelukker gensidigt hinanden i denne grænseflade.

Til en figurindstilling skal udseendereferencen og bevægelsesreferencen identificeres særskilt, og målhandlingen og replikken derefter leveres. En stemmereference, der etablerer fremførelse, er forskellig fra at kopiere hele dens lydsignal. Hold briefen eksplicit om de træk, der skal bevares, og de ændringer, der skal laves, og gennemgå det faktiske audiovisuelle klip i forhold til hver referencerolle.

Promptudvidelse

Den Max-specifikke udvidelsesindstilling tilbyder disabled, balanced og quality med balanced som standard. Vælg disabled, når den leverede brief skal passere uden udvidelse; brug en dokumenteret udvidelsestilstand, når yderligere fortolkning ønskes. Gem originalbriefen, så en ændring indført under udvidelse kan skelnes fra det anmodede indhold.

Beskriv lyd som en del af scenen. Identificer fysiske lyde, atmosfære og alle talte ord, og adskil dem fra baggrundsmusik, der kun høres af publikum. Lever den præcise replik og den ønskede taler frem for at bede om uspecificeret dialog. Lyt til resultatet, og se det også; et overbevisende billede fastslår ikke, at talt ordlyd eller timing er korrekt.

Inputforberedelse og grænser

Producentens aktuelle skema accepterer JPG-, JPEG-, PNG-, WebP-, HEIC- eller HEIF-billeder på op til 30 MB hver med sider fra 256 til 5.760 pixels og formater fra 0.4 til 2.5. Åbnings- og slutroller tillader hver ét billede; referencetilstand tillader op til ni billeder. Bevar en tydelig visning af motivet og de detaljer, der skal forblive identificerbare.

Referencevideo tillader op til tre MP4- eller MOV-klip, hver på 2–15 sekunder og tilsammen højst 15 sekunder, med en grænse på 50 MB pr. fil. Den dokumenterer H.264- eller H.265-video, AAC- eller MP3-lyd, sider fra 256 til 5.760 pixels, formater fra 0.4 til 2.5 og billedhastighed fra 23.976 til 60. Referencelyd tillader op til tre WAV- eller MP3-klip, hver på højst 15 MB og 2–15 sekunder, tilsammen højst 15 sekunder. Anmodningens body har en særskilt grænse på 64 MB.

Brug kun referencer, der bidrager til indstillingen, og identificer hvert bidrag i teksten. Et kort, relevant bevægelsesklip er lettere at bruge som instruktion end en lang samling uvedkommende begivenheder. Hold ønsket varighed og outputopløsning eksplicitte, så resultatet kan sammenlignes med samme brief.

Det færdige resultat

Producentens asynkrone arbejdsgang returnerer en opgaveidentitet, før den færdige video er tilgængelig. Opgaveforespørgselsgrænsefladen henter opgaver fra de foregående syv dage. Gem det faktisk returnerede klip og dets specifikation til redigering eller yderligere gennemgang; en opgaveidentifikator er ikke det audiovisuelle artefakt. Downloadadresser er tidsbegrænsede, så behold selve filen, når et valgt resultat gemmes.

Gennemgå motivkontinuitet, bevægelse, synlig tekst, dialog og lydtiming ved den størrelse, hvor klippet skal bruges. Brug konkret feedback til en ny kreativ brief: den gestus, der ændrede sig, replikken, der blev udeladt, eller indramningen, der skal justeres. Det nyttige resultat er en kort audiovisuel indstilling knyttet til det leverede indhold og dets eksplicitte referenceforhold.