MiniMax: H3 Max

Eine schnelle, nachtrainierte H3-Variante

MiniMax H3 Max ist eine nachtrainierte Variante des Basismodells MiniMax H3, optimiert für schnellere Generierung, Prompt-Treue und audiovisuelle Qualität. Die Variante wurde durch Nachtraining von fal Research entwickelt. Sie erhält den einheitlichen multimodalen Kontext sowie die native Synchronisation von Bild und Ton. Geschwindigkeit ist ein Entwicklungsziel, keine feste Fertigstellungszeit für jeden Prompt, jede Dauer oder Anwendung.

Unterscheiden Sie Max vom ursprünglichen H3-System und der separaten Variante Max Turbo. Die aktuelle MiniMax-Schnittstelle führt Max mit 480P oder 768P, standardmässig 768P, 24 Bildern pro Sekunde und ganzzahliger Dauer von 5 bis 15 Sekunden. Der dokumentierte Max-Ablauf bietet weder die 2K-Einstellung des ursprünglichen H3-Systems noch eine viersekündige Ausgabe.

Vom Prompt zur Einstellung

Jede Generierung enthält ein nicht leeres Textbriefing mit bis zu 7’000 Zeichen pro Textelement. Beschreiben Sie Motiv, Anfangskomposition, Handlung und Ergebnis und machen Sie Kamera- und Tonanweisungen deutlich. Bestimmen Sie bei einer kurzen Objektenthüllung, was zuerst sichtbar sein soll, wie das Objekt ins Bild gelangt und wie die Einstellung endet.

Ein brauchbares Fünfsekunden-Briefing könnte eine Keramiktasse auf einem Holztisch, eine Hand, die eine Untertasse danebenstellt, eine kleine Kameravorfahrt und das Geräusch von Keramik auf Holz beschreiben. Halten Sie die Handlung klein genug für die gewählte Dauer und prüfen Sie, ob zurückgegebene Bewegung und Ton demselben Ereignis folgen.

Einzelbildgesteuerte Erstellung

Der Hersteller dokumentiert ein Eröffnungsbild, ein Endbild oder beide. Ein erstes Bild legt fest, wo der Clip beginnt; ein letztes bestimmt den endgültigen visuellen Zustand. Erklären Sie die verbindende Bewegung, einschliesslich Änderungen an Haltung, Objektposition, Kamera oder Licht. Vermeiden Sie bei einem Übergang zwischen zwei Bildern ein Briefing, das dazwischen eine unvereinbare Szene einführt.

Einzelbildgesteuerte Ausgabe übernimmt ihr Seitenverhältnis vom Eingabebild. Wählen Sie für reine Textarbeit ein konkretes Verhältnis aus 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16. Referenzgestützte Arbeit kann ein adaptives Verhältnis oder eine der dokumentierten ausdrücklichen Optionen verwenden. Komponieren Sie Referenz oder schriftliche Szene für den Zielrahmen, statt anzunehmen, dieselbe Anordnung funktioniere im Hoch- und Querformat gleich gut.

Multimodale Referenzen

MiniMaxs aktuelles Max-Generierungsschema dokumentiert auch Referenzbilder, -videos und -ton. Geben Sie an, was jedes Material beeinflussen soll: Figurenidentität, Umgebung, Bewegungsmuster, Kamerabahn, Stimmklang oder Geräuschmerkmal. Erst-/Letztbildrollen und Referenzmedienrollen schliessen sich in dieser Schnittstelle gegenseitig aus.

Benennen Sie bei einer Figureneinstellung Erscheinungs- und Bewegungsreferenz getrennt und geben Sie anschliessend Zielhandlung und gesprochenen Satz an. Eine Stimmreferenz zur Darbietung ist etwas anderes als die Kopie ihres vollständigen Audiosignals. Formulieren Sie beizubehaltende Merkmale und gewünschte Änderungen ausdrücklich und prüfen Sie den tatsächlichen audiovisuellen Clip anhand jeder Referenzrolle.

Prompt-Erweiterung

Die Max-spezifische Erweiterungseinstellung bietet disabled, balanced und quality, standardmässig balanced. Wählen Sie disabled, wenn das bereitgestellte Briefing ohne Erweiterung durchgehen soll; verwenden Sie einen dokumentierten Erweiterungsmodus, wenn zusätzliche Interpretation erwünscht ist. Bewahren Sie das ursprüngliche Briefing auf, damit sich während der Erweiterung eingeführte Änderungen vom angeforderten Inhalt unterscheiden lassen.

Beschreiben Sie Ton als Teil der Szene. Benennen Sie physische Geräusche, Atmosphäre und gesprochene Wörter und trennen Sie sie von nur für das Publikum hörbarer Hintergrundmusik. Geben Sie den exakten Satz und vorgesehenen Sprecher an, statt unbestimmten Dialog zu verlangen. Hören und sehen Sie sich das Ergebnis an; ein überzeugendes Bild belegt nicht den korrekten gesprochenen Wortlaut oder das Timing.

Eingabevorbereitung und Grenzen

Das aktuelle Herstellerschema akzeptiert JPG-, JPEG-, PNG-, WebP-, HEIC- oder HEIF-Bilder bis 30 MB pro Datei mit Seiten von 256 bis 5’760 Pixeln und Verhältnissen von 0.4 bis 2.5. Eröffnungs- und Endbildrollen erlauben je ein Bild; der Referenzmodus bis zu neun Bilder. Erhalten Sie eine klare Sicht auf Motiv und Details, die identifizierbar bleiben müssen.

Referenzvideo erlaubt bis zu drei MP4- oder MOV-Clips, jeweils 2–15 Sekunden und zusammen höchstens 15 Sekunden, mit maximal 50 MB pro Datei. Dokumentiert sind H.264- oder H.265-Video, AAC- oder MP3-Ton, Seiten von 256 bis 5’760 Pixeln, Verhältnisse von 0.4 bis 2.5 und Bildraten von 23.976 bis 60. Referenzton erlaubt bis zu drei WAV- oder MP3-Clips, jeweils bis 15 MB und 2–15 Sekunden, zusammen höchstens 15 Sekunden. Der Anfragekörper hat eine separate Grenze von 64 MB.

Verwenden Sie nur Referenzen, die zur Einstellung beitragen, und benennen Sie jeden Beitrag im Text. Ein kurzer relevanter Bewegungsclip eignet sich besser als Vorgabe als eine lange Sammlung unzusammenhängender Ereignisse. Halten Sie gewünschte Dauer und Ausgabeauflösung ausdrücklich fest, damit das Ergebnis mit demselben Briefing verglichen werden kann.

Das fertige Ergebnis

Der asynchrone Herstellerablauf liefert eine Auftragskennung, bevor das fertige Video verfügbar ist. Seine Auftragsabfrage ruft Aufträge der vorausgehenden sieben Tage ab. Speichern Sie den tatsächlich zurückgegebenen Clip und seine Spezifikation für Schnitt oder weitere Prüfung; eine Auftragskennung ist nicht das audiovisuelle Ergebnis. Downloadadressen sind zeitlich begrenzt; bewahren Sie bei einem gewählten Ergebnis deshalb die Datei selbst auf.

Prüfen Sie Motivkontinuität, Bewegung, sichtbaren Text, Dialog und Tontiming in der vorgesehenen Anzeigegrösse. Geben Sie für ein weiteres kreatives Briefing konkrete Rückmeldung: die veränderte Geste, den ausgelassenen Satz oder den anzupassenden Bildausschnitt. Das brauchbare Ergebnis ist eine kurze audiovisuelle Einstellung, die an den gelieferten Inhalt und seine ausdrücklichen Referenzbeziehungen gebunden ist.