MiniMax: H3

Ein audiovisuelles Ergebnis aus einem multimodalen Briefing

MiniMax H3 ist MiniMaxs omnimodales Videosystem. Es interpretiert Text, Bilder, Video und Ton gemeinsam und erzeugt anschliessend Video mit nativem Stereoton. Der Hersteller positioniert es für kurze kreative Arbeiten wie Produktvisualisierungen, Werbung, animierte Plakate und Filmtitelkonzepte, bei denen die Beziehungen zwischen Referenzmaterialien ebenso wichtig sind wie die Szenenbeschreibung.

Das dokumentierte System erzeugt Videos von 4–15 Sekunden mit 24 Bildern pro Sekunde und 32-kHz-Stereoton. Seine H3-Base-Generierung arbeitet mit 768p; der vollständige 2K-Ablauf regeneriert dieses Ergebnis mit dem ursprünglichen multimodalen Kontext. Das ist mehr als eine konventionelle Grössenänderung: Die zweite Stufe verwendet Modell und Quellkontext erneut, um feine Details wiederherzustellen. H3 Max und H3-Context-IR haben separate Aufgaben und Grenzen.

Text- und einzelbildgesteuerte Erstellung

Reine Texteingabe beschreibt die gesamte audiovisuelle Zeitleiste. Ein erstes Bild verankert den Anfang, ein letztes den Schluss, und zwei Bilder können beides definieren. Beginnen Sie bei einer Einstellung mit Erstbild mit der im Standbild sichtbaren Komposition und Identität und beschreiben Sie danach die daraus entstehende Handlung. Beschreiben Sie bei einem Übergang vom ersten zum letzten Bild die beobachtbare Verbindung der beiden Zustände, statt zwei unabhängige Bildbeschreibungen zu wiederholen.

Ein praktisches Produktbriefing kann eine geschlossene Verpackung im Eröffnungsbild, die öffnende Hand, eine sanfte Kamerabewegung und den zu erreichenden Endzustand festlegen. Erhalten Sie Objektform, Etikettplatzierung und Licht in den bereitgestellten Bildern. Einzelbildgesteuerte und referenzgestützte Erstellung sind separate Eingabemodi; die Herstellerschnittstelle mischt Erst-/Letztbildrollen nicht mit Referenzmedienrollen in einer Anfrage.

Referenzgestützte Generierung und Bearbeitung

Der Referenzmodus akzeptiert Text mit Bildern, Video- und Audioclips. Benennen Sie den Beitrag jeder Quelle: die Erscheinung einer Figur, einen Ort, Kamerabewegung, zeitliche Struktur eines Quellclips oder eine Stimme. Ein Video nur für Kamerabewegung unterscheidet sich von einem Video, das tatsächlich bearbeitet oder fortgesetzt werden soll. Nennen Sie diese Beziehung ausdrücklich.

Der Referenzleitfaden des Herstellers trennt Motivdefinitionen, Aufgabenübersicht, Erhaltungsanalyse, detaillierte Einstellungsbeschreibung, gesamte Klanglandschaft und nur für das Publikum hörbare Hintergrundmusik. Er unterscheidet das Erhalten sichtbarer Inhalte von Attributübertragung oder einer allgemeinen Stilreferenz. Beim Ton ist die Kopie eines Signals etwas anderes als eine Referenz für Klangfarbe, Rhythmus oder Darbietung. Halten Sie diese Rollen im gesamten Briefing stabil.

Liefern Sie für eine referenzgesteuerte Szene ein Figurenbild, eine kurze Kamerabewegungsreferenz und eine akustische Stimmreferenz und beschreiben Sie dann, wo jede die Zieleinstellung beeinflussen soll. Benennen Sie Kleidungs-, Umgebungs- oder Objektdetails, die erkennbar bleiben müssen. Vergleichen Sie den fertigen Clip mit diesen Anforderungen, einschliesslich Bewegungskontinuität und Beziehung zwischen sichtbarem Sprecher und hörbarer Stimme.

Sprache, Ton und Einstellungstiming

H3 modelliert Dialog, physische Geräusche, Atmosphäre und Musik gemeinsam. Die Modellkarte dokumentiert stabile Dialogunterstützung für Arabisch, Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch; für andere Sprachen wird unterschiedliche Unterstützung beschrieben. Geben Sie exakten Wortlaut und Sprache an und erhalten Sie über die Einstellungen hinweg eine stabile Sprecheridentität.

Die Prompt-Leitfäden des Herstellers verwenden Englisch für beschreibende Abschnitte und erhalten Dialog sowie sichtbaren Text in der Originalsprache. Gesprochener Inhalt nutzt <d>[Language] ...</d>, wobei Sprecheridentität und Stimmbeschreibung ausserhalb des Blocks stehen. Unterscheiden Sie in der Szene gesprochene Sprache von einem Off-Kommentar und benennen Sie, wenn ein Satz über einen Schnitt hinweg fortgeführt oder am Ende abgebrochen wird. Erhalten Sie ebenso sichtbaren Text exakt. Passen Sie die Sprachmenge an die gewählte Dauer an und prüfen Sie gerenderte Wörter und hörbaren Satz gemeinsam.

Beschreiben Sie Kamerabewegung als Handlung, bei Bedarf mit Umfang und Geschwindigkeit. Nummerieren Sie Einstellungen in Wiedergabereihenfolge und halten Sie Schnittzeitpunkte innerhalb der Videodauer. Trennen Sie Szenengeräusche wie Schritte oder eine schliessende Tür von nur für das Publikum hörbarer Hintergrundmusik. So lässt sich ein kurzer Einstellungsplan leichter interpretieren und anhand seines Ergebnisses prüfen.

Eingabevorbereitung und Zahlengrenzen

Das aktuelle Generierungsschema verlangt in jedem Modus nicht leeren Text mit bis zu 7’000 Zeichen pro Textelement. Bilder dürfen JPG, JPEG, PNG, WebP, HEIC oder HEIF verwenden, bis 30 MB pro Datei gross sein und Seiten von 256 bis 5’760 Pixeln sowie ein Seitenverhältnis von 0.4 bis 2.5 haben. Einzelbildeingabe erlaubt ein Eröffnungs- und ein Endbild; Referenzmodus erlaubt bis zu neun Referenzbilder.

Referenzvideo kann bis zu drei MP4- oder MOV-Clips enthalten, jeweils 2–15 Sekunden und zusammen höchstens 15 Sekunden. Ein Clip darf bis 50 MB gross sein; Videocodec ist H.264 oder H.265, mit AAC- oder MP3-Ton, Seiten von 256 bis 5’760 Pixeln, Verhältnissen von 0.4 bis 2.5 und Bildraten von 23.976 bis 60. Referenzton unterstützt bis zu drei WAV- oder MP3-Clips bis 15 MB pro Datei, jeweils 2–15 Sekunden und zusammen höchstens 15 Sekunden. Die Modellkarte begrenzt gemischte Referenzeingaben auf 12 Dateien. Die dokumentierte Grenze des Anfragekörpers beträgt 64 MB und ist von den Dateigrenzen zu unterscheiden.

Wählen Sie nur Referenzen, die zum Briefing beitragen, und machen Sie jeden Beitrag ausdrücklich. Eine klare Motivansicht ist nützlicher als mehrere widersprüchliche Ansichten ohne Erklärung. Erhalten Sie die Referenzreihenfolge, beschneiden Sie irrelevantes Material ohne notwendigen Szenenkontext zu entfernen und prüfen Sie, ob kurze Quellclips die verlangte Handlung oder Stimmeigenschaft enthalten.

Ausgabeformat und vollständiges System

Die H3-Schnittstelle des Herstellers bietet 768P und 2K. Reine Textgenerierung verlangt ein konkretes Verhältnis: 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16. Erstellung mit erstem/letztem Einzelbild übernimmt ihr Seitenverhältnis vom Eingabebild; Referenzerstellung kann ein adaptives oder ausdrückliches Verhältnis nutzen. Die ganzzahlige Ausgabedauer beträgt 4–15 Sekunden.

Die Modellkarte unterscheidet H3-Context-IR zur Interpretation und Anreicherung des Briefings, H3-Base zur Generierung audiovisuellen Inhalts und H3-Regenerate-2K zur Erstellung des höher aufgelösten Ergebnisses. Die veröffentlichten Basis-Checkpoints trennen einzelbildgesteuerte Aufgaben von Omni-Reference-Aufgaben. Kontext- und Regenerierungskomponenten unterscheiden sich von diesen Basisgewichten; der Name eines offenen Checkpoints allein belegt daher nicht das Verhalten des gesamten Systems.

Der Generierungsablauf des Herstellers ist asynchron. Seine Auftragsabfrage ruft Aufträge der vorausgehenden sieben Tage ab. Bewahren Sie die Auftragskennung auf, bis das tatsächliche Videoergebnis zurückgegeben wird, und speichern Sie dann den Clip statt nur einer zeitlich begrenzten Downloadadresse. Prüfen Sie visuelle Identität, Kleinschrift, Objektinteraktionen, gesprochenen Inhalt und Tontiming in der vorgesehenen Anzeigegrösse. Der Hersteller nennt multimodales Verständnis und feine Bilddetails als weiterhin verbesserungsfähige Bereiche; ein detailliertes Briefing und der Quellvergleich bleiben für ein brauchbares Ergebnis zentral.