MiniMax: H3

Ein audiovisuelles Ergebnis aus einem multimodalen Briefing

MiniMax H3 ist das omnimodale Videosystem von MiniMax. Es interpretiert Text, Bilder, Video und Audio gemeinsam und erzeugt anschließend Video mit nativem Stereoton. Der Hersteller stellt es für kurze kreative Arbeiten wie Produktvisualisierungen, Werbung, animierte Poster und Filmtitelkonzepte vor, bei denen die Beziehungen zwischen Referenzmaterialien ebenso wichtig sind wie die Szenenbeschreibung.

Das dokumentierte System erzeugt 4–15 Sekunden lange Videos mit 24 Bildern pro Sekunde und 32-kHz-Stereo-Audio. Die Generierung mit H3-Base arbeitet bei 768p; der vollständige 2K-Ablauf generiert dieses Ergebnis unter Verwendung des ursprünglichen multimodalen Kontexts neu. Das geht über eine herkömmliche Größenänderung hinaus: Die zweite Stufe nutzt Modell und Quellkontext erneut, um feine Details wiederherzustellen. H3 Max und H3-Context-IR haben eigene Rollen und Grenzen.

Erstellung mit Text und Einzelbildvorgaben

Eine reine Texteingabe beschreibt den vollständigen audiovisuellen Zeitverlauf. Ein erstes Bild verankert den Anfang, ein letztes den Schluss; zwei Bilder können beides festlegen. Beginnen Sie bei einer Einstellung mit Startbild mit der in der Aufnahme sichtbaren Komposition und Identität und beschreiben Sie anschließend die daraus entstehende Handlung. Beschreiben Sie bei einem Übergang vom ersten zum letzten Bild die beobachtbare Bewegung zwischen den beiden Zuständen, statt zwei unverbundene Bildbeschreibungen zu wiederholen.

Ein praktisches Produktbriefing kann eine geschlossene Verpackung im Anfangsbild, die öffnende Hand, die sanfte Kamerabewegung und den zu erreichenden Endzustand festlegen. Bewahren Sie Objektform, Etikettenposition und Beleuchtung in den bereitgestellten Bildern. Bildgeführte und referenzgeführte Erstellung sind getrennte Eingabemodi. Die Herstellerschnittstelle kombiniert Anfangs-/Endbildrollen nicht mit Referenzmedienrollen in derselben Anfrage.

Referenzgeführte Generierung und Bearbeitung

Der Referenzmodus akzeptiert Text mit Bildern, Video- und Audioclips. Benennen Sie den Beitrag jeder Quelle: das Erscheinungsbild einer Figur, einen Ort, Kamerabewegung, die zeitliche Struktur eines Quellclips oder eine Stimme. Ein Video, das nur die Kamerabewegung vorgibt, ist etwas anderes als ein Video, das tatsächlich bearbeitet oder fortgesetzt werden soll. Machen Sie diese Beziehung ausdrücklich klar.

Der Referenzleitfaden des Herstellers trennt Motivdefinitionen, eine Aufgabenzusammenfassung, eine Analyse der zu bewahrenden Elemente, eine detaillierte Einstellungsbeschreibung, die gesamte Klanglandschaft und Hintergrundmusik, die nur das Publikum hört. Er unterscheidet die Bewahrung sichtbarer Inhalte von der Übertragung von Eigenschaften oder einer allgemeinen Stilreferenz. Bei Audio ist das Kopieren eines Signals etwas anderes als die Referenz auf Klangfarbe, Rhythmus oder Sprechweise. Halten Sie diese Rollen im gesamten Briefing konstant.

Stellen Sie für eine referenzgesteuerte Szene ein Figurenbild, eine kurze Referenz für die Kamerabewegung und eine Audioreferenz für die Stimme bereit und beschreiben Sie anschließend, wo sie jeweils die Zieleinstellung beeinflussen sollen. Geben Sie an, welche Kleidungs-, Umgebungs- oder Objektdetails erkennbar bleiben müssen. Vergleichen Sie den fertigen Clip mit diesen Anforderungen, einschließlich Bewegungskontinuität und Beziehung zwischen sichtbarer sprechender Person und hörbarer Stimme.

Sprache, Ton und Einstellungs-Timing

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 eine unterschiedliche Unterstützung beschrieben. Geben Sie genauen gesprochenen Wortlaut und Sprache an und halten Sie die Sprecheridentität über mehrere Einstellungen hinweg konstant.

Die Prompt-Leitfäden des Herstellers verwenden Englisch für beschreibende Abschnitte und bewahren Dialog und sichtbaren Text in ihrer ursprünglichen Sprache. Gesprochener Inhalt nutzt <d>[Language] ...</d>, während Sprecheridentität und Stimmbeschreibung außerhalb des Blocks stehen. Unterscheiden Sie physisch gesprochene Sprache von einem Off-Kommentar und benennen Sie, ob ein Satz über einen Schnitt hinweg weiterläuft oder vom Ende abgeschnitten wird. Bewahren Sie auch sichtbaren Text exakt. Passen Sie den Sprachumfang an die gewählte Dauer an und prüfen Sie gerenderte Wörter und hörbaren Satz gemeinsam.

Beschreiben Sie Kamerabewegung als Handlung, gegebenenfalls einschließlich Umfang und Geschwindigkeit. Nummerieren Sie Einstellungen in Wiedergabereihenfolge und halten Sie Schnittzeitpunkte innerhalb der Videodauer. Trennen Sie Szenengeräusche wie Schritte oder das Schließen einer Tür von Hintergrundmusik, die nur das Publikum hört. Diese Entscheidungen erleichtern es, einen kurzen Einstellungsplan zu interpretieren und anhand seines Ergebnisses zu prüfen.

Vorbereitung der Eingaben und numerische Grenzen

Das aktuelle Generierungsschema verlangt in jedem Modus nicht leeren Text mit bis zu 7.000 Zeichen pro Textelement. Bilder dürfen als JPG, JPEG, PNG, WebP, HEIC oder HEIF vorliegen, mit bis zu 30 MB pro Datei, Seitenlängen von 256 bis 5.760 Pixeln und einem Seitenverhältnis von 0,4 bis 2,5. Die Einzelbildeingabe erlaubt ein Anfangs- und ein Endbild; der 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 lang. Ein Clip darf bis zu 50 MB groß sein. Sein Videocodec ist H.264 oder H.265, mit AAC- oder MP3-Audio, Seitenlängen von 256 bis 5.760 Pixeln, Seitenverhältnissen von 0,4 bis 2,5 und Bildraten von 23,976 bis 60. Referenzaudio unterstützt bis zu drei WAV- oder MP3-Clips, jeweils bis zu 15 MB und 2–15 Sekunden, zusammen höchstens 15 Sekunden. Die Modellkarte begrenzt gemischte Referenzeingaben auf 12 Dateien. Die dokumentierte Grenze für den Anfragekörper beträgt 64 MB und ist von den Einzeldateigrenzen getrennt.

Wählen Sie nur Referenzen, die zum Briefing beitragen, und machen Sie jeden Beitrag ausdrücklich klar. Eine klare Motivansicht ist hilfreicher als mehrere widersprüchliche Ansichten ohne Erläuterung. Bewahren Sie die Referenzreihenfolge, schneiden Sie irrelevantes Material ohne Verlust nötigen Szenenkontexts weg und prüfen Sie, ob kurze Quellclips die gewünschte Handlung oder Stimmeigenschaft enthalten.

Ausgabeformat und vollständiges System

Die H3-Schnittstelle des Herstellers bietet 768P und 2K. Reine Textgenerierung verlangt ein konkretes Seitenverhältnis: 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16. Bei der Erstellung mit Anfangs-/Endbild wird das Seitenverhältnis vom Eingabebild übernommen; die referenzgestützte Erstellung kann ein adaptives oder ausdrückliches Verhältnis verwenden. Die ganzzahlige Ausgabedauer beträgt 4–15 Sekunden.

Die Modellkarte unterscheidet H3-Context-IR zur Interpretation und Anreicherung des Briefings, H3-Base zur Generierung audiovisueller Inhalte und H3-Regenerate-2K zur Erzeugung des höher aufgelösten Ergebnisses. Die veröffentlichten Basis-Checkpoints trennen bildgeführte Aufgaben von Omni-Reference-Aufgaben. Kontext- und Regenerierungskomponenten sind von diesen Basisgewichten getrennt. Der Name eines offenen Checkpoints allein belegt deshalb nicht das Verhalten des vollständigen Systems.

Der Generierungsablauf des Herstellers ist asynchron. Seine Schnittstelle zur Auftragsabfrage ruft Aufträge aus den vorangegangenen sieben Tagen ab. Behalten Sie die Auftragskennung, bis das tatsächliche Videoergebnis zurückgegeben wird, und speichern Sie anschließend den Clip, statt nur eine zeitlich begrenzte Download-Adresse aufzubewahren. Prüfen Sie visuelle Identität, kleine Schrift, Objektinteraktionen, gesprochenen Inhalt und Ton-Timing in der vorgesehenen Betrachtungsgröße. Der Hersteller nennt multimodales Verständnis und feine Bilddetails als Bereiche weiterer Verbesserung; ein detailliertes Briefing und der Vergleich mit den Quellen bleiben zentral für ein brauchbares Ergebnis.