MiniMax: H3

Un resultado audiovisual a partir de un encargo multimodal

MiniMax H3 es el sistema de vídeo omnimodal de MiniMax. Interpreta conjuntamente texto, imágenes, vídeo y audio y después genera vídeo con sonido estéreo nativo. El fabricante lo presenta para trabajos creativos breves, como imágenes de producto, publicidad, carteles animados y conceptos de títulos cinematográficos, en los que las relaciones entre recursos de referencia importan tanto como la descripción de escena.

El sistema documentado produce vídeo de 4–15 segundos a 24 fotogramas por segundo con audio estéreo de 32 kHz. Su generación H3-Base funciona a 768p; el flujo completo 2K regenera ese resultado utilizando el contexto multimodal original. Es más que un redimensionamiento convencional: la segunda fase utiliza de nuevo el modelo y el contexto de origen para recuperar detalle fino. H3 Max y H3-Context-IR tienen funciones y límites independientes.

Creación con texto y guiada por fotogramas

La entrada exclusivamente de texto describe toda la línea temporal audiovisual. Una primera imagen fija el inicio, una última imagen fija el final y dos imágenes pueden definir ambos. Para un plano con primer fotograma, comience con la composición y la identidad visibles en la imagen fija y después describa la acción que se desarrolla a partir de ella. Para una transición del primer al último fotograma, describa el movimiento observable que conecta los dos estados, en lugar de repetir dos descripciones de imagen sin relación.

Un encargo práctico de producto puede especificar un envase cerrado en el fotograma inicial, la mano que lo abre, el movimiento suave de cámara y el estado final que se debe alcanzar. Conserve la forma del objeto, la ubicación de la etiqueta y la iluminación en los fotogramas suministrados. La creación guiada por fotogramas y la guiada por referencias son modos de entrada independientes; la interfaz del fabricante no mezcla funciones de primer y último fotograma con funciones de medios de referencia en una solicitud.

Generación y edición guiadas por referencias

El modo de referencias acepta texto con imágenes, clips de vídeo y clips de audio. Identifique la contribución de cada fuente: el aspecto de un personaje, una localización, el movimiento de cámara, la estructura temporal de un clip de origen o una voz. Un vídeo utilizado solo para movimiento de cámara es distinto de uno que debe editarse o continuarse realmente. Indique esa relación explícitamente.

La guía de referencias del fabricante separa las definiciones de sujetos, un resumen de tarea, un análisis de conservación, una descripción detallada del plano, el paisaje sonoro general y la música de fondo que solo oye el público. Distingue la conservación del contenido visible de la transferencia de atributos o de una referencia amplia de estilo. En audio, copiar una señal es distinto de tomar como referencia timbre, ritmo o interpretación. Mantenga estables esas funciones a lo largo del encargo.

Para una escena guiada por referencias, proporcione una imagen de personaje, una referencia breve de movimiento de cámara y una referencia de voz en audio y después describa dónde debe influir cada una en el plano objetivo. Indique qué detalles de ropa, entorno u objetos deben seguir siendo reconocibles. Compare el clip terminado con esos requisitos, incluidas la continuidad de movimiento y la relación entre el hablante visible y la voz que se escucha.

Voz, sonido y sincronización de planos

H3 modela conjuntamente diálogo, sonidos físicos, ambiente y música. La ficha del modelo documenta compatibilidad estable de diálogo en árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español; describe la compatibilidad de otros idiomas como variable. Proporcione las palabras habladas exactas y el idioma, con una identidad de hablante estable entre planos.

Las guías de redacción de instrucciones del fabricante utilizan inglés para las secciones descriptivas y conservan el diálogo y el texto visible en su idioma original. El contenido hablado utiliza <d>[Language] ...</d>, con la identidad del hablante y la descripción de voz fuera del bloque. Distinga el habla en escena de la voz en off e identifique cuándo una frase continúa a través de un corte o queda interrumpida por el final. Conserve también exactamente el texto visible. Ajuste la cantidad de voz a la duración elegida y examine conjuntamente las palabras generadas y la frase audible.

Describa el movimiento de cámara como una acción, incluidos su recorrido y velocidad cuando importen. Numere los planos en orden de reproducción y mantenga los tiempos de corte dentro de la duración del vídeo. Separe los sonidos de escena, como pasos o una puerta que se cierra, de la música de fondo audible solo para el público. Estas decisiones hacen que un plan de planos breve sea más fácil de interpretar y revisar frente a su resultado.

Preparación de entradas y límites numéricos

El esquema actual de generación exige texto no vacío en todos los modos, con hasta 7000 caracteres por elemento de texto. Las imágenes pueden ser JPG, JPEG, PNG, WebP, HEIC o HEIF, de hasta 30 MB cada una, con cada lado de 256 a 5760 píxeles y relación de aspecto de 0.4 a 2.5. La entrada de fotogramas permite una imagen de apertura y una de cierre; el modo de referencias permite hasta nueve imágenes de referencia.

El vídeo de referencia puede contener hasta tres clips MP4 o MOV, de 2–15 segundos cada uno y no más de 15 segundos en conjunto. Un clip puede ocupar hasta 50 MB; su códec de vídeo es H.264 o H.265, con audio AAC o MP3, lados de 256 a 5760 píxeles, relaciones de 0.4 a 2.5 y tasa de fotogramas de 23.976 a 60. El audio de referencia admite hasta tres clips WAV o MP3, de hasta 15 MB cada uno, de 2–15 segundos cada uno y no más de 15 segundos en conjunto. La ficha del modelo limita las entradas mixtas de referencia a 12 archivos. El límite documentado del cuerpo de solicitud es de 64 MB, distinto de los límites por archivo.

Elija solo referencias que contribuyan al encargo y haga explícita cada contribución. Una vista clara del sujeto es más útil que varias vistas contradictorias sin explicación. Conserve el orden de las referencias, recorte material irrelevante sin eliminar contexto necesario de escena y compruebe que los clips breves de origen contengan la acción o característica de voz solicitada.

Forma de salida y sistema completo

La interfaz H3 del fabricante ofrece 768P y 2K. La generación solo con texto exige una relación concreta: 21:9, 16:9, 4:3, 1:1, 3:4 o 9:16. La creación con primer y último fotograma toma la relación de aspecto de la imagen de entrada; la creación con referencias puede utilizar una relación adaptable o explícita. La duración entera de salida es de 4–15 segundos.

La ficha del modelo distingue H3-Context-IR, que interpreta y enriquece el encargo; H3-Base, que genera contenido audiovisual; y H3-Regenerate-2K, que crea el resultado de mayor resolución. Los checkpoints base publicados separan tareas guiadas por fotogramas y tareas omni-reference. Los componentes de contexto y regeneración son distintos de esos pesos base, por lo que el nombre de un checkpoint abierto por sí solo no establece el comportamiento del sistema completo.

El flujo de generación del fabricante es asíncrono. Su interfaz de consulta recupera tareas de los siete días anteriores. Conserve la identidad de tarea hasta que se devuelva el resultado real de vídeo y después guarde el clip, en lugar de conservar solo una dirección de descarga temporal. Revise la identidad visual, el texto pequeño, las interacciones de objetos, el contenido hablado y la sincronización sonora al tamaño previsto de visualización. El fabricante identifica la comprensión multimodal y el detalle visual fino como áreas que siguen mejorándose; un encargo detallado y la comparación con el original continúan siendo centrales para obtener un resultado útil.