MiniMax: H3 Max

Gyors, utótanított H3-változat

A MiniMax H3 Max a MiniMax H3 alapmodell utótanított változata, amelyet gyorsabb generálásra, a prompt követésére és az audiovizuális minőségre optimalizáltak. A változatot a fal Research fejlesztette utótanítással. Megőrzi az egységes multimodális kontextust és a natívan szinkronizált képet és hangot. A sebesség tervezési prioritás, nem minden promptra, időtartamra vagy alkalmazásra érvényes rögzített elkészülési idő.

A Maxot különböztesd meg az eredeti H3 rendszertől és a különálló Max Turbo változattól. A MiniMax jelenlegi felületén a Max 480P vagy 768P felbontással szerepel; alapértelmezése 768P, 24 képkocka másodpercenként, időtartama pedig egész számként 5–15 másodperc. Dokumentált Max munkafolyamata nem kínálja az eredeti H3 rendszer 2K beállítását vagy négymásodperces kimenetét.

Promptból felvétel

Minden generálás tartalmaz nem üres szöveges leírást, szövegelemenként legfeljebb 7 000 karakterrel. Írd le a témát, a kezdeti kompozíciót, a cselekvést és az eredményt, majd tedd egyértelművé a kamera- és hangutasításokat. Rövid tárgybemutatásnál add meg, mit lásson először a néző, hogyan kerüljön a tárgy a képbe, és hogyan záruljon a felvétel.

Egy hasznos ötmásodperces leírás szólhat egy faasztalon álló kerámiacsészéről, mellé csészealjat helyező kézről, enyhe kameraközelítésről és a fához érő kerámia hangjáról. A cselekvés férjen bele a kiválasztott időtartamba; ellenőrizd, hogy a visszaadott mozgás és hang ugyanazt az eseményt követi-e.

Képkockák vezérelte alkotás

A gyártó nyitóképkockát, záróképkockát vagy mindkettőt dokumentál. Az első kép meghatározza a klip kezdetét, az utolsó a végső képi állapotot. Magyarázd el az őket összekötő mozgást, beleértve a póz, a tárgyhelyzet, a kamera vagy a világítás változásait. Két képkocka közötti átmenetnél kerüld az olyan leírást, amely a végpontok közé össze nem illő jelenetet vezet be.

A képkockák vezérelte kimenet oldalarányát a bemeneti képből veszi át. Csak szöveges munkánál válassz konkrét arányt: 21:9, 16:9, 4:3, 1:1, 3:4 vagy 9:16. Referenciák vezérelte munkánál adaptív arány vagy valamelyik dokumentált konkrét lehetőség használható. A referenciát vagy az írott jelenetet a célképkivágásra komponáld; ne feltételezd, hogy ugyanaz az elrendezés álló és fekvő formátumban egyformán jól működik.

Multimodális referenciák

A MiniMax jelenlegi Max generálási sémája referenciaképeket, videót és hangot is dokumentál. Add meg, melyik mit befolyásoljon: a karakter azonosságát, a környezetet, a mozgásmintát, a kamera pályáját, a hangszínt vagy egy hangjellemzőt. Ezen a felületen az első/utolsó képkocka szerepei és a referenciamédia szerepei kölcsönösen kizárják egymást.

Karakterfelvételnél külön nevezd meg a megjelenés- és mozgásreferenciát, majd add meg a célcselekvést és a kimondandó mondatot. Az előadásmódot meghatározó hangreferencia nem ugyanaz, mint a teljes hangjel másolása. A leírás egyértelműen mondja ki, mely jellemzőket kell megtartani és mit kell megváltoztatni; a tényleges audiovizuális klipet minden referenciaszerephez viszonyítva ellenőrizd.

Promptbővítés

A Max saját bővítési beállítása disabled, balanced és quality lehetőséget kínál, alapértelmezésként balanced móddal. Válaszd a disabled értéket, ha a megadott leírás bővítés nélkül haladjon tovább; dokumentált bővítési módot akkor használj, ha további értelmezést szeretnél. Őrizd meg az eredeti leírást, hogy a bővítés során bevezetett változás megkülönböztethető legyen a kért tartalomtól.

A hangot a jelenet részeként írd le. Nevezd meg a fizikai hangokat, a környezeti hangot és minden kimondott szót, és különítsd el őket a csak a közönségnek szóló háttérzenétől. Meghatározatlan párbeszéd helyett add meg a pontos mondatot és a kívánt beszélőt. Az eredményt hallgasd is meg; a meggyőző kép nem bizonyítja a kimondott szöveg vagy az időzítés helyességét.

A bemenet előkészítése és korlátai

A gyártó jelenlegi sémája JPG, JPEG, PNG, WebP, HEIC vagy HEIF képeket fogad, darabonként legfeljebb 30 MB méretben, 256–5 760 pixeles oldalakkal és 0.4–2.5 közötti oldalaránnyal. A nyitó- és zárószerep egy-egy képet enged, referenciamódban legfeljebb kilenc kép használható. A téma és a felismerhetően megőrzendő részletek jól láthatók legyenek.

Videóreferenciaként legfeljebb három MP4 vagy MOV klip engedélyezett, egyenként 2–15 másodperc, összesen legfeljebb 15 másodperc, fájlonként 50 MB-os korláttal. A dokumentáció H.264 vagy H.265 videót, AAC vagy MP3 hangot, 256–5 760 pixeles oldalakat, 0.4–2.5 közötti oldalarányt és 23.976–60 közötti képkockasebességet ír le. Hangreferenciaként legfeljebb három WAV vagy MP3 klip használható, darabonként legfeljebb 15 MB és 2–15 másodperc, összesen legfeljebb 15 másodperc. A kérés törzsére külön 64 MB-os korlát vonatkozik.

Csak a felvételhez hozzájáruló referenciákat használd, és a szövegben nevezd meg minden hozzájárulásukat. Egy rövid, releváns mozgásklip könnyebben használható iránymutatásként, mint össze nem függő események hosszú gyűjteménye. A kívánt időtartamot és kimeneti felbontást add meg egyértelműen, hogy az eredményt ugyanazzal a leírással lehessen összevetni.

A kész eredmény

A gyártó aszinkron munkafolyamata feladatazonosítót ad vissza, mielőtt a kész videó elérhetővé válik. Feladatlekérdező felülete az előző hét nap feladatait tudja lekérni. Szerkesztéshez vagy további ellenőrzéshez mentsd el a ténylegesen visszaadott klipet és annak specifikációját; a feladatazonosító nem maga az audiovizuális alkotás. A letöltési címek időben korlátozottak, ezért egy kiválasztott eredmény megőrzéséhez magát a fájlt tartsd meg.

A téma folytonosságát, a mozgást, a látható szöveget, a párbeszédet és a hang időzítését a klip tervezett felhasználási méretében ellenőrizd. Új alkotói leíráshoz adj konkrét visszajelzést: melyik gesztus változott meg, melyik mondat maradt ki, vagy melyik képkivágást kell módosítani. A hasznos végeredmény rövid audiovizuális felvétel, amely a megadott tartalomhoz és kifejezett referenciakapcsolataihoz kötődik.