MiniMax: H3 Max

Varian H3 cepat hasil pelatihan lanjutan

MiniMax H3 Max adalah varian model dasar MiniMax H3 hasil pelatihan lanjutan, yang dioptimalkan untuk generasi lebih cepat, kepatuhan pada prompt, dan kualitas audiovisual. Varian ini dikembangkan melalui pelatihan lanjutan oleh fal Research. Model mempertahankan konteks multimodal terpadu serta gambar dan bunyi yang tersinkron secara bawaan. Kecepatan merupakan prioritas desain, bukan waktu penyelesaian tetap untuk setiap prompt, durasi, atau aplikasi.

Bedakan Max dari sistem H3 asli dan varian Max Turbo yang terpisah. Antarmuka MiniMax saat ini mencantumkan Max pada 480P atau 768P, dengan 768P sebagai bawaan, 24 bingkai per detik, dan durasi bilangan bulat dari 5 hingga 15 detik. Alur kerja Max yang didokumentasikan tidak menawarkan pengaturan 2K sistem H3 asli atau keluaran empat detik.

Dari prompt menjadi shot

Setiap generasi mencakup arahan teks yang tidak kosong, hingga 7.000 karakter per item teks. Jelaskan subjek, komposisi awal, tindakan, dan hasil, lalu perjelas arahan kamera serta bunyi. Untuk pengungkapan objek singkat, identifikasi apa yang pertama kali harus dilihat penonton, bagaimana objek bergerak ke dalam tampilan, dan bagaimana shot perlu berakhir.

Arahan lima detik yang berguna dapat menjelaskan cangkir keramik di meja kayu, tangan yang meletakkan tatakan di sampingnya, dorongan kamera kecil, serta bunyi keramik menyentuh kayu. Batasi tindakan agar sesuai durasi pilihan dan periksa apakah gerak serta bunyi yang dikembalikan mengikuti peristiwa yang sama.

Kreasi berpanduan bingkai

Produsen mendokumentasikan bingkai pembuka, bingkai penutup, atau keduanya. Gambar pertama menentukan tempat klip dimulai; gambar terakhir menentukan keadaan visual akhir. Jelaskan gerak yang menghubungkannya, termasuk perubahan pose, posisi objek, kamera, atau pencahayaan. Untuk transisi dua bingkai, hindari arahan yang memperkenalkan adegan tidak kompatibel di antara kedua titik akhirnya.

Keluaran berpanduan bingkai mengambil rasio aspek dari gambar masukan. Untuk pekerjaan hanya teks, pilih rasio konkret dari 21:9, 16:9, 4:3, 1:1, 3:4, atau 9:16. Pekerjaan berpanduan referensi dapat menggunakan rasio adaptif atau salah satu pilihan eksplisit yang didokumentasikan. Komposisikan referensi atau adegan tertulis untuk bingkai sasaran, alih-alih berasumsi susunan yang sama bekerja sama baiknya pada potret dan lanskap.

Referensi multimodal

Skema generasi Max MiniMax saat ini juga mendokumentasikan gambar, video, dan audio referensi. Nyatakan apa yang harus dipengaruhi masing-masing: identitas karakter, lingkungan, pola gerak, jalur kamera, timbre suara, atau karakteristik bunyi. Peran bingkai pertama/terakhir dan peran media referensi saling eksklusif dalam antarmuka tersebut.

Untuk shot karakter, identifikasi referensi penampilan serta referensi gerak secara terpisah, lalu berikan tindakan sasaran dan kalimat lisan. Referensi suara yang menentukan penyampaian berbeda dari menyalin seluruh sinyal audionya. Perjelas dalam arahan ciri yang dipertahankan serta perubahan yang dibuat, lalu tinjau klip audiovisual sebenarnya terhadap setiap peran referensi.

Perluasan prompt

Pengaturan perluasan khusus Max menawarkan pilihan disabled, balanced, dan quality, dengan balanced sebagai bawaan. Pilih disabled ketika arahan yang diberikan perlu diteruskan tanpa perluasan; gunakan mode perluasan yang didokumentasikan ketika interpretasi tambahan diinginkan. Simpan arahan asli agar perubahan yang diperkenalkan selama perluasan dapat dibedakan dari konten yang diminta.

Jelaskan bunyi sebagai bagian adegan. Identifikasi bunyi fisik, suasana, dan kata-kata lisan, serta pisahkan dari musik latar yang hanya didengar audiens. Berikan kalimat persis dan penutur yang dimaksud, alih-alih meminta dialog yang tidak ditentukan. Dengarkan hasil sekaligus tonton; gambar yang meyakinkan tidak membuktikan susunan kata atau waktu ucapan benar.

Persiapan masukan dan batas

Skema produsen saat ini menerima gambar JPG, JPEG, PNG, WebP, HEIC, atau HEIF, masing-masing hingga 30 MB, dengan sisi dari 256 hingga 5.760 piksel dan rasio dari 0,4 hingga 2,5. Peran pembuka dan penutup masing-masing mengizinkan satu gambar; mode referensi mengizinkan hingga sembilan gambar. Pertahankan tampilan subjek yang jelas dan detail yang harus tetap dapat dikenali.

Video referensi mengizinkan hingga tiga klip MP4 atau MOV, masing-masing 2–15 detik dan bersama paling lama 15 detik, dengan batas 50 MB per berkas. Dokumentasinya menyebut video H.264 atau H.265, audio AAC atau MP3, sisi dari 256 hingga 5.760 piksel, rasio dari 0,4 hingga 2,5, dan laju bingkai dari 23,976 hingga 60. Audio referensi mengizinkan hingga tiga klip WAV atau MP3, masing-masing hingga 15 MB dan 2–15 detik, bersama paling lama 15 detik. Badan permintaan memiliki batas 64 MB terpisah.

Gunakan hanya referensi yang berkontribusi pada shot dan identifikasi setiap kontribusinya dalam teks. Klip gerak singkat yang relevan lebih mudah digunakan sebagai arahan daripada kumpulan panjang peristiwa yang tidak berkaitan. Nyatakan durasi yang dimaksud serta resolusi keluaran secara eksplisit agar hasil dapat dibandingkan dengan arahan yang sama.

Hasil akhir

Alur kerja asinkron pembuatnya mengembalikan identitas tugas sebelum video lengkap tersedia. Antarmuka kueri tugasnya mengambil tugas dari tujuh hari sebelumnya. Simpan klip sebenarnya yang dikembalikan beserta spesifikasinya untuk penyuntingan atau peninjauan lebih lanjut; pengenal tugas bukan artefak audiovisual. Alamat unduhan memiliki batas waktu, jadi simpan berkas itu sendiri ketika mempertahankan hasil pilihan.

Tinjau kesinambungan subjek, gerakan, teks visual, dialog, dan waktu bunyi pada ukuran penggunaan klip. Gunakan umpan balik konkret untuk arahan kreatif berikutnya: gestur yang berubah, kalimat yang hilang, atau pembingkaian yang perlu disesuaikan. Hasil yang berguna adalah shot audiovisual pendek yang terkait dengan konten yang diberikan serta hubungan referensinya yang eksplisit.