MiniMax: H3

Satu hasil audiovisual dari arahan multimodal

MiniMax H3 adalah sistem video omni-modal MiniMax. Sistem ini menafsirkan teks, gambar, video, dan audio bersama, lalu menghasilkan video dengan bunyi stereo bawaan. Pembuatnya menyajikannya untuk karya kreatif singkat seperti visual produk, periklanan, poster animasi, dan konsep judul film, ketika hubungan antar aset referensi sama pentingnya dengan deskripsi adegan.

Sistem yang didokumentasikan menghasilkan video 4–15 detik pada 24 bingkai per detik dengan audio stereo 32 kHz. Generasi H3-Base beroperasi pada 768p; alur kerja 2K penuh meregenerasi hasil itu menggunakan konteks multimodal asli. Ini lebih dari pengubahan ukuran konvensional: tahap kedua menggunakan model dan konteks sumber lagi untuk memulihkan detail halus. H3 Max dan H3-Context-IR memiliki peran serta batas terpisah.

Kreasi teks dan berpanduan bingkai

Masukan hanya teks menjelaskan seluruh linimasa audiovisual. Gambar pertama menambatkan pembukaan, gambar terakhir menambatkan penutup, dan dua gambar dapat menentukan keduanya. Untuk shot bingkai pertama, mulailah dengan komposisi serta identitas yang terlihat dalam gambar diam, lalu jelaskan tindakan yang berkembang darinya. Untuk transisi bingkai pertama ke terakhir, jelaskan gerakan yang dapat diamati yang menghubungkan kedua keadaan, alih-alih mengulangi dua deskripsi gambar yang tidak berkaitan.

Arahan produk praktis dapat menentukan kemasan tertutup dalam bingkai pembuka, tangan yang membukanya, gerak kamera lembut, dan keadaan akhir yang harus dicapai. Pertahankan bentuk objek, penempatan label, serta pencahayaan dalam bingkai yang diberikan. Kreasi berpanduan bingkai dan kreasi berpanduan referensi merupakan mode masukan terpisah; antarmuka pembuatnya tidak mencampurkan peran bingkai pertama/terakhir dengan peran media referensi dalam satu permintaan.

Generasi dan penyuntingan berpanduan referensi

Mode referensi menerima teks dengan gambar, klip video, dan klip audio. Identifikasi kontribusi setiap sumber: penampilan karakter, lokasi, gerak kamera, struktur waktu klip sumber, atau suara. Video yang hanya digunakan untuk gerak kamera berbeda dari video yang benar-benar perlu disunting atau dilanjutkan. Nyatakan hubungan itu secara eksplisit.

Panduan referensi pembuatnya memisahkan definisi subjek, ringkasan tugas, analisis pemertahanan, deskripsi shot terperinci, lanskap bunyi keseluruhan, dan musik latar yang hanya didengar audiens. Panduan membedakan pemertahanan konten visual dari transfer atribut atau referensi gaya yang luas. Untuk audio, menyalin sinyal berbeda dari merujuk timbre, irama, atau penyampaian. Pertahankan kestabilan peran tersebut di seluruh arahan.

Untuk adegan berbasis referensi, berikan gambar karakter, referensi gerak kamera singkat, dan referensi suara audio, lalu jelaskan bagian shot sasaran yang dipengaruhi masing-masing. Nyatakan detail pakaian, lingkungan, atau objek yang harus tetap dapat dikenali. Bandingkan klip akhir dengan persyaratan tersebut, termasuk kesinambungan gerak dan hubungan antara penutur yang terlihat dengan suara yang terdengar.

Ucapan, bunyi, dan pengaturan waktu shot

H3 memodelkan dialog, bunyi fisik, suasana, dan musik bersama. Kartu model mendokumentasikan dukungan dialog stabil untuk bahasa Arab, Tionghoa, Inggris, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Rusia, dan Spanyol; bahasa lain digambarkan memiliki dukungan yang bervariasi. Berikan kata-kata lisan serta bahasa yang persis, dengan identitas penutur yang stabil antarshot.

Panduan penulisan prompt pembuatnya menggunakan bahasa Inggris untuk bagian deskriptif sambil mempertahankan dialog serta teks visual dalam bahasa aslinya. Konten lisan menggunakan <d>[Language] ...</d>, dengan identitas penutur dan deskripsi suara di luar blok. Bedakan ucapan fisik dari sulih suara di luar layar, dan identifikasi kapan kalimat berlanjut melewati potongan shot atau terputus oleh akhir. Pertahankan teks visual secara persis juga. Sesuaikan jumlah ucapan dengan durasi pilihan dan periksa kata-kata yang dirender serta kalimat yang terdengar bersama.

Jelaskan gerak kamera sebagai tindakan, termasuk rentang dan kecepatannya ketika penting. Beri nomor shot menurut urutan pemutaran dan jaga waktu potongan berada dalam durasi video. Pisahkan bunyi adegan seperti langkah kaki atau pintu menutup dari musik latar yang hanya terdengar bagi audiens. Pilihan ini membuat rencana shot singkat lebih mudah ditafsirkan serta ditinjau terhadap hasilnya.

Persiapan masukan dan batas numerik

Skema generasi saat ini mewajibkan teks yang tidak kosong dalam setiap mode, hingga 7.000 karakter per item teks. Gambar dapat berupa JPG, JPEG, PNG, WebP, HEIC, atau HEIF, masing-masing hingga 30 MB, dengan setiap sisi dari 256 hingga 5.760 piksel dan rasio aspek dari 0,4 hingga 2,5. Masukan bingkai mengizinkan satu gambar pembuka dan satu penutup; mode referensi mengizinkan hingga sembilan gambar referensi.

Video referensi dapat memuat hingga tiga klip MP4 atau MOV, masing-masing 2–15 detik dan bersama tidak lebih dari 15 detik. Klip boleh hingga 50 MB; codec videonya H.264 atau H.265, dengan 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 mendukung hingga tiga klip WAV atau MP3, masing-masing hingga 15 MB, masing-masing 2–15 detik dan bersama tidak lebih dari 15 detik. Kartu model membatasi masukan referensi campuran hingga 12 berkas. Batas badan permintaan yang didokumentasikan adalah 64 MB, terpisah dari batas per berkas.

Pilih hanya referensi yang berkontribusi pada arahan dan perjelas setiap kontribusi. Tampilan subjek yang jelas lebih berguna daripada beberapa tampilan yang bertentangan tanpa penjelasan. Pertahankan urutan referensi, pangkas materi tidak relevan tanpa menghilangkan konteks adegan yang diperlukan, dan periksa bahwa klip sumber singkat memuat tindakan atau karakteristik suara yang diminta.

Bentuk keluaran dan sistem lengkap

Antarmuka H3 produsen menawarkan 768P dan 2K. Generasi hanya teks memerlukan rasio konkret: 21:9, 16:9, 4:3, 1:1, 3:4, atau 9:16. Kreasi bingkai pertama/terakhir mengambil rasio aspek dari gambar masukan; kreasi referensi dapat menggunakan rasio adaptif atau eksplisit. Durasi keluaran dalam bilangan bulat adalah 4–15 detik.

Kartu model membedakan H3-Context-IR, yang menafsirkan dan memperkaya arahan, H3-Base, yang menghasilkan konten audiovisual, serta H3-Regenerate-2K, yang menciptakan hasil beresolusi lebih tinggi. Checkpoint dasar yang dirilis memisahkan tugas berpanduan bingkai dan omni-reference. Komponen konteks serta regenerasi berbeda dari bobot dasar itu, sehingga nama checkpoint terbuka saja tidak membuktikan perilaku seluruh sistem.

Alur kerja generasi pembuatnya bersifat asinkron. Antarmuka kueri tugasnya mengambil tugas dari tujuh hari sebelumnya. Simpan identitas tugas hingga hasil video sebenarnya dikembalikan, lalu simpan klip, alih-alih hanya mempertahankan alamat unduhan berbatas waktu. Tinjau identitas visual, teks kecil, interaksi objek, konten lisan, dan waktu bunyi pada ukuran tontonan yang dimaksud. Produsen mengidentifikasi pemahaman multimodal serta detail visual halus sebagai area yang terus ditingkatkan; arahan terperinci dan perbandingan sumber tetap menjadi inti hasil yang berguna.