MiniMax: H3

Un risultato audiovisivo da un brief multimodale

MiniMax H3 è il sistema video omnimodale di MiniMax. Interpreta insieme testo, immagini, video e audio, poi genera video con suono stereo nativo. Il produttore lo presenta per brevi lavori creativi come visual di prodotto, pubblicità, poster animati e concept di titoli cinematografici, in cui le relazioni tra le risorse di riferimento contano quanto la descrizione della scena.

Il sistema documentato produce video di 4–15 secondi a 24 fotogrammi al secondo con audio stereo a 32 kHz. La generazione H3-Base opera a 768p; il flusso 2K completo rigenera quel risultato usando il contesto multimodale originale. Va oltre un ridimensionamento convenzionale: la seconda fase usa nuovamente il modello e il contesto sorgente per recuperare dettagli fini. H3 Max e H3-Context-IR hanno ruoli e limiti separati.

Creazione da testo e guidata da fotogrammi

L’input con solo testo descrive l’intera timeline audiovisiva. Una prima immagine ancora l’apertura, un’ultima ancora la conclusione e due immagini possono definirle entrambe. Per un’inquadratura con primo fotogramma, parti dalla composizione e dall’identità visibili nell’immagine fissa, poi descrivi l’azione che si sviluppa da essa. Per una transizione dal primo all’ultimo fotogramma, descrivi il movimento osservabile che collega i due stati invece di ripetere due descrizioni di immagini non collegate.

Un brief pratico di prodotto può specificare una confezione chiusa nel fotogramma iniziale, la mano che la apre, il movimento delicato della camera e lo stato finale da raggiungere. Preserva forma dell’oggetto, posizione dell’etichetta e illuminazione nei fotogrammi forniti. La creazione guidata da fotogrammi e quella guidata da riferimenti sono modalità di ingresso separate; l’interfaccia del produttore non mescola ruoli di primo/ultimo fotogramma e ruoli dei media di riferimento in una richiesta.

Generazione e modifica guidate da riferimenti

La modalità riferimenti accetta testo con immagini, clip video e clip audio. Identifica il contributo di ogni fonte: aspetto di un personaggio, luogo, movimento di camera, struttura temporale di una clip sorgente o voce. Un video usato soltanto per il movimento di camera è diverso da uno che deve essere effettivamente modificato o continuato. Specifica esplicitamente questa relazione.

La guida di riferimenti del produttore separa definizioni dei soggetti, riepilogo dell’attività, analisi di ciò che va mantenuto, descrizione dettagliata delle inquadrature, paesaggio sonoro complessivo e musica di sottofondo udibile soltanto dal pubblico. Distingue la conservazione del contenuto visibile dal trasferimento di attributi o da un riferimento generale di stile. Per l’audio, copiare un segnale è diverso dal riferirsi a timbro, ritmo o interpretazione. Mantieni stabili questi ruoli lungo tutto il brief.

Per una scena guidata da riferimenti, fornisci un’immagine del personaggio, un breve riferimento di movimento di camera e un riferimento vocale audio, poi descrivi dove ciascuno deve influenzare l’inquadratura di destinazione. Specifica quali dettagli di abiti, ambiente o oggetti devono restare riconoscibili. Confronta la clip finita con questi requisiti, comprese continuità del movimento e relazione tra il parlante visibile e la voce udita.

Parlato, suono e tempi delle inquadrature

H3 modella congiuntamente dialoghi, suoni fisici, ambiente sonoro e musica. La scheda del modello documenta un supporto stabile del dialogo per arabo, cinese, inglese, francese, tedesco, italiano, giapponese, coreano, portoghese, russo e spagnolo; il supporto delle altre lingue è descritto come variabile. Fornisci parole pronunciate e lingua esatte, con un’identità stabile del parlante tra le inquadrature.

Le guide del produttore per scrivere prompt usano l’inglese nelle sezioni descrittive, preservando dialoghi e testo visibile nella lingua originale. Il contenuto parlato usa <d>[Language] ...</d>, con identità del parlante e descrizione della voce fuori dal blocco. Distingui il parlato fisico dalla voce fuori campo e identifica quando una battuta prosegue oltre un taglio oppure viene interrotta dalla fine. Preserva esattamente anche il testo visibile. Adatta la quantità di parlato alla durata scelta e controlla insieme il testo visibile risultante e la battuta udibile.

Descrivi il movimento di camera come un’azione, includendo ampiezza e velocità quando sono importanti. Numera le inquadrature nell’ordine di riproduzione e mantieni i tempi dei tagli entro la durata del video. Separa i suoni della scena, come passi o una porta che si chiude, dalla musica di sottofondo udibile soltanto dal pubblico. Queste scelte rendono un breve piano di ripresa più facile da interpretare e da confrontare con il risultato.

Preparazione degli input e limiti numerici

Lo schema attuale di generazione richiede testo non vuoto in ogni modalità, con fino a 7.000 caratteri per elemento di testo. Le immagini possono essere JPG, JPEG, PNG, WebP, HEIC o HEIF, fino a 30 MB ciascuna, con ogni lato da 256 a 5.760 pixel e rapporto d’aspetto da 0.4 a 2.5. L’input di fotogrammi permette un’immagine iniziale e una finale; la modalità riferimenti permette fino a nove immagini di riferimento.

Il video di riferimento può contenere fino a tre clip MP4 o MOV, ciascuna di 2–15 secondi e complessivamente di non più di 15 secondi. Una clip può raggiungere 50 MB; il codec video è H.264 o H.265, con audio AAC o MP3, lati da 256 a 5.760 pixel, rapporti da 0.4 a 2.5 e frame rate da 23.976 a 60. L’audio di riferimento supporta fino a tre clip WAV o MP3, fino a 15 MB ciascuna, ciascuna di 2–15 secondi e complessivamente di non più di 15 secondi. La scheda del modello limita gli input misti di riferimento a 12 file. Il limite documentato del corpo della richiesta è di 64 MB, distinto dai limiti per file.

Scegli soltanto riferimenti che contribuiscono al brief e rendi esplicito ogni contributo. Una vista chiara del soggetto è più utile di più viste contrastanti senza spiegazione. Preserva l’ordine dei riferimenti, ritaglia materiale irrilevante senza rimuovere il contesto necessario della scena e controlla che le brevi clip sorgenti contengano l’azione o la caratteristica vocale richiesta.

Formato di output e sistema completo

L’interfaccia H3 del produttore offre 768P e 2K. La generazione con solo testo richiede un rapporto concreto: 21:9, 16:9, 4:3, 1:1, 3:4 o 9:16. La creazione con primo/ultimo fotogramma ricava il rapporto d’aspetto dall’immagine di ingresso; quella da riferimenti può usare un rapporto adattivo o esplicito. La durata di output è espressa in secondi interi, da 4 a 15 secondi.

La scheda del modello distingue H3-Context-IR, che interpreta e arricchisce il brief, H3-Base, che genera contenuti audiovisivi, e H3-Regenerate-2K, che crea il risultato a risoluzione superiore. I checkpoint di base pubblicati separano le attività guidate da fotogrammi e quelle omni-reference. I componenti di contesto e rigenerazione sono distinti da quei pesi di base, quindi il solo nome di un checkpoint aperto non stabilisce il comportamento dell’intero sistema.

Il flusso di generazione del produttore è asincrono. L’interfaccia di interrogazione recupera le attività dei sette giorni precedenti. Conserva l’identificatore dell’attività fino alla restituzione del risultato video effettivo, poi salva la clip invece di mantenere soltanto un indirizzo di download limitato nel tempo. Controlla identità visiva, testo piccolo, interazioni degli oggetti, contenuto parlato e tempi sonori alle dimensioni di visione previste. Il produttore identifica la comprensione multimodale e i dettagli visivi fini come aree di miglioramento continuo; un brief dettagliato e il confronto con la sorgente restano centrali per un risultato utile.