MiniMax: H3 Max

Varian H3 pascalatihan yang pantas

MiniMax H3 Max ialah varian pascalatihan model asas MiniMax H3, yang dioptimumkan untuk penjanaan lebih pantas, pematuhan prompt dan kualiti audiovisual. Varian ini dibangunkan melalui pascalatihan oleh fal Research. Ia mengekalkan konteks multimodal bersepadu serta gambar dan bunyi yang diselaraskan secara natif. Kelajuan ialah keutamaan reka bentuk, bukannya masa siap tetap untuk setiap prompt, tempoh atau aplikasi.

Bezakan Max daripada sistem H3 asal dan varian Max Turbo yang berasingan. Antara muka semasa MiniMax menyenaraikan Max pada 480P atau 768P, dengan 768P sebagai lalai, 24 bingkai sesaat dan tempoh integer daripada 5 hingga 15 saat. Aliran kerja Max yang didokumentasikan tidak menawarkan tetapan 2K sistem H3 asal atau output empat saat.

Daripada prompt kepada syot

Setiap penjanaan merangkumi taklimat teks yang tidak kosong, sehingga 7,000 aksara bagi setiap item teks. Terangkan subjek, komposisi awal, tindakan dan hasil, kemudian jelaskan arahan kamera serta bunyi. Untuk pendedahan objek ringkas, kenal pasti apa yang patut dilihat penonton dahulu, cara objek bergerak masuk ke pandangan dan cara syot patut berakhir.

Taklimat lima saat yang berguna boleh menerangkan cawan seramik di atas meja kayu, tangan meletakkan piring di sebelahnya, tolakan kamera kecil dan bunyi seramik menyentuh kayu. Pastikan tindakan cukup kecil untuk muat dalam tempoh terpilih dan periksa sama ada gerakan serta bunyi yang dipulangkan mengikuti peristiwa yang sama.

Penciptaan berpandukan bingkai

Pengeluar mendokumentasikan bingkai pembukaan, bingkai penutup atau kedua-duanya. Imej pertama menetapkan tempat klip bermula; imej terakhir menetapkan keadaan visual akhir. Jelaskan gerakan yang menghubungkannya, termasuk perubahan pose, kedudukan objek, kamera atau pencahayaan. Untuk peralihan dua bingkai, elakkan taklimat yang memperkenalkan adegan tidak serasi di antara titik hujungnya.

Output berpandukan bingkai memperoleh nisbah aspeknya daripada imej input. Untuk kerja teks sahaja, pilih nisbah tertentu daripada 21:9, 16:9, 4:3, 1:1, 3:4 atau 9:16. Kerja berpandukan rujukan boleh menggunakan nisbah adaptif atau salah satu pilihan jelas yang didokumentasikan. Komposisikan rujukan atau adegan bertulis untuk bingkai sasaran, bukannya menganggap susunan yang sama sama berkesan dalam potret dan landskap.

Rujukan multimodal

Skema penjanaan Max semasa MiniMax turut mendokumentasikan imej, video dan audio rujukan. Nyatakan pengaruh yang patut diberikan oleh setiap satu: identiti watak, persekitaran, corak gerakan, trajektori kamera, timbre suara atau ciri bunyi. Peranan bingkai pertama/terakhir dan peranan media rujukan saling mengecualikan dalam antara muka itu.

Untuk syot watak, kenal pasti rujukan rupa dan rujukan gerakan secara berasingan, kemudian sediakan tindakan sasaran dan baris pertuturan. Rujukan suara yang menetapkan penyampaian berbeza daripada menyalin keseluruhan isyarat audionya. Jelaskan dalam taklimat ciri yang perlu dikekalkan dan perubahan yang perlu dibuat, serta semak klip audiovisual sebenar terhadap setiap peranan rujukan.

Pengembangan prompt

Tetapan pengembangan khusus Max menawarkan pilihan disabled, balanced dan quality, dengan balanced sebagai lalai. Pilih disabled apabila taklimat yang dibekalkan patut disalurkan tanpa pengembangan; gunakan mod pengembangan yang didokumentasikan apabila tafsiran tambahan dikehendaki. Simpan taklimat asal supaya perubahan yang diperkenalkan semasa pengembangan dapat dibezakan daripada kandungan yang diminta.

Terangkan bunyi sebagai sebahagian daripada adegan. Kenal pasti bunyi fizikal, suasana dan sebarang perkataan pertuturan, serta asingkannya daripada muzik latar yang hanya didengar khalayak. Sediakan baris tepat dan penutur yang dimaksudkan, bukannya meminta dialog yang tidak ditentukan. Dengar hasil serta tontonnya; imej yang meyakinkan tidak membuktikan bahawa susunan kata atau pemasaan pertuturan adalah betul.

Persediaan input dan had

Skema pengeluar semasa menerima imej JPG, JPEG, PNG, WebP, HEIC atau HEIF, sehingga 30 MB setiap satu, dengan sisi daripada 256 hingga 5,760 piksel dan nisbah daripada 0.4 hingga 2.5. Peranan pembukaan dan penutup masing-masing membenarkan satu imej; mod rujukan membenarkan sehingga sembilan imej. Kekalkan pandangan jelas subjek dan butiran yang mesti kekal dapat dikenal pasti.

Video rujukan membenarkan sehingga tiga klip MP4 atau MOV, setiap satu 2–15 saat dan bersama-sama maksimum 15 saat, dengan had 50 MB setiap fail. Ia mendokumentasikan video H.264 atau H.265, audio AAC atau MP3, sisi daripada 256 hingga 5,760 piksel, nisbah daripada 0.4 hingga 2.5 dan kadar bingkai daripada 23.976 hingga 60. Audio rujukan membenarkan sehingga tiga klip WAV atau MP3, setiap satu sehingga 15 MB dan 2–15 saat, bersama-sama maksimum 15 saat. Badan permintaan mempunyai had 64 MB yang berasingan.

Gunakan hanya rujukan yang menyumbang kepada syot dan kenal pasti setiap sumbangan dalam teks. Klip gerakan pendek yang berkaitan lebih mudah digunakan sebagai arahan daripada himpunan panjang peristiwa yang tidak berkaitan. Nyatakan tempoh dan resolusi output yang dimaksudkan dengan jelas supaya hasil boleh dibandingkan dengan taklimat yang sama.

Hasil siap

Aliran kerja tak segerak pembuat memulangkan identiti tugas sebelum video lengkap tersedia. Antara muka pertanyaan tugasnya mendapatkan tugas daripada tujuh hari sebelumnya. Simpan klip sebenar yang dipulangkan dan spesifikasinya untuk penyuntingan atau semakan lanjut; pengecam tugas bukan artifak audiovisual. Alamat muat turun terhad masa, jadi simpan fail itu sendiri apabila mengekalkan hasil terpilih.

Semak kesinambungan subjek, gerakan, teks yang kelihatan, dialog dan pemasaan bunyi pada saiz penggunaan klip. Gunakan maklum balas konkrit untuk taklimat kreatif lain: gerak isyarat yang berubah, baris yang tertinggal atau pembingkaian yang perlu dilaraskan. Hasil berguna ialah syot audiovisual pendek yang terikat kepada kandungan yang dibekalkan dan hubungan rujukannya yang jelas.