MiniMax: H3 Max

En rask, ettertrent H3-variant

MiniMax H3 Max er en ettertrent variant av grunnmodellen MiniMax H3, optimalisert for raskere generering, etterlevelse av prompten og audiovisuell kvalitet. Varianten ble utviklet gjennom ettertrening av fal Research. Den beholder en samlet multimodal kontekst og innebygd synkronisering av bilde og lyd. Hastighet er en designprioritet, ikke en fast ferdigstillingstid for enhver prompt, lengde eller bruk.

Hold Max atskilt fra det opprinnelige H3-systemet og den separate Max Turbo-varianten. MiniMax’ nåværende grensesnitt oppgir Max med 480P eller 768P, med 768P som standard, 24 bilder per sekund og en heltallig lengde fra 5 til 15 sekunder. Den dokumenterte Max-arbeidsflyten tilbyr verken det opprinnelige H3-systemets 2K-innstilling eller et resultat på fire sekunder.

Fra prompt til opptak

Hver generering inkluderer en tekstbeskrivelse som ikke er tom, med opptil 7 000 tegn per tekstelement. Beskriv motivet, startkomposisjonen, handlingen og resultatet, og gjør deretter kamera- og lydinstruksjonene tydelige. For en kort avdekking av et objekt angir du hva seeren skal se først, hvordan objektet kommer til syne og hvordan opptaket skal slutte.

En nyttig femsekunders beskrivelse kan vise en keramikkopp på et trebord, en hånd som plasserer et tefat ved siden av, en liten kamerabevegelse fremover og lyden av keramikk som møter tre. Hold handlingen liten nok til å passe den valgte lengden, og undersøk om bevegelsen og lyden i resultatet følger den samme hendelsen.

Skaping styrt av enkeltbilder

Produsenten dokumenterer et åpningsbilde, et sluttbilde eller begge deler. Et første bilde fastsetter hvor klippet begynner; et siste bilde fastsetter den endelige visuelle tilstanden. Forklar bevegelsen som forbinder dem, inkludert endringer i positur, objektplassering, kamera eller lys. For en overgang mellom to bilder bør du unngå en beskrivelse som innfører en uforenlig scene mellom endepunktene.

Resultater styrt av enkeltbilder får sideforholdet fra inngangsbildet. For arbeid med bare tekst velger du et konkret sideforhold blant 21:9, 16:9, 4:3, 1:1, 3:4 eller 9:16. Referansestyrt arbeid kan bruke et tilpasset sideforhold eller ett av de dokumenterte uttrykkelige valgene. Komponer referansen eller den beskrevne scenen for målformatet, i stedet for å anta at samme oppsett fungerer like godt stående og liggende.

Multimodale referanser

MiniMax’ nåværende genereringsskjema for Max dokumenterer også referansebilder, video og lyd. Angi hva hver kilde skal påvirke: karakteridentitet, et miljø, et bevegelsesmønster, en kamerabane, stemmeklang eller en lydegenskap. Roller som første/siste bilde og roller som referansemedium utelukker hverandre i dette grensesnittet.

For et karakteropptak angir du utseendereferansen og bevegelsesreferansen hver for seg, og oppgir deretter målhandlingen og replikken. En stemmereferanse som fastsetter fremføringen, er noe annet enn å kopiere hele lydsignalet. Vær tydelig på hvilke egenskaper som skal bevares og hvilke endringer som skal gjøres, og vurder selve det audiovisuelle klippet opp mot rollen til hver referanse.

Utvidelse av prompten

Den Max-spesifikke innstillingen for utvidelse tilbyr valgene disabled, balanced og quality, med balanced som standard. Velg disabled når beskrivelsen skal sendes videre uten utvidelse; bruk en dokumentert utvidelsesmodus når du ønsker mer fortolkning. Behold originalbeskrivelsen, slik at en endring som innføres under utvidelsen, kan skilles fra innholdet du ba om.

Beskriv lyd som en del av scenen. Angi fysiske lyder, atmosfære og eventuelle replikker, og skill dem fra bakgrunnsmusikk som bare publikum hører. Oppgi den nøyaktige replikken og den tiltenkte taleren, i stedet for å be om uspesifisert dialog. Lytt til resultatet i tillegg til å se det; et overbevisende bilde fastslår ikke at ordlyden eller timingen i talen er riktig.

Klargjøring av inndata og grenser

Produsentens nåværende skjema godtar bilder i JPG, JPEG, PNG, WebP, HEIC eller HEIF, opptil 30 MB per bilde, med sider fra 256 til 5 760 piksler og sideforhold fra 0.4 til 2.5. Åpnings- og sluttrollen tillater ett bilde hver; referansemodus tillater opptil ni bilder. Sørg for tydelig visning av motivet og detaljene som må forbli identifiserbare.

Referansevideo tillater opptil tre MP4- eller MOV-klipp, hvert på 2–15 sekunder og samlet høyst 15 sekunder, med en grense på 50 MB per fil. Det dokumenteres H.264- eller H.265-video, AAC- eller MP3-lyd, sider fra 256 til 5 760 piksler, sideforhold fra 0.4 til 2.5 og bildefrekvens fra 23.976 til 60. Referanselyd tillater opptil tre WAV- eller MP3-klipp, hvert på opptil 15 MB og 2–15 sekunder, samlet høyst 15 sekunder. Forespørselskroppen har en egen grense på 64 MB.

Bruk bare referanser som bidrar til opptaket, og angi hvert bidrag i teksten. Et kort, relevant bevegelsesklipp er lettere å bruke som regi enn en lang samling urelaterte hendelser. Angi ønsket lengde og utdataoppløsning tydelig, slik at resultatet kan sammenlignes med den samme beskrivelsen.

Det ferdige resultatet

Produsentens asynkrone arbeidsflyt returnerer en oppgaveidentitet før den ferdige videoen er tilgjengelig. Grensesnittet for oppgavesøk henter oppgaver fra de siste sju dagene. Lagre selve det returnerte klippet og spesifikasjonen for redigering eller videre gjennomgang; en oppgaveidentifikator er ikke den audiovisuelle filen. Nedlastingsadresser er tidsbegrensede, så behold selve filen når du tar vare på et valgt resultat.

Vurder motivkontinuitet, bevegelse, synlig tekst, dialog og lydtiming i den størrelsen klippet skal brukes. Gi konkret tilbakemelding i en ny kreativ beskrivelse: bevegelsen som endret seg, replikken som manglet eller utsnittet som må justeres. Det nyttige resultatet er et kort audiovisuelt opptak knyttet til det innsendte innholdet og de uttrykkelig angitte forholdene mellom referansene.