MiniMax: H3 Max

Szybki wariant H3 po dodatkowym treningu

MiniMax H3 Max to wariant bazowego modelu MiniMax H3 po dodatkowym treningu, zoptymalizowany pod kątem szybszego generowania, zgodności z promptem i jakości audiowizualnej. Wariant opracowano przez dodatkowy trening w fal Research. Zachowuje wspólny kontekst multimodalny oraz natywnie zsynchronizowany obraz i dźwięk. Szybkość jest priorytetem projektowym, a nie stałym czasem wykonania dla każdego promptu, czasu trwania czy zastosowania.

Odróżniaj Max od pierwotnego systemu H3 i osobnego wariantu Max Turbo. Obecny interfejs MiniMax podaje dla Max rozdzielczość 480P lub 768P, domyślnie 768P, 24 klatki na sekundę oraz całkowitą liczbę sekund od 5 do 15. Udokumentowany proces Max nie oferuje ustawienia 2K pierwotnego systemu H3 ani czterosekundowego wyniku.

Od promptu do ujęcia

Każde generowanie zawiera niepusty opis tekstowy, do 7000 znaków na element tekstowy. Opisz temat, kompozycję początkową, akcję i rezultat, a następnie jasno określ pracę kamery i dźwięk. Przy krótkim odsłonięciu przedmiotu wskaż, co widz ma zobaczyć najpierw, jak przedmiot pojawia się w kadrze i jak ujęcie powinno się zakończyć.

Przydatny pięciosekundowy opis może przedstawiać ceramiczną filiżankę na drewnianym stole, dłoń stawiającą obok spodek, niewielki najazd kamery i odgłos zetknięcia ceramiki z drewnem. Ogranicz akcję tak, aby mieściła się w wybranym czasie, i sprawdź, czy zwrócony ruch i dźwięk dotyczą tego samego zdarzenia.

Tworzenie na podstawie klatek

Producent dokumentuje klatkę początkową, końcową lub obie. Pierwszy obraz określa początek klipu, a ostatni — końcowy stan wizualny. Wyjaśnij łączący je ruch, w tym zmiany pozy, położenia przedmiotów, kamery lub oświetlenia. Przy przejściu między dwiema klatkami unikaj opisu wprowadzającego między nimi niepasującą scenę.

Wynik oparty na klatkach przyjmuje proporcje obrazu wejściowego. Do pracy wyłącznie z tekstem wybierz konkretne proporcje: 21:9, 16:9, 4:3, 1:1, 3:4 lub 9:16. Praca z referencjami może korzystać z proporcji adaptacyjnych lub jednej z udokumentowanych wartości. Skomponuj referencję lub opisaną scenę dla docelowego kadru, zamiast zakładać, że ten sam układ równie dobrze sprawdzi się w pionie i poziomie.

Referencje multimodalne

Obecny schemat generowania Max w MiniMax dokumentuje także referencyjne obrazy, filmy i dźwięk. Określ, na co każdy z nich ma wpływać: tożsamość postaci, otoczenie, wzorzec ruchu, tor kamery, barwę głosu lub cechę dźwięku. W tym interfejsie role pierwszej i ostatniej klatki wykluczają się z rolami mediów referencyjnych.

W ujęciu postaci osobno wskaż referencję wyglądu i referencję ruchu, a następnie podaj docelową akcję oraz wypowiadaną kwestię. Referencja głosu określająca sposób wypowiedzi różni się od kopiowania całego jej sygnału audio. Jasno opisz cechy do zachowania i zmiany do wprowadzenia oraz porównaj rzeczywisty klip audiowizualny z każdą rolą referencji.

Rozwijanie promptu

Ustawienie rozwijania właściwe dla Max oferuje opcje disabled, balanced i quality, z domyślną wartością balanced. Wybierz disabled, gdy dostarczony opis ma zostać przekazany bez rozwijania; użyj udokumentowanego trybu rozwijania, gdy pożądana jest dodatkowa interpretacja. Zachowaj oryginalny opis, aby odróżnić zmianę wprowadzoną podczas rozwijania od treści, o którą proszono.

Opisuj dźwięk jako część sceny. Wskaż dźwięki fizyczne, odgłosy otoczenia i wszystkie wypowiadane słowa oraz oddziel je od muzyki w tle słyszalnej tylko dla widzów. Podaj dokładną kwestię i zamierzonego mówcę, zamiast prosić o nieokreślony dialog. Nie tylko obejrzyj wynik, lecz także go odsłuchaj; przekonujący obraz nie potwierdza poprawnego brzmienia słów ani ich czasu.

Przygotowanie danych wejściowych i limity

Obecny schemat producenta przyjmuje obrazy JPG, JPEG, PNG, WebP, HEIC lub HEIF, do 30 MB każdy, z bokami od 256 do 5760 pikseli i proporcjami od 0.4 do 2.5. Role początku i końca dopuszczają po jednym obrazie, a tryb referencyjny — maksymalnie dziewięć obrazów. Zachowaj czytelny widok tematu i szczegółów, które muszą pozostać rozpoznawalne.

Referencje wideo dopuszczają maksymalnie trzy klipy MP4 lub MOV, każdy o długości 2–15 sekund, łącznie najwyżej 15 sekund, z limitem 50 MB na plik. Dokumentacja podaje wideo H.264 lub H.265, dźwięk AAC lub MP3, boki od 256 do 5760 pikseli, proporcje od 0.4 do 2.5 i liczbę klatek od 23.976 do 60 na sekundę. Referencje dźwiękowe dopuszczają maksymalnie trzy klipy WAV lub MP3, każdy do 15 MB i o długości 2–15 sekund, łącznie najwyżej 15 sekund. Treść żądania ma osobny limit 64 MB.

Używaj tylko referencji, które wnoszą coś do ujęcia, i opisz wkład każdej z nich w tekście. Krótki, trafny klip ruchu łatwiej wykorzystać jako wskazówkę niż długi zbiór niepowiązanych zdarzeń. Jasno określ zamierzony czas trwania i rozdzielczość wyjściową, aby można było porównać wynik z tym samym opisem.

Gotowy rezultat

Asynchroniczny proces producenta zwraca identyfikator zadania, zanim gotowy film stanie się dostępny. Interfejs odpytywania zadań pobiera zadania z poprzednich siedmiu dni. Zapisz rzeczywisty zwrócony klip i jego specyfikację do montażu lub dalszej oceny; identyfikator zadania nie jest materiałem audiowizualnym. Adresy pobierania są czasowe, dlatego przy zachowywaniu wybranego wyniku przechowuj sam plik.

Oceń ciągłość obiektu lub postaci, ruch, widoczny tekst, dialog i synchronizację dźwięku w rozmiarze, w którym klip będzie używany. W kolejnym opisie twórczym wykorzystaj konkretną informację zwrotną: zmieniony gest, pominiętą kwestię lub kadr wymagający korekty. Użytecznym rezultatem jest krótkie ujęcie audiowizualne powiązane z dostarczoną treścią i jasno określonymi zależnościami między referencjami.