MiniMax H3

Présentation

MiniMax H3 est un modèle de génération vidéo généraliste lancé par MiniMax, qui traite simultanément le texte, l'image, la vidéo et l'audio dans un contexte unifié. Il prend en charge la génération vidéo à partir de texte, la génération vidéo à partir d'image, le contrôle par image de début et de fin, la génération vidéo à partir de références multimodales, et peut produire des images natives en 2K. Appelé via l'interface unifiée de HiAPI.ai, il convient aux développeurs qui souhaitent réaliser avec un seul modèle le prototypage de storyboards, l'animation de supports visuels et des clips courts à cohérence de style de personnage, et il est particulièrement adapté aux équipes qui doivent gérer plusieurs modes de génération au sein d'un flux de travail unifié.

Points clés

• Un contexte unifié pour les entrées multimodales — un même modèle permet de combiner des références textuelles, d'image, de vidéo et d'audio, ce qui réduit le coût de bascule entre modèles spécialisés selon les tâches.
• Sortie native en 2K — la génération se fait actuellement uniquement en résolution native 2K, avec des formats allant de 21:9 à 9:16 ainsi qu'un mode adaptatif, pour répondre aux besoins de diffusion horizontale et verticale.
• Contrôle des transitions par image de début et de fin — en fournissant une image de début et une image de fin, il est possible de contrôler la transition entre les deux images, ce qui facilite la création de transitions et de plans avant/après.
• Cohérence grâce aux références multimodales — prise en charge de jusqu'à 5 images de référence, 3 vidéos de référence et 3 audios de référence pour prolonger un personnage, un style et un rythme.

Description des capacités

Génération vidéo à partir de texte : il suffit de saisir une invite textuelle pour générer une vidéo d'une durée entière de 4 à 15 secondes, avec un format au choix parmi 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 ou adaptatif, le format 16:9 étant la valeur par défaut.

Génération vidéo à partir d'image et contrôle par image de début et de fin : générez une vidéo à partir d'une image publique utilisée comme image de début, ou fournissez simultanément une image de début et une image de fin pour contrôler la transition ; le contrôle par images et les champs de médias de référence sont mutuellement exclusifs, il faut donc déterminer le mode en amont.

Génération vidéo à partir de références multimodales : accepte jusqu'à 5 images de référence, 3 vidéos de référence de 2 à 15 secondes et jusqu'à 3 audios de référence d'une durée totale ne dépassant pas 15 secondes ; l'audio ne peut pas être utilisé seul et doit être accompagné d'au moins une image ou une vidéo.

Filigrane AIGC optionnel : le paramètre watermark détermine si la vidéo générée porte un filigrane AIGC ; par défaut, il n'est pas ajouté, ce qui permet de l'activer ou non selon les exigences de conformité des canaux de publication.

Cas d'usage

• Les équipes publicitaires prototypent rapidement des storyboards à partir d'invites textuelles — générer des segments de 4 à 15 secondes à partir d'invites multi-plans, utilisés comme assets de prévisualisation de storyboard pour les revues créatives et les présentations clients.
• Les designers e-commerce animent des visuels produits en clips courts — générer une vidéo 2K à partir d'un visuel produit ou d'une illustration comme image de début, directement utilisable pour les pages de détail produit et les supports de diffusion dans les fils d'actualité.
• Les créateurs de contenu réalisent des transitions avec les images de début et de fin — fournir deux images avant et après pour contrôler la transition et produire des plans de transition destinés au montage de vidéos courtes ou à des démonstrations avant/après.
• Génération de clips courts à cohérence de personnage via références multimodales — combiner des images de personnage, des vidéos de style et des audios de référence pour générer des segments au style homogène, destinés à la production en série de contenus.

Limites et conseils de choix

La durée maximale d'une génération est de 15 secondes ; les contenus plus longs doivent être générés par segments puis assemblés. Le contrôle par image de début et de fin ne peut pas être combiné avec les champs de médias de référence, et le mode référence exige d'organiser les entrées d'image, de vidéo et d'audio selon des règles précises, ce qui implique un certain niveau d'expertise dans la rédaction des invites ; l'audio de référence ne peut pas être utilisé seul. Si une tâche nécessite un plan-séquence continu de plus de 15 secondes, un palier de résolution inférieur à 2K ou un flux de génération purement textuel plus simple, il convient d'évaluer d'autres offres ou modèles.