MiniMax H3

Краткое описание позиционирования

MiniMax H3 — это универсальная модель генерации видео от MiniMax, которая в едином контексте одновременно обрабатывает текст, изображения, видео и аудио, поддерживает преобразование текста в видео, изображения в видео, управление первым и последним кадром, генерацию видео по мультимодальным референсам, а также выдаёт нативное 2K-изображение. Вызов через унифицированный интерфейс HiAPI.ai подходит разработчикам, которым нужна одна модель для раскадровки, анимации материалов и коротких роликов с единообразием стиля персонажей, и особенно командам, совмещающим в едином рабочем процессе несколько режимов генерации.

Ключевые особенности

• Единый контекст для мультимодального ввода — в рамках одной модели можно комбинировать текстовые, графические, видео- и аудиореференсы, снижая затраты на переключение между специализированными моделями для разных задач.
• Нативный вывод 2K — в настоящее время генерация выполняется только в нативном разрешении 2K, формат кадра охватывает от 21:9 до 9:16 и адаптивный, что отвечает требованиям размещения в горизонтальной и вертикальной ориентации.
• Управление переходом кадра через первый и последний кадры — задав изображения первого и последнего кадра, можно управлять переходом между двумя изображениями, что удобно для создания переходов и кадров «до/после».
• Согласованность за счёт мультимодальных референсов — поддерживается до 5 референсных изображений, 3 референсных видео и 3 референсных аудио для продолжения персонажей, стиля и ритма.

Описание возможностей

Текст в видео: по одному текстовому запросу генерируется видео длительностью от 4 до 15 секунд с шагом в 1 секунду; формат кадра — 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 или адаптивный, по умолчанию 16:9.

Изображение в видео и управление первым/последним кадром: видео генерируется по одному публичному изображению в качестве первого кадра либо с одновременной подачей первого и последнего кадров для управления переходом; управление кадрами и поля референсных медиа взаимоисключающие, поэтому линию нужно определять заранее.

Генерация видео по мультимодальным референсам: принимает до 5 референсных изображений, 3 референсных видео длительностью 2–15 секунд и до 3 референсных аудио общей длительностью не более 15 секунд; аудио нельзя использовать отдельно — оно должно сопровождаться хотя бы одним изображением или одним видео.

Необязательный водяной знак AIGC: параметр watermark определяет, будет ли на выходном видео водяной знак AIGC; по умолчанию он не добавляется, что позволяет переключаться в соответствии с требованиями каналов публикации.

Сценарии применения

• Быстрая раскадровка рекламными командами по текстовым запросам — генерация фрагментов длительностью 4–15 секунд по многокадровым запросам в качестве материалов для предварительной раскадровки при креативной оценке и презентациях клиентам.
• Анимация товарных изображений в короткие ролики для e-commerce дизайна — генерация 2K-видео по товарному изображению или иллюстрации в качестве первого кадра для непосредственного использования в карточках товаров и материалах для ленты.
• Создание переходов контент-мейкерами с помощью первого и последнего кадров — управление переходом по двум заданным изображениям «до/после» для получения переходных кадров в монтаже коротких видео или демонстрациях сравнения.
• Генерация коротких роликов с единообразием персонажей по мультимодальным референсам — комбинирование изображений персонажей, стилевых видео и референсных аудио для создания фрагментов в едином стиле при серийном производстве контента.

Ограничения и рекомендации по выбору

Максимальная длительность одного поколения — 15 секунд; более длинный контент нужно генерировать по частям и затем склеивать. Управление первым/последним кадром и поля референсных медиа нельзя смешивать; в режиме референсов необходимо по правилам организовывать ввод изображений, видео и аудио, что создаёт определённый порог при составлении запросов; референсное аудио нельзя использовать отдельно. Если задача требует непрерывного длинного кадра более 15 секунд, разрешения ниже 2K или более простого процесса генерации только по тексту, стоит рассмотреть другие линии или модели.