MiniMax H3 הוא מודל יצירה מולטימודלי כללי: הוא קורא טקסט, תמונות, וידאו ואודיו כהקשר אחד ומחזיר וידאו עם סאונד סטריאו מובנה, עד 15 שניות ב-2K. MiniMax ממצבת אותו על יחס מחיר-ביצועים, ומצטטת פחות משליש מעלות השנייה של המודלים המובילים ב-2K, והצהירה שהיא מתכננת לפתוח את משקלי המודל.
תמונת מצב של יכולת
2K
רזולוציית ברירת מחדל
15s
קליפ מקסימלי
stereo
אודיו מובנה
ערך מעשי ממופה לזרימות עבודה אמיתיות של ייצור.
הטבה
01
הקשר אחד, לא ארבעה צינורות
טקסט, תמונה, וידאו ואודיו נכנסים כהקשר יחיד, כך שפרומפט יכול לומר “קח את תנועת המצלמה מהקליפ הזה, תן לאדם שבתמונה הזאת לשיר, התאם לקול הזה” ולהיות מובן כהוראה אחת במקום להתנתב למודלים מומחים נפרדים.
הטבה
02
סאונד שנוצר יחד עם התמונה
האודיו מופק במשותף עם הווידאו ויוצא כסטריאו מובנה, כך שדיאלוג, אפקטים ואווירה מגיעים כבר מיושרים לשוט במקום להיות מולבשים עליו אחר כך.
הטבה
03
2K בעלות נמוכה יותר לשנייה
2K הוא ברירת המחדל ולא דרגת פרימיום. MiniMax מצטטת את מחיר השנייה של H3 ב-2K כפחות משליש מהמודלים המובילים, ופחות מחצי מ-720p המוביל כשמריצים ב-768p — וזה משנה כמה עולה איטרציה בנפח.
נתיב פשוט בן שלושה שלבים מחומר מקור לתוצאה ניתנת לשימוש חוזר.
שלב 1
הרכיבו את ההקשר
הביאו את חומרי ההפניה שיש לכם — קליפ לתנועת המצלמה, תמונה לנושא, אודיו לקול.
שלב 2
תארו את הקשר ביניהם
אמרו במילים פשוטות איך ההפניות מתקשרות לווידאו המבוקש. H3 פותר את ההיסק החוצה-מודאלי בעצמו.
שלב 3
צרו ואיטרו
רנדרו עד 15 שניות ב-2K עם אודיו סטריאו, ואז איטרו — עלות השנייה היא מה שהופך סבבים חוזרים למעשיים.
עד 15 שניות, כאשר 2K מוצעת כרזולוציית ברירת המחדל. קיימת גם דרגת 768p, ועבורה MiniMax מצטטת את המחיר הנמוך ביותר לשנייה.
H3 מייצר את האודיו במשותף עם הווידאו, והפלט הוא סטריאו מובנה ולא ערוץ מונו שמעורבב פנימה בדיעבד.
MiniMax הודיעה על כוונה לפתוח את משקלי המודל, וציינה תאימות חומרה והתאמה אישית כיעדי תכנון. התייחסו לזמינות כאל דבר שממתין לשחרור בפועל, ולא כאל הבטחה קיימת.
השלב הבא
פתח את הכלי עם תמונה אמיתית, השווה את התוצאות ושמור על הגרסה שעובדת.