New Hot

MiniMax Hailuo H3 发布:2K 分辨率下最长 15 秒视频,支持原生立体声与全模态参考

HailuoMiniMax全模态视频生成

MiniMax 发布通用多模态生成模型 Hailuo H3,可统一理解文本、图像、视频与音频,生成带原生立体声、最长 15 秒、最高 2K 的视频。官方称 2K 每秒价格低于主流模型的三分之一,并计划在近期开放模型权重,目标覆盖广告、电商与产品设计场景。

Hailuo H3 统一四种模态,原生 2K 最长 15 秒

MiniMax Hailuo H3 用一个模型统一文本、图像、视频与音频任务,原生输出 2K、最长 15 秒并带立体声。

统一上下文与输出

官方原文称:“H3 understands unified context across text, images, video, and audio, generating video with native stereo sound, up to 15 seconds at 2K resolution.”(来源:MiniMax 官方博客)

任务合并

官方把图像生成、编辑、主体参考、运动参考、风格参考,以及视频的文生、图生、首尾帧、编辑等任务,合并进同一个模型,减少按任务拆分的专家模型。这意味着过去要在多个模型之间切换的工作,可以用一段上下文描述完成。

价格与权重

2K 下每秒价格低于主流模型的三分之一,768p 低于主流 720p 的一半;官方计划在符合法规的前提下于近期开放权重,并优先考虑硬件兼容。默认输出就是 2K,不需要先出低分辨率再放大。

提示词改为描述素材关系,分镜表要加编号列

提示词写法从逐条参数变成描述素材关系:例如引用视频 1 的运镜、让图 2 的角色唱歌、对上音频 3 的人声。

提示词写法

官方示例是引用视频 1 的镜头运动、让图 2 的角色唱歌、并对上音频 3 的人声。复杂约束写成语义关系,而不是逐条参数。提示词的重点从描述画面,转向说明素材之间的关系。

广告与电商

官方点名广告、品牌、电商、产品设计、UI/UX 与游戏场景,目标是可直接用于商用内容生产。品牌文字与标识的准确渲染,是这类场景能否落地的关键。

需要重做的模板

把主体、运动、风格拆成不同参考后,旧的单段提示词模板需要重写,分镜表也要加上“素材编号”这一列。

多模态参考与原生音频场景优先接入

需要多模态参考、原生音频与按秒控制成本的团队值得接入;只做纯文生视频的用户可以等权重开放后再本地试。

适用场景

广告、电商产品片与需要品牌文字准确的成片。需要把多个素材串成一条镜头的项目,收益最直接。

上手步骤

  1. 先把角色、运动、声音分别准备成参考素材。
  2. 用一句话写清各素材之间的关系。
  3. 在 768p 下试方向,再按需要升到 2K。
  4. 记录每次生成的素材组合,方便复用同一条提示词。

验证与对比

官方称 H3 在指令遵循、文字与品牌渲染、V2V 运动迁移上表现突出,完整技术报告将另行发布。按秒计费的低价区间需要按实际分辨率核算。需要 12 个参考文件与音频分轨的另一条路线,可看 Pika H3 Flex;需要时间戳编辑,可对照 Seedance 2.5。

常见问题

H3 最长能生成多少秒?
官方称最长 15 秒,原生 2K 分辨率,并带原生立体声。
它能接收哪些类型的参考?
文本、图像、视频与音频都可以作为统一上下文输入。
价格水平如何?
官方称 2K 下每秒价格低于主流模型的三分之一,768p 低于主流 720p 的一半。
会开放权重吗?
官方计划在符合法规的前提下于近期开放模型权重。

相关术语

全模态
全模态指模型可同时理解并生成文本、图像、视频与音频。
V2V 运动迁移
V2V 运动迁移是把参考视频中的动作或运镜迁移到新生成的画面上。
上下文
上下文是模型在生成时参考的全部输入信息,包括文字、图片与音频。
开放权重
开放权重指模型参数可下载部署,使用范围由许可证约定。

这篇文章的来源是什么?

文中涉及版本、价格与功能的信息,均以厂商原文为准;下面是可以核对的原始出处。

「MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities」 —— MiniMax Hailuo

搜索文章

输入关键词,快速查找标题和正文内容。