MiniMax, MiniMax H3'ü Tanıttı: Yerli Stereo Ses ile 15 Saniyelik 2K Klipler Üreten Çok Modlu Video Modeli

MiniMax, MiniMax H3'ü yayınladı. Bu, metin, görüntü, video ve sesi birleşik bir bağlam olarak okuyan ve yerel stereo ses ile 2K çözünürlüğü, 4 ila 15 saniye arası süreleri (yalnızca tam sayı) destekleyen videolar döndüren genel amaçlı çok modlu bir üretim modelidir. Metinden videoya, görüntüden videoya ve diğer görevler için ayrı modeller gerektiren önceki yığınların aksine H3, bunları, ilişkilerin doğal dilde ifade edildiği (örneğin, bir videodan kamera hareketine atıfta bulunma veya vokalleri sese eşleştirme) tek bir ön eğitim paradigmasında birleştirir. Model 31 Temmuz 2026'da yayınlandı, MiniMax-H3 model kimliği altında API aracılığıyla ve tüketici Hailuo AI uygulamasında kullanılabilir. Reklamcılık, marka yönetimi, e-ticaret, ürün tasarımı, kullanıcı arayüzü/kullanıcı deneyimi, oyun, film ön görselleştirmesi ve perakende katalog medyası için konumlandırılmıştır; uygulamalar arasında reklam varyasyonları, ürün videoları, animasyonlu posterler ve videodan videoya hareket aktarımı yer alır. API, üç giriş modunu destekler: metinden videoya, ilk/son kare görüntüden videoya ve referans üretimi; giriş sınırlamaları arasında en fazla 9 referans görüntü, 3 referans video (her biri 2-15 saniye, toplam ≤15 saniye) ve 3 referans ses klibi (ses için eşlik eden görüntü/video gerekir) bulunur. Karma giriş en fazla 12 dosya; istemler ≤7.000 karakter; istek gövdesi ≤64 MB; dosya boyutları: video ≤50 MB, görüntü ≤30 MB, ses ≤15 MB. Biçimler arasında H.264/H.265 video, JPG/PNG/WEBP/HEIC/HEIF görüntüler ve WAV/MP3 ses bulunur. Performansını dört teknik bileşen sağlar: Bağlamsal Çok Yönlü Temsil (ilişkileri tanımlayan, ~100K jetonu ~4K'ya damıtan açıklama), H3-VAE (yerel 2K sağlayan 4 kat etkili dizi uzunluğu kazancına sahip bir tokenleştirici), H3-Omni Dönüştürücü (anlama ve üretim iş yüklerini ayırarak eğitim verimini ~%30 artırır) ve Bağlam İçi Yeniden Üretim (temel model, süper çözünürlük eklemek yerine düşük çözünürlüklü çıktıyı bağlam içinde yeniden üretir). Fiyatlandırma iddiaları: 2K'da saniye başına fiyat, ana akım modellerin üçte birinin altındadır; 768p'de ana akım 720p'nin yarısının altındadır. Üçüncü taraf izleyiciler saniye başına 0,13 ABD doları (15 saniyelik klip başına ~1,95 ABD doları) bildiriyor, ancak MiniMax'ın kullandıkça öde sayfası hâlâ Hailuo 2.3 katmanlarını listeliyor. South China Morning Post'un Artificial Analysis'e atıfta bulunduğuna göre H3, video düzenlemede öndedir, metinden videoda Google'ın Gemini Omni Flash'ının gerisindedir ve görüntüden videoda Seedance 2.0 ve Gemini Omni Flash'ın arkasındadır. Açık ağırlıkların 'önümüzdeki günlerde' sözü verildi, ancak henüz yayınlanmadı.