Hậu kỳ video gặp rủi ro: MiniMax H3 biến vẽ tay thành hiệu ứng, 'khoảnh khắc lập trình' đa phương thức đến

MiniMax chính thức phát hành mô hình video thế hệ tiếp theo, MiniMax H3, đây cũng là mô hình video mã nguồn mở đầu tiên của họ. H3 phá vỡ mô hình trước đây khi các mô hình video chỉ tạo ra cảnh quay thô, bằng cách tích hợp logic biên tập, typography, thiết kế chuyển cảnh, kiểm soát nhịp điệu, nhạc nền và hiệu ứng hình ảnh theo một quy trình hoàn chỉnh. Người dùng có thể nhập văn bản và nhận được video hoàn chỉnh sẵn sàng xuất bản, với độ phân giải 2K mặc định. Mô hình này đã nhận được phản hồi tích cực từ các nhà phát triển quốc tế và đứng đầu bảng xếp hạng Artificial Analysis về chỉnh sửa video. Tác giả đã thử nghiệm H3 và nhận thấy nó phản hồi rất tốt theo ý định của người dùng, thậm chí tuân theo các lời nhắc phức tạp với nhiều cảnh một cách chính xác. H3 cũng cho thấy sự cải thiện đáng kể trong việc tạo chữ trong video, một điểm yếu thường gặp của các mô hình video AI. Nó có thể tạo ra chữ nhất quán giữa các khung hình và thậm chí hiểu được mối quan hệ giữa chữ và nội dung hình ảnh. Ngoài ra, H3 có thể nhận đoạn âm thanh làm đầu vào cho hội thoại, với giọng nói đồng bộ theo cảm xúc và nhịp điệu của hình ảnh, dựa trên chuyên môn của MiniMax trong các mô hình giọng nói đa phương thức. Giá cả thấp, chi phí mỗi giây ở độ phân giải 2K chỉ bằng chưa đến một phần ba so với các mô hình chính thống. H3 hỗ trợ đầu vào đa phương thức toàn phần, nghĩa là mọi loại phương tiện đều là ngữ cảnh của mô hình. Nó sử dụng mô hình chú thích tùy chỉnh và kiến trúc H3-Omni Transformer để xử lý đa phương thức hiệu quả. Cách tiếp cận của MiniMax dựa trên sự xuất hiện của đa phương thức kết hợp ngôn ngữ, kết nối các phương thức cô lập thông qua ngôn ngữ. Tính mã nguồn mở của H3 cho phép doanh nghiệp triển khai riêng tư và tinh chỉnh mô hình cho các quy trình nội dung tùy chỉnh, có thể dẫn đến sự bùng nổ của sức sống sở hữu trí tuệ. MiniMax có lịch sử mở mã nguồn các mô hình, từ dòng M2 cho đến H3 hiện tại, phù hợp với tầm nhìn 'Trí tuệ cho mọi người'. Việc phát hành đánh dấu sự chuyển dịch của thế hệ video vào một 'thời khắc viết mã', trở thành công cụ sản xuất khả thi về mặt thương mại.