MiniMax-H3

API online Użyj MiniMax-H3 bezpośrednio przez API.

• Global: platform.minimax.io | CN: platform.minimaxi.com Aplikacja online

Użyj MiniMax-H3 bezpośrednio przez aplikację.

• WebApp Global: hailuoai.video | CN: hailuoai.com
• Desktop Global: hub.minimax.io | CN: hub.minimaxi.com Przegląd systemu

MiniMax H3 to ogólnego przeznaczenia, omni-modalny system generatywny. Obsługuje zjednoczone rozumienie multimodalnych kontekstów składających się z tekstu, obrazów, wideo i dźwięku, i może generować wideo z natywnym dźwiękiem stereo w rozdzielczości do 2K i czasie trwania do 15 sekund. Dzięki swojemu projektowi systemu ukierunkowanemu na generalizację zadań, H3 już posiada szerokie możliwości rozumienia i generowania multimodalnych kontekstów na etapie wstępnego szkolenia, co umożliwia doskonałe wyniki w realizacji złożonych multimodalnych instrukcji. H3 obsługuje następujące specyfikacje wejścia i wyjścia:

Kategoria	Specyfikacja
Czas trwania wyjścia	4–15 sekund
Proporcje wyjścia	Obsługuje szeroki zakres proporcji, w tym, ale nie ograniczając się do 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16
Rozdzielczość wyjścia	Obsługuje różne wymiary rozdzielczości. Krótszy bok ustawiony jest domyślnie na 768 pikseli. 2K
Liczba klatek na sekundę	24 FPS
Dźwięk wyjściowy	32 kHz stereo

generacja może być osiągnięta z H3-Regenerate-2K

Obsługiwane języki dialogowe	Stabilne wsparcie dla 11 języków: arabski, chiński, angielski, francuski, niemiecki, włoski, japoński, koreański, portugalski, rosyjski i hiszpański. Dodatkowe języki są również wspierane w różnym stopniu		Wariant modelu	Tryb wejścia	Specyfikacje
H3-Base-FL2VA	Tryb pierwszej i ostatniej klatki	Obsługuje zero, jeden lub dwa obrazy wejściowe.

• Brak obrazu wejściowego: Tryb tekst-na-wideo – Jeden obraz wejściowy: Generacja wideo z pierwszej klatki lub ostatniej klatki – Dwa obrazy wejściowe: Generacja wideo z pierwszej i ostatniej klatki |

| H3-Base-Ref2VA | Tryb omni-referencyjny | Obsługuje multimodalne wejścia referencyjne:

• Obrazy: ≤ 9 obrazów – Wideo: ≤ 3 klipy; każdy klip musi mieć długość 2–15 sekund; całkowity czas trwania ≤ 15 sekund – Dźwięk: ≤ 3 klipy; dźwięk musi być towarzyszony przez obraz lub wideo i nie może być używany jako jedyne wejście; każdy klip musi mieć długość 2–15 sekund; całkowity czas trwania ≤ 15 sekund – Mieszane wejścia: Maksymalna liczba plików we wszystkich typach wejść wynosi 12 | Cały system H3 składa się z następujących trzech modułów:
• H3-Context-IR: W miarę jak wejścia stają się coraz bardziej złożone, budujemy dedykowany system do głębokiego rozumienia i udoskonalania multimodalnych instrukcji wejściowych, a następnie przekształcamy je w formę, którą H3 może łatwo zrozumieć—Reprezentacja Pośrednia Kontekstowa—do generacji. H3-Context-IR jest kluczowe dla jakości końcowego wyjścia, dlatego zdecydowanie zalecamy włączenie go do swojego procesu generacji lub postępowanie zgodnie z „Wskazówkami dotyczącymi podpowiedzi”, aby zbudować własny system przetwarzania kontekstu.
• H3-Base: Generuje dźwięk i wideo na podstawie wyjścia H3-Context-IR, produkując wyniki w rozdzielczości 768p.
• H3-Regenerate-2K: Wprowadza wynik 768p razem z oryginalnym kontekstem z powrotem do H3, aby ponownie wygenerować wyjście w rozdzielczości 2K. Proces ten wykorzystuje zarówno potężne możliwości generacyjne H3, jak i bogate informacje zawarte w oryginalnym kontekście, co pozwala na uzyskanie wysokiej rozdzielczości z bardziej dokładnymi szczegółami i większą wiernością wizualną. H3-Context-IR to hostowany system wstępnego przetwarzania i orkiestracji zaprojektowany dla swobodnych multimodalnych wejść.