MiniMax H3: Nowy Model Omni-Modalny Generujący Wideo 2K ze Stereofonicznym Dźwiękiem

Firma MiniMax zaprezentowała MiniMax H3, innowacyjny, ogólnego przeznaczenia multimodalny model generatywny. W przeciwieństwie do typowych rozwiązań tekst-na-wideo z dodatkami, H3 został zaprojektowany jako zintegrowane narzędzie, które przetwarza tekst, obrazy, wideo i dźwięk jako jeden spójny kontekst, generując wideo z natywnym dźwiękiem stereofonicznym. Model umożliwia tworzenie klipów w rozdzielczości 2K, o długości od 4 do 15 sekund, wyłącznie w pełnych sekundach.

Przełom w Generowaniu Wideo

Dotychczasowe systemy generowania wideo często dzieliły się na wyspecjalizowane modele, takie jak tekst-na-wideo, obraz-na-wideo, generowanie na podstawie pierwszej i ostatniej klatki, odniesienia do obiektu czy ruchu, a także edycja wideo. MiniMax H3 integruje te funkcje w ramach jednego paradygmatu wstępnego szkolenia, gdzie relacje referencyjne i edycyjne są wyrażane za pomocą języka naturalnego. Przykład podany przez MiniMax ilustruje tę wszechstronność: użytkownik może zażądać odtworzenia ruchu kamery z Wideo 1, sprawienia, by postać z Obrazu 2 śpiewała, i dopasowania wokalu do Dźwięku 3.

Model H3 został udostępniony 31 lipca 2026 roku za pośrednictwem API (pod identyfikatorem MiniMax-H3) oraz w aplikacji konsumenckiej Hailuo AI. MiniMax pozycjonuje H3 jako narzędzie dla wielu branż, w tym reklamy, brandingu, e-commerce, projektowania produktów, UI/UX, gier, a także prewizualizacji filmowej i mediów katalogowych dla handlu detalicznego. Możliwe zastosowania obejmują generowanie wariantów reklam, filmów produktowych, animowanych plakatów, czołówek filmowych, zapętlonych sekcji „hero” na stronach internetowych, spójnych kinowo scen w grach oraz transferu ruchu między filmami.

Innowacje Technologiczne

Przewodnik po generowaniu wideo opisuje trzy tryby wprowadzania danych: tekst-na-wideo, obraz-na-wideo (na podstawie pierwszej/ostatniej klatki) oraz generowanie referencyjne. Cały proces odbywa się za pomocą jednego punktu końcowego API i asynchronicznego, trzystopniowego przepływu pracy: utworzenie zadania, odpytywanie task_id i pobranie content.url.

Kluczowe innowacje techniczne to:

• Kontekstowa Reprezentacja Omni: MiniMax przebudował system opisywania, aby uwzględniał relacje między kontekstem a docelowym wideo, a nie tylko samym celem. Większość materiałów źródłowych wymaga około 100 tysięcy tokenów wnioskowania, które są destylowane do średnio 4 tysięcy tokenów. Język pełni rolę mostu, przekształcając stały zestaw zadań w otwarty i opisowy system.
• H3-VAE: Całkowita przebudowa tokenizatora. Jego wysoki współczynnik kompresji zapewnia czterokrotny wzrost efektywnej długości sekwencji, co redukuje koszty szkolenia i wnioskowania. Jest to technologia umożliwiająca natywną rozdzielczość 2K.
• H3-Omni Transformer: MiniMax świadomie zrezygnował z architektury Hailuo-02. Multimodalny kontekst potroił wariancję długości sekwencji, dlatego architektura szkoleniowa rozdziela obciążenia związane ze zrozumieniem i generowaniem, optymalizując wykorzystanie sprzętu dla każdego z nich. Zgłoszony wynik to wzrost przepustowości szkolenia end-to-end o blisko 30%.
• Regeneracja w Kontekście: Zamiast modułu superrozdzielczości, model bazowy regeneruje własne wyjście niskiej rozdzielczości w kontekście, ponownie odczytując oryginalny multimodalny kontekst. To pozwala na odzyskanie drobnego tekstu i szczegółów, które konwencjonalne upscalery jedynie zgadują, co jest szczególnie istotne dla renderowania marek i produktów.

Ceny i Konkurencja

MiniMax twierdzi, że cena za sekundę generowania wideo w rozdzielczości 2K za pomocą H3 jest ponad trzykrotnie niższa niż w przypadku głównych modeli konkurencji, a w rozdzielczości 768p jest ponad dwukrotnie niższa niż cena modeli 720p. Według zewnętrznych źródeł i relacji z premiery, stawka pay-as-you-go dla 2K wynosi 0,13 USD za sekundę, co daje około 1,95 USD za 15-sekundowy klip. Warto jednak zaznaczyć, że w momencie pisania artykułu strona MiniMax nadal wyświetlała tylko cenniki dla Hailuo 2.3.

Według raportu SCMP, powołującego się na Artificial Analysis, H3 przoduje w edycji wideo, ale ustępuje modelowi Gemini Omni Flash firmy Google w generowaniu tekst-na-wideo oraz zarówno Seedance 2.0, jak i Gemini Omni Flash w generowaniu obraz-na-wideo.

Premiera MiniMax H3 stanowi znaczący krok w ewolucji generatywnych modeli multimodalnych. Integracja wielu typów danych wejściowych i zaawansowane techniki regeneracji w kontekście otwierają nowe możliwości dla twórców treści i firm, oferując bardziej elastyczne i ekonomiczne rozwiązania do produkcji wideo. Rynek generowania wideo staje się coraz bardziej konkurencyjny, a innowacje takie jak H3 mogą przyspieszyć jego rozwój i demokratyzację dostępu do zaawansowanych narzędzi AI.

Źródło: marktechpost.com