H3 API
MiniMax H3 یک مدل دیفیوژن ترنسفورمر ۳۳ میلیارد پارامتری چندوجهی است که از ورودی متن، تصویر، ویدیو و صدا پشتیبانی میکند و ویدیو و صدای استریو تولید میکند.
MiniMax H3 یک مدل دیفیوژن ترنسفورمر با ۳۳ میلیارد پارامتر است که از هسته H3-Base و سیستم پیش‌پردازش و هماهنگ‌سازی H3-Context-IR تشکیل شده است. H3-Base شامل یک رمزگذار متن، VAE بصری، VAE صوتی و ترنسفورمر همه‌وجهی است و از RoPE برای ثبت روابط مکانی و زمانی استفاده میکند. این مدل در ۳۱ ژوئیه ۲۰۲۶ معرفی و در ۳ اوت ۲۰۲۶ با وزن‌های باز تحت مجوز MiniMax H3 Community License Agreement منتشر شد.
این مدل ورودیهای متن، تصویر، ویدیو و صدا را میپذیرد و روابط میان آنها را درک میکند. MiniMax H3 ویدیو و صدا را از یک مدل واحد تولید میکند، از رزولوشنهای 480p، 768p و 2K پشتیبانی میکند و ویدیو را با 24FPS و طول ۵ تا ۱۵ ثانیه می‌سازد. کنترل فریم اول و آخر، تبدیل تصویر به ویدیو و انتقال حرکت ویدیو به ویدیو از قابلیت‌های آن است. همچنین می‌تواند تن صدا را از نمونه‌های صوتی بازتولید کند و صدای استریو بومی شامل گفتار، افکت صوتی و موسیقی تولید کند.
MiniMax H3 برای کارهایی مانند تبلیغات، برندسازی، تجارت الکترونیک، طراحی محصول، رابط و تجربه کاربری، تولید محتوای بازی، تولید ویدیوی کوتاه با مواد مرجع و ترانزیشن‌های مبتنی بر دستور مناسب است. این مدل دستورهای پیچیده چندوجهی را که به زبان طبیعی توصیف شده‌اند دنبال میکند و وظایف ویرایش ویدیو مانند همگام‌سازی لب با دیالوگ جدید و استفاده جزئی از موسیقی پس‌زمینه را انجام می‌دهد. همچنین متن روی صفحه و بیان برند را به‌طور دقیق رندر میکند. با این حال، سازگاری با دنیای فیزیکی همچنان یک چالش است و ورودی چندوجهی همیشه به استدلال چندوجهی مؤثر منجر نمی‌شود.
به‌روزرسانی:
MODEL ID
hailuo-3- ورودی
- text / image / video
- خروجی
- video
نکات برجسته
- مدل دیفیوژن ترنسفورمر ۳۳ میلیارد پارامتری
- پشتیبانی بومی از رزولوشن 2K
- تولید ویدیو و صدای استریو از یک مدل
- درک روابط میان متن، تصویر، ویدیو و صدا
- وزن‌های باز تحت مجوز MiniMax H3 Community License Agreement
ارائه‌دهندگان
قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.
مشخصات ویدیو
- نسبت‌های ابعاد
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- صدا · خروجی
- بله
- مدت · حداقل
- ۵ ثانیه
- مدت · حداکثر
- ۱۵ ثانیه
- مدت · گام
- ۱ ثانیه
- رزولوشن‌ها
- 2K
مرجع API
جزئیات پروتکل این مدل منتشر نشده است. برای الزامات یکپارچه‌سازی، مرجع API را ببینید.
مرجع API →پرسش‌های متداول
معرفی مدل: H3?
MiniMax H3 یک مدل دیفیوژن ترنسفورمر با ۳۳ میلیارد پارامتر است که از هسته H3-Base و سیستم پیش‌پردازش و هماهنگ‌سازی H3-Context-IR تشکیل شده است. H3-Base شامل یک رمزگذار متن، VAE بصری، VAE صوتی و ترنسفورمر همه‌وجهی است و از RoPE برای ثبت روابط مکانی و زمانی استفاده میکند. این مدل در ۳۱ ژوئیه ۲۰۲۶ معرفی و در ۳ اوت ۲۰۲۶ با وزن‌های باز تحت مجوز MiniMax H3 Community License Agreement منتشر شد. این مدل ورودیهای متن، تصویر، ویدیو و صدا را میپذیرد و روابط میان آنها را درک میکند. MiniMax H3 ویدیو و صدا را از یک مدل واحد تولید میکند، از رزولوشنهای 480p، 768p و 2K پشتیبانی میکند و ویدیو را با 24FPS و طول ۵ تا ۱۵ ثانیه می‌سازد. کنترل فریم اول و آخر، تبدیل تصویر به ویدیو و انتقال حرکت ویدیو به ویدیو از قابلیت‌های آن است. همچنین می‌تواند تن صدا را از نمونه‌های صوتی بازتولید کند و صدای استریو بومی شامل گفتار، افکت صوتی و موسیقی تولید کند. MiniMax H3 برای کارهایی مانند تبلیغات، برندسازی، تجارت الکترونیک، طراحی محصول، رابط و تجربه کاربری، تولید محتوای بازی، تولید ویدیوی کوتاه با مواد مرجع و ترانزیشن‌های مبتنی بر دستور مناسب است. این مدل دستورهای پیچیده چندوجهی را که به زبان طبیعی توصیف شده‌اند دنبال میکند و وظایف ویرایش ویدیو مانند همگام‌سازی لب با دیالوگ جدید و استفاده جزئی از موسیقی پس‌زمینه را انجام می‌دهد. همچنین متن روی صفحه و بیان برند را به‌طور دقیق رندر میکند. با این حال، سازگاری با دنیای فیزیکی همچنان یک چالش است و ورودی چندوجهی همیشه به استدلال چندوجهی مؤثر منجر نمی‌شود.
هزینه استفاده چگونه محاسبه میشود؟
صورتحساب شما به ارائهدهندهای که استفاده میکنید، قیمتهای آن و میزان مصرف شما بستگی دارد. ورودیهای طولانیتر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند. صورتحساب بر اساس هزینه واقعی تولید محاسبه میشود. مبلغ نهایی را در صورتحساب ببینید.
MiniMax H3 چه نوع ورودیهایی را میپذیرد؟
این مدل ورودی متن، تصویر، ویدیو و صدا را میپذیرد و روابط میان آنها را درک میکند.
خروجی MiniMax H3 چیست؟
این مدل ویدیو و صدای استریو تولید میکند. ویدیو با 24FPS و طول ۵ تا ۱۵ ثانیه و در رزولوشنهای 480p، 768p و 2K ساخته میشود.
MiniMax H3 برای چه کارهایی مناسب است؟
برای تبلیغات، برندسازی، تجارت الکترونیک، طراحی محصول، رابط و تجربه کاربری، تولید محتوای بازی، ویدیوی کوتاه با مواد مرجع و ترانزیشن‌های مبتنی بر دستور مناسب است.
تفاوت MiniMax H3 با MiniMax H3 Max چیست؟
MiniMax H3 Max گونهای تخصصی برای تولید سریع و انبوه با رزولوشن 480p یا 768p است، در حالی که MiniMax H3 مدل اصلی چندوجهی است.
آیا H3-Context-IR در انتشار متنباز گنجانده شده است؟
خیر، H3-Context-IR در انتشار متنباز گنجانده نشده و فقط از طریق API در دسترس است.
