H3 API
MiniMax H3 ialah model difusi 33B parameter yang menerima input teks, imej, video dan audio serta menjana video dengan audio stereo asli pada resolusi 480p, 768p dan 2K.
MiniMax H3 ialah model transformer difusi 33B parameter yang menyatukan semua modaliti dan tugasan dalam satu model. Ia terdiri daripada model teras H3-Base serta sistem prapemprosesan dan orkestrasi H3-Context-IR. H3-Base menggabungkan pengekod teks, VAE visual, VAE audio dan omni transformer, menggunakan RoPE untuk menangkap hubungan spatial dan temporal. Model ini menerima input teks, imej, video dan audio serta memahami hubungan antara modaliti tersebut.
Model ini menjana video dan audio serentak, menyokong resolusi output 480p, 768p dan 2K, dengan video 24FPS sepanjang 5 hingga 15 saat. Ia menyokong kawalan bingkai pertama dan bingkai terakhir, penukaran imej-ke-video, pemindahan gerakan video-ke-video, peniruan timbre suara daripada rujukan audio, serta audio stereo asli termasuk suara, kesan bunyi dan muzik. Ia juga mengikut arahan multimodal kompleks dalam bahasa semula jadi dan mengendalikan tugasan penyuntingan video seperti penyegerakan bibir dengan dialog baharu dan penggunaan semula sebahagian muzik latar.
Model ini sesuai untuk pengiklanan, penjenamaan, e-dagang, reka bentuk produk, UI/UX, penghasilan kandungan permainan, penghasilan video pendek dengan bahan rujukan dan peralihan berasaskan arahan. Ia memberikan hasil sinematik dengan audio asli dan dianggap antara model penjanaan video sumber terbuka terbaik. Namun, konsistensi dunia fizikal masih menjadi cabaran, dan input multimodal tidak semestinya menghasilkan penaakulan multimodal yang berkesan.
Dikemas kini:
ID MODEL
hailuo-3- Input
- text / image / video
- Output
- video
Sorotan
- Menyatukan semua modaliti dalam satu model
- Resolusi asli sehingga 2K
- Audio stereo asli dengan suara dan muzik
- Kawalan bingkai pertama dan terakhir
- Pemindahan gerakan video-ke-video
- Saiz berkesan empat kali ganda melalui tokenizer baharu
Penyedia
Bandingkan harga API merentas penyedia. Pilih penyedia untuk melihat semua caj dan syarat.
Spesifikasi video
- Nisbah aspek
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Audio · Output
- Ya
- Tempoh · Minimum
- 5 saat
- Tempoh · Maksimum
- 15 saat
- Tempoh · Langkah
- 1 saat
- Resolusi
- 2K
Rujukan API
Butiran protokol model ini belum diterbitkan. Rujuk rujukan API untuk keperluan integrasi.
Rujukan API →Soalan lazim
Mengenali H3?
MiniMax H3 ialah model transformer difusi 33B parameter yang menyatukan semua modaliti dan tugasan dalam satu model. Ia terdiri daripada model teras H3-Base serta sistem prapemprosesan dan orkestrasi H3-Context-IR. H3-Base menggabungkan pengekod teks, VAE visual, VAE audio dan omni transformer, menggunakan RoPE untuk menangkap hubungan spatial dan temporal. Model ini menerima input teks, imej, video dan audio serta memahami hubungan antara modaliti tersebut. Model ini menjana video dan audio serentak, menyokong resolusi output 480p, 768p dan 2K, dengan video 24FPS sepanjang 5 hingga 15 saat. Ia menyokong kawalan bingkai pertama dan bingkai terakhir, penukaran imej-ke-video, pemindahan gerakan video-ke-video, peniruan timbre suara daripada rujukan audio, serta audio stereo asli termasuk suara, kesan bunyi dan muzik. Ia juga mengikut arahan multimodal kompleks dalam bahasa semula jadi dan mengendalikan tugasan penyuntingan video seperti penyegerakan bibir dengan dialog baharu dan penggunaan semula sebahagian muzik latar. Model ini sesuai untuk pengiklanan, penjenamaan, e-dagang, reka bentuk produk, UI/UX, penghasilan kandungan permainan, penghasilan video pendek dengan bahan rujukan dan peralihan berasaskan arahan. Ia memberikan hasil sinematik dengan audio asli dan dianggap antara model penjanaan video sumber terbuka terbaik. Namun, konsistensi dunia fizikal masih menjadi cabaran, dan input multimodal tidak semestinya menghasilkan penaakulan multimodal yang berkesan.
Bagaimana penggunaan dicaj?
Bil anda bergantung pada penyedia yang anda gunakan, harganya dan penggunaan anda. Input yang lebih panjang atau syarat lain mungkin dikenakan harga berbeza. Dicaj berdasarkan kos penjanaan sebenar. Lihat bil anda untuk jumlah akhir.
Apakah jenis input yang disokong oleh MiniMax H3?
MiniMax H3 menerima input teks, imej, video dan audio. Model ini memahami hubungan antara modaliti tersebut dan mengikut arahan multimodal kompleks dalam bahasa semula jadi.
Apakah resolusi dan tempoh video yang boleh dijana?
Model ini menyokong resolusi output 480p, 768p dan 2K. Video dijana pada 24FPS dengan panjang antara 5 hingga 15 saat.
Apakah keupayaan audio yang disediakan?
MiniMax H3 menghasilkan audio stereo asli termasuk suara, kesan bunyi dan muzik. Ia juga boleh meniru timbre suara daripada rujukan audio.
Apakah tugasan penyuntingan video yang boleh dilakukan?
Model ini boleh melakukan penyuntingan video seperti penyegerakan bibir dengan dialog baharu dan penggunaan semula sebahagian muzik latar. Ia juga menyokong kawalan bingkai pertama dan bingkai terakhir.
Apakah perbezaan antara MiniMax H3 dan MiniMax H3 Max?
MiniMax H3 Max ialah varian yang dikhususkan untuk penjanaan 480p atau 768p secara pantas dan dalam jumlah besar. MiniMax H3 ialah model teras yang menyatukan semua modaliti dan tugasan.
Apakah batasan yang diketahui bagi MiniMax H3?
Konsistensi dunia fizikal masih menjadi cabaran, dan input multimodal tidak selalu menghasilkan penaakulan multimodal yang berkesan. Kegagalan yang dilaporkan termasuk pengasasan bukti yang tidak betul, realisasi peristiwa yang tidak lengkap serta pelanggaran mekanik sentuhan dan geometri objek.
