H3 API
MiniMax H3 to 33-miliardowy model dyfuzyjny typu transformer, który łączy wejścia tekstowe, obrazowe, wideo i audio oraz generuje wideo z natywnym dźwiękiem stereo w rozdzielczościach 480p, 768p i 2K.
MiniMax H3 to otwarty model generatywny łączący w jednym systemie rozumienie tekstu, obrazów, wideo i audio oraz tworzenie wideo z dźwiękiem. Rdzeń H3-Base łączy enkoder tekstu, VAE wizualne, VAE audio i omni transformer, a RoPE odwzorowuje zależności przestrzenne i czasowe. Model generuje wideo w 24FPS o długości od 5 do 15 sekund i obsługuje rozdzielczości 480p, 768p oraz 2K.
H3 przyjmuje instrukcje multimodalne sformułowane naturalnym językiem i realizuje zadania takie jak konwersja obrazu na wideo, transfer ruchu z wideo na wideo, sterowanie pierwszą i ostatnią klatką czy edycja wideo obejmująca synchronizację ust z nowym dialogiem i częściowe ponowne wykorzystanie muzyki tła. Odtwarza barwę głosu na podstawie referencji audio i tworzy natywne stereo z głosem, efektami dźwiękowymi i muzyką, a także poprawnie renderuje tekst na ekranie i elementy marki.
Model sprawdza się w reklamie, brandingu, e-commerce, projektowaniu produktów, UI/UX, produkcji treści do gier oraz w krótkich formach wideo opartych na materiale referencyjnym. Nowy tokenizer o wysokiej kompresji czterokrotnie wydłuża efektywną długość sekwencji i obniża koszty uczenia oraz wnioskowania. H3 jest dostępny na licencji MiniMax H3 Community License Agreement, a wersja MiniMax H3 Max jest wyspecjalizowanym wariantem do szybkiego generowania 480p lub 768p na dużą skalę.
Zaktualizowano:
MODEL ID
hailuo-3- Wejście
- text / image / video
- Wyjście
- video
Najważniejsze informacje
- Jednolity model dla wszystkich modalności
- Natywne stereo z głosem i muzyką
- Rozdzielczość do 2K
- Wideo 24FPS od 5 do 15 sekund
- Sterowanie pierwszą i ostatnią klatką
- Otwarte wagi na licencji społecznościowej
Dostawcy
Porównaj ceny API u różnych dostawców. Wybierz dostawcę, aby zobaczyć wszystkie opłaty i warunki.
Specyfikacja wideo
- Proporcje obrazu
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Dźwięk · Wyjście
- Tak
- Czas trwania · Minimum
- 5 sekund
- Czas trwania · Maksimum
- 15 sekund
- Czas trwania · Krok
- 1 sekund
- Rozdzielczości
- 2K
Dokumentacja API
Szczegóły protokołu tego modelu nie zostały opublikowane. Wymagania integracyjne znajdziesz w dokumentacji API.
Dokumentacja API →Często zadawane pytania
Co to jest H3?
MiniMax H3 to otwarty model generatywny łączący w jednym systemie rozumienie tekstu, obrazów, wideo i audio oraz tworzenie wideo z dźwiękiem. Rdzeń H3-Base łączy enkoder tekstu, VAE wizualne, VAE audio i omni transformer, a RoPE odwzorowuje zależności przestrzenne i czasowe. Model generuje wideo w 24FPS o długości od 5 do 15 sekund i obsługuje rozdzielczości 480p, 768p oraz 2K. H3 przyjmuje instrukcje multimodalne sformułowane naturalnym językiem i realizuje zadania takie jak konwersja obrazu na wideo, transfer ruchu z wideo na wideo, sterowanie pierwszą i ostatnią klatką czy edycja wideo obejmująca synchronizację ust z nowym dialogiem i częściowe ponowne wykorzystanie muzyki tła. Odtwarza barwę głosu na podstawie referencji audio i tworzy natywne stereo z głosem, efektami dźwiękowymi i muzyką, a także poprawnie renderuje tekst na ekranie i elementy marki. Model sprawdza się w reklamie, brandingu, e-commerce, projektowaniu produktów, UI/UX, produkcji treści do gier oraz w krótkich formach wideo opartych na materiale referencyjnym. Nowy tokenizer o wysokiej kompresji czterokrotnie wydłuża efektywną długość sekwencji i obniża koszty uczenia oraz wnioskowania. H3 jest dostępny na licencji MiniMax H3 Community License Agreement, a wersja MiniMax H3 Max jest wyspecjalizowanym wariantem do szybkiego generowania 480p lub 768p na dużą skalę.
Jak rozliczane jest użycie?
Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny. Rozliczane według rzeczywistego kosztu generowania. Ostateczną kwotę znajdziesz na rachunku.
Jakie dane wejściowe obsługuje MiniMax H3?
Model przyjmuje tekst, obrazy, wideo i audio oraz rozumie zależności między nimi. Na tej podstawie realizuje instrukcje multimodalne sformułowane naturalnym językiem.
Jakie parametry ma generowane wideo?
Model generuje wideo w 24FPS o długości od 5 do 15 sekund w rozdzielczościach 480p, 768p i 2K. Tworzy również natywne stereo z głosem, efektami dźwiękowymi i muzyką.
Do jakich zadań produkcyjnych nadaje się H3?
Sprawdza się w reklamie, brandingu, e-commerce, projektowaniu produktów, UI/UX, produkcji treści do gier oraz w krótkich formach wideo opartych na materiale referencyjnym.
Czym różni się MiniMax H3 od MiniMax H3 Max?
MiniMax H3 Max to wariant wyspecjalizowany w szybkim generowaniu w 480p lub 768p na dużą skalę. H3 jest modelem ogólnym łączącym wszystkie modalności i zadania.
Jakie są ograniczenia modelu?
Spójność fizyczna świata pozostaje wyzwaniem, a wiarygodność wizualna nie gwarantuje poprawności fizycznej. Zgłaszane błędy obejmują nieprawidłowe ugruntowanie dowodów, niepełne urzeczywistnienie zdarzeń oraz naruszenia mechaniki kontaktu i geometrii obiektów.
Czy H3-Context-IR jest dostępny w otwartym wydaniu?
Nie, H3-Context-IR nie jest częścią wydania open-source i jest dostępny wyłącznie przez API.
