MiniMax H3Open Weights
วิดีโอ AI แบบมัลติโหมด พร้อมเสียงสเตอริโอแบบเนทีฟ

MiniMax H3 คือโมเดลสร้างวิดีโอ AI แบบมัลติโหมดอเนกประสงค์จาก MiniMax โดยเข้าใจข้อความ ภาพ วิดีโอ และเสียงในคอนเท็กซ์เดียว และสามารถสร้างคลิปยาวได้สูงสุด 15 วินาที ที่ความละเอียด 2K พร้อมเสียงสเตอริโอในตัวที่ซิงก์กัน

MiniMax H3 คือชื่อโมเดลอย่างเป็นทางการ ผู้ใช้บางคนอาจค้นหา Hailuo 3.0 หรือ Hailuo H3 เพราะ Hailuo เป็นโปรดักต์วิดีโอสำหรับผู้บริโภคของ MiniMax แต่ทั้งโพสต์เปิดตัวและคลังโมเดลอย่างเป็นทางการของ MiniMax เรียกโมเดลนี้ว่า MiniMax H3

MiniMax เผยแพร่น้ำหนัก (weights) ของ H3-Base แบบครบชุด และอธิบายการปล่อยครั้งนี้ว่าเป็นโอเพนซอร์ส แต่ให้ชัดเจนยิ่งขึ้น H3 เป็นโมเดลแบบ open-weight ที่แจกจ่ายภายใต้ MiniMax H3 Community License ไม่ใช่ไลเซนส์แบบ permissive มาตรฐานอย่าง Apache 2.0 หรือ MIT โปรดตรวจสอบไลเซนส์ปัจจุบันก่อนนำไปดีพลอยเชิงพาณิชย์หรือแจกจ่ายต่อ

รีโปอย่างเป็นทางการ MiniMaxAI MiniMax-H3 บน Hugging Face มีทั้งดัชนีโมเดลและเช็กพอยต์ FL2VA และ Ref2VA นอกจากนี้ MiniMax ยังมีเอกสารสำหรับการรันอินเฟอเรนซ์ผ่าน Diffusers, SGLang, vLLM และ ComfyUI ด้วย ไฟล์โมเดลมีขนาดใหญ่ ดังนั้นการดีพลอยแบบโลคัลจึงต้องใช้ฮาร์ดแวร์ที่รองรับและมีสเปกค่อนข้างสูง

เวิร์กโฟลว์ H3-Base แบบโลคัลอย่างเป็นทางการจะตรวจสอบผลลัพธ์ที่ 768p ส่วนเวิร์กโฟลว์ 2K แบบเต็มของ MiniMax จะผสานบริการ H3-Base ที่ดีพลอยแบบโลคัลเข้ากับสเตจ API อย่างเป็นทางการ ได้แก่ H3-Context-IR และ H3-Regenerate-2K ดังนั้น H3-Base แบบโลคัลล้วนๆ กับเวิร์กโฟลว์ 2K แบบเต็มที่อิง API จึงไม่ใช่สิ่งเดียวกัน

ใช่ H3 จะพยากรณ์วิดีโอและเสียงไปพร้อมกัน และถอดรหัสเป็นเสียงสเตอริโอในตัว รวมถึงเสียงพูด เสียงบรรยากาศ เอฟเฟกต์ และดนตรี โดย MiniMax ออกแบบให้เสียงประเภทเหล่านี้ถูกโมเดลร่วมกัน แทนการแยกไปสร้างด้วยระบบคนละชุด

H3 รองรับคำสั่งแบบข้อความ พร้อมรูปภาพอ้างอิง วิดีโอ และเสียง โดยเช็กพอยต์อย่างเป็นทางการครอบคลุมเวิร์กโฟลว์ text-to-audio-video, first-or-last-frame-to-audio-video และ reference-to-audio-video ขณะที่ระบบในภาพรวมยังรองรับการอ้างอิงแบบมัลติโหมดและความสัมพันธ์การตัดต่อที่อธิบายด้วยภาษาธรรมชาติ

อธิบายตัวแบบ แอ็กชัน การเคลื่อนกล้อง ลำดับช็อต แสง สไตล์ภาพ บทสนทนา บรรยากาศ เสียงเอฟเฟกต์ ดนตรี และบทบาทของไฟล์อ้างอิงแต่ละชิ้น H3 ถูกออกแบบมาให้เข้าใจความสัมพันธ์ระหว่างอินพุตต่างๆ ดังนั้นให้บอกด้วยว่าอยาก “ยืม” อะไรจากรูปภาพ วิดีโอ หรือไฟล์เสียงแต่ละรายการ

ได้ MiniMax H3 ใช้งานได้ผ่านเครื่องมือวิดีโอ AI ของ VisionStory ควบคู่ไปกับโมเดลวิดีโอสไตล์ภาพยนตร์อื่นๆ MiniMax เป็นผู้สร้าง H3 — ส่วน VisionStory ให้เวิร์กโฟลว์รอบๆ การใช้งาน ไม่ใช่ตัวโมเดลเอง

MiniMax H3, Seedance ของ ByteDance และ Kling ของ Kuaishou เป็นโมเดลวิดีโอแบบมัลติโหมดที่มีความสามารถทับซ้อนกัน ทั้งแปลงข้อความเป็นวิดีโอและภาพเป็นวิดีโอ จุดที่ H3 แตกต่างเด่นชัดคือการเปิดเผยเวท H3-Base ดีไซน์การอ้างอิงและการแก้ไขที่ยืดหยุ่น ใช้พายป์ไลน์ 2K และมีเสียงสเตอริโอในตัว ตัวเลือกที่เหมาะที่สุดจะขึ้นอยู่กับสไตล์การเคลื่อนไหวที่ต้องการ ระดับการควบคุมด้วยเรเฟอเรนซ์ เวิร์กโฟลว์เสียง ความต้องการด้านการนำไปใช้งาน และความพร้อมใช้งานของฟีเจอร์ในปัจจุบัน