Революция Day-0 и локальный запуск
Компания MiniMax официально представила модель третьего поколения H3, ставшую первой в линейке Hailuo с открытыми весами (open weights). Ключевое преимущество для разработчиков и энтузиастов — поддержка ComfyUI с первого дня (Day-0). Модель оптимизирована для локального запуска, в том числе на видеокартах начального уровня, таких как NVIDIA RTX 3060, что делает передовые возможности генеративного видео доступными без облачных сервисов.
Технические характеристики и возможности
H3 позиционируется как омни-модальная (omni-modal) модель, объединяющая пять задач в один процесс. В отличие от предыдущих версий, она не просто генерирует картинку, а создает полноценный аудиовизуальный опыт. Звук генерируется в том же проходе, что и видео, обеспечивая нативное стерео, а не добавляясь постобработкой.
| Параметр | Характеристика MiniMax H3 |
|---|---|
| Разрешение вывода | До 2K (2560x1440) |
| Длительность клипа | До 15 секунд |
| Аудио | Нативное стерео, генерация в один проход |
| Входные модальности | Текст, изображения, видео, аудио |
| Режимы генерации | Text-to-Video, Image-to-Video, First/Last Frame, Reference-to-Video |
| Оптимизация | Работает на RTX 3060 (ComfyUI) |
Мультимодальное понимание и контроль
Главная сила H3 — способность анализировать сложные отношения между входными данными. Модель может одновременно обрабатывать изображение, аудио и видео, сопоставляя их с текстовым промптом. Это позволяет реализовывать сценарии, где, например, движение камеры и ритм монтажа берутся из референсного видео, а персонаж и стиль — из изображений.
Поддерживаются продвинутые сценарии использования:
- Reference-to-Video: перенос субъекта, движения или голоса через клип.
- Editing and Motion Transfer: передача движения с референсного видео на новый объект.
- First-and-last-frame: точный контроль начала и конца сцены.
Примеры применения
В демонстрационных материалах MiniMax показала способность модели работать с различными стилями: от комикс-инки с синхронизированной типографикой до высокобюджетной рекламы продуктов. Модель корректно обрабатывает сложные переходы, такие как whip-pan (резкий поворот камеры), и генерирует звуковые эффекты, соответствующие визуальным действиям (например, звук открытия банки или рык механического монстра).
Источник: Comfy ↗