MiniMax H3

MiniMax H3 は MiniMax が公開した汎用マルチモーダル動画生成モデルです。テキスト、画像、動画、音声が示す状況を合わせて理解し、ネイティブのステレオ音声を伴う動画を生成します。制作時には、すべての要件を文章だけで説明する必要がありません。画像で被写体や構図を示し、動画で動作やカメラ表現を例示し、音声でリズムや音の方向性を伝えられます。アイデアだけならテキストから始められます。画像からの生成では開始画像と任意の終了画像で流れを導き、参考素材からの生成では画像、動画、音声を組み合わせられます。公式の研究資料では、複雑な指示の理解、画面内の文字やブランド要素の表現、参考動画からの動作転移が取り上げられており、商品紹介、広告案、インターフェースのコンセプト、音声付きの物語表現に適しています。マルチモーダル入力は制御の幅を広げますが、素材同士の整合性も必要です。各参考素材の役割を決め、残す要素をプロンプトで指定してください。生成後は、文字、ロゴ、身体の動き、映像と音声の同期が作品の要件に合っているか確認します。

• マルチモーダル参照
• ステレオ音声