VIBEPAPER JOURNAL / AI CREATION

MiniMax H3 在 VibePaper 里:给混合参考分配角色、与画面一起规划声音,以及目前还卡在哪

VibePaper · 更新于

MiniMax H3 把文本、图片、视频和音频理解为同一个创作上下文,然后生成音画同步的场景。它和文生视频接口最实际的区别是:你挂上的每一个文件都是一个决定,要么回答镜头里的一个问题,要么只会添乱。这篇文章讲清楚 H3 如何读取混合参考、怎样分配角色、声音如何与画面一起规划、MiniMax 公布的 768p 与 2K 两个阶段是什么,以及我们在 Paper Gen 里尝试生成时发生了什么。凡是来自 MiniMax 的说法,我们都会注明。

  • MiniMax H3
  • AI 视频生成
  • 混合参考
  • 音画同步
  • VibePaper
MiniMax H3 视频截帧
MiniMax H3 截帧。下文的操作步骤以 VibePaper Paper Gen 界面为准。

一览

MiniMax 公布的 H3 能力,以及在 Paper Gen 里实际影响任务的设置
能力官方数字或表现在 Paper Gen 里意味着什么
单次时长每次生成 4–15 秒Paper Gen 默认 5 秒。提交前先设好,它定义了这次任务。
分辨率768p 为基础生成;通过再生成流程可到 2KPaper Gen 默认 768p。先在 768p 上迭代,已确认的结果再提升分辨率。
画面与声音24 FPS 视频,原生 32 kHz 立体声,一次生成对白和环境声要写进提示词,并放在它们对应的画面旁边。
混合参考最多 9 张图片、3 段视频、3 段音频;合计 12 个文件在「参考」模式里添加,每个文件只承担一项任务。
画面控制首帧、尾帧,或两者都用开场或结尾画面已经定稿时,用「首尾帧」。
画幅比例横屏、方形、竖屏Paper Gen 默认 16:9。提交前先选好画幅。

一个上下文,多种来源

大多数视频模型读取一段提示词,返回一段片段。H3 读取的是一组素材,并尝试从中搭出一个场景。MiniMax 把输入描述为一个统一的创作上下文,所以主体、动作、镜头语言、声音、环境和节奏,可以分别来自不同的文件,而不必全都写在你输入的那句话里。

这是 H3 最主要的不同,也改变了工作方式。挂上任何文件之前,先想清楚每个文件用来做什么。不能回答镜头里某个问题的参考,只会增加噪音,还可能把结果带离你想让它承担的那个角色。

给每个参考分配角色

这些角色来自每种输入能承载什么。它们是我们在打开 Paper Gen 之前规划任务的方法,并不是界面上的开关。

把每种参考类型对应到它应该控制的镜头部分
参考类型它回答的问题镜头里的角色示例
图片画面里是谁或什么,长什么样角色的面部和服装,或房间的材质
视频什么在动,镜头怎么动一次推近、一个手部动作、转身的节奏
音频场景听起来是什么样,谁在说话一个声音、室内的环境音、切点的节奏
首帧 / 尾帧镜头如何开始、如何收束片段首尾两帧的构图

与画面一起规划声音

H3 把画面和声音一起生成。MiniMax 表示,视觉与音频的潜空间是分开的,但生成发生在同一个系统里,音频由左右两个声道分别处理、再合成为立体声。实际意味着:声音属于这个镜头,而不是事后叠上去的一层。

所以要把声音写进它所属画面的同一个节拍里。「手慢下来的时候陶轮发出嗡鸣」给了模型一个可以同步的事件;「加入环境音」则没有给它任何可同步的东西。

开始前要知道一个约束:音频参考不能作为唯一输入。音频必须和图片或视频参考放在一起;每段视频或音频需要 2–15 秒,每类的总时长上限为 15 秒。

先在 768p 迭代,再在 2K 上再生成

MiniMax 描述了两个阶段。H3-Base 生成 768p 的音画序列。H3-Regenerate-2K 把这个结果和原始上下文一起送回 H3,按更高分辨率重新生成。它不是简单放大:因为模型可以重新读取原始指令和参考,MiniMax 认为它能恢复纯像素放大无法得到的细节。

实际的循环由此而来:用 768p 检验构图、动作和声音;某一条成立后,只把这一条再生成到更高分辨率。不要指望 2K 阶段去修正 768p 时就错了的镜头。

模型背后的两个权重

MiniMax 把 H3-Base 公开为两个权重。H3-Base-FL2VA 支持文生视频,并可选首帧、尾帧或首尾帧控制;H3-Base-Ref2VA 负责混合参考。两者都已开放用于部署和微调。

范围很重要。托管的 Context-IR 编排层、H3-Regenerate-2K 以及原生稀疏注意力实现不在这次开放范围内,所以完整的官方 2K 流程仍依赖 MiniMax 的服务。Paper Gen 提供的是托管的工作流,而不是原始权重。

在 VibePaper 里做一段 MiniMax H3 视频

  1. 01打开视频模式,选择 MiniMax H3在 Paper Gen 里从「图片」切到「视频」,打开模型选择器,进入 Minimax 分组并选择 MiniMax H3。同一分组里还有 Hailuo 2.3 Fast。
  2. 02设定比例、分辨率和时长H3 默认 16:9、768p 和 5 秒。写提示词前先确认这三项,它们定义了任务本身。
  3. 03给每个文件分配角色确定哪个参考控制角色、动作、声音或构图。不能回答镜头里某个问题的文件,直接去掉。
  4. 04把提示词写成带声音的镜头主体、一个动作、一种运镜、光线,然后是环境声和对白,每一项都挂在它发生的那一刻。
  5. 05生成,然后看结果或错误任务开始后会出现在「你的创作」里。任务失败时,原因会显示在设置栏下方,方便你复制准确的报错信息发给支持人员。
在 Paper Gen 里从选择 H3 到查看结果的路径。

各项设置在哪里

影响 H3 任务的设置分布在两处:提示词框上方的输入模式切换,以及下方的设置栏。

界面长什么样

先选模型。在模型选择器里,MiniMax 有自己的分组,H3 排在最前,旁边是 Hailuo 2.3 Fast。比例、时长和参考规则都跟着模型走,所以要先选模型,再动其他设置。

我们遇到的限制和尚未验证的部分

官方功能列表只说明模型设计上能做什么。限制才决定它适不适合你的工作,所以下面是我们实际碰到的情况,以及还没验证的部分。

  • 测试当天生成失败。H3 任务按 16:9、768p、5 秒提交,返回「Could not start generation. Please try again. Nexra API returned HTTP 404」。稍等后重试,同样的错误。我们已经反馈给技术同事,不会展示我们没有拿到的 H3 结果。
  • 我们检查时,H3 的「生成」按钮上没有显示价格,所以提交前无法确认花费。每次提交前都要看一下生成按钮,不要参照其他模型的价格。
  • 参考素材的长度限制很严格:视频和音频参考各自需要 2–15 秒,音频不能单独作为唯一输入。上传前先核对长度。
  • 版权要求同样适用。任何上传的人像、声音、标志或受版权保护的元素,无论用哪个模型,都需要确认授权。

第一次尝试的提示词清单

中近景:一双湿润的手在阳光充足的工作室里,于旋转的陶轮上塑造一只陶碗。缓慢推近,浅景深。柔和的窗光,光束里有浮尘飘动。声音:手慢下来时陶轮发出嗡鸣,水滴落进金属桶里。无对白、无文字、无标志。

关于 MiniMax H3 的常见问题

MiniMax H3 单次生成最长多久?

MiniMax 公布的是每次 4 到 15 秒。Paper Gen 默认 5 秒。想要更长的序列,请规划成几段,每段配一份分镜清单。

H3 会同时生成声音吗?

会。MiniMax 公布的是原生 32 kHz 立体声,与画面一次生成。把声音写进它所属画面的同一个节拍里。

不用参考素材可以吗?

可以。文生视频可以直接用,首帧和尾帧控制都是可选的。需要特定角色、动作、声音或节奏贯穿整段片段时,参考素材才有明显用处。

为什么我的 H3 任务失败了?

Paper Gen 会把原因显示在设置栏下方。我们测试当天的原因是「Nexra API returned HTTP 404」,属于服务端错误,而不是提示词的问题。请复制完整的报错信息,稍后重试,或发给支持人员。

参考资料与阅读边界

技术概念以所列官方资料与原始来源为准。文中的工作流建议和示例属于编辑分析,不构成效果保证。

  1. MiniMax-H3 模型卡,MiniMax 在 Hugging Face 的发布页来源:H3-Base-FL2VA 与 H3-Base-Ref2VA 两个检查点、视频和音频参考各 2–15 秒的长度,以及未开源的部分:Context-IR、H3-Regenerate-2K 和稀疏注意力实现。