MiniMax H3
Видео, которое приходит со своим звуком
MiniMax H3 создает 2K-картинку и синхронную стереодорожку за одну генерацию — эффекты, фон и диалоги вместе. Уже на Popcraft.
Фильмы, созданные в H3
Диалоги, титры, трейлер, реклама, мода, игры, постеры, эффекты, макро и честный анаморфотный кадр. Видео играют при скролле; нажмите на динамик, чтобы включить звук.
Реальная речь
Автор в уличном кафе говорит в камеру. Слова, липсинк и звуки улицы получены в одной генерации — именно на этой возможности построена вся модель.
Кампания очков
Нативное 9:16 для соцсетей. Зеркальные линзы, четкие силуэты и студийная эстетика — стиль сохраняется на каждой склейке.
MIDNIGHT LINE
Титры детектива: сплит-скрины, блоки цвета и карточки актеров, сменяющиеся под ритм джазового саундтрека.
Рабочее игровое меню
Выбор персонажа, кастомизация оружия, читаемые кнопки. Визуализация разборчивого интерфейса — сложнейшая задача, с которой эта модель справляется.
THE STARS WERE LISTENING
Контрастный sci-fi тизер. Маленькая фигура на фоне гигантского кольца, проявляющиеся из тьмы титры и нарастающий звук.
POPUP! Series 001
Дизайн постера и коллекционной карточки: читаемые заголовки, нумерация серий и персонаж, отрисованный достаточно четко для печати.
Огонь и кожа
Высококонтрастная модная съемка — пламя на фоне, лаковая кожа и стабильность образа модели от кадра к кадру.
LEATHER IN MOTION
Сумерки, автомобиль и изучение текстур. Медленные движения, один источник света и четкая типографика поверх изображения.
Рисунок поверх реальности
Рисованная анимация светящихся линий поверх видео с трамваем, меняющая форму по мере движения по вагону.
Видно каждую чешуйку
Гребенчатый геккон в экстремальном макро. Текстура кожи, влажные блики и микродвижения сохраняют четкость в 2K.
MINIMAX, 2.35:1
Брендированное видео в разрешении 2944 by 1248 — честный анаморфотный кадр, а не кроп, с четким логотипом на балюстрадах.
Промпт, который это создал
Бриф, референсы и готовый результат — музыка, монтаж и экранная типографика включены в одну генерацию.
15-секундные титры 16:9 для детектива. Стиль: аниме, четкие силуэты, комиксный коллаж, асимметричные сплит-скрины, блоки цвета, титры на английском, немного катаканы. Настроение: 60% саспенс, 40% джаз — таинственно, стильно, урбанистично.
Движение как в графическом коллаже: линии на черном фоне, границы кадров щелкают, блоки цвета вставляются один за другим; силуэты и титры появляются под удары барабанов.
Английские титры должны быть четкими: имена плавно появляются, буквы по одной. Никаких иероглифов или ошибок. Каждое имя и роль появляются один раз — без повторов.
Переходы: круглые маски, вертикальные сдвиги, длинные тени, красные линии. Все в бит. Никаких мягких растворений или морфинга.
Музыка: оригинальный 15-секундный трек, 60% саспенс, 40% джаз — тягучий бас, пиццикато струнных, холодный пульс синтезатора, щетки, фрагменты саксофона. Нарастание 2с, кик на 3с, бас на 6с, рифф на 10с, финальный аккорд на последней секунде. Не имитировать существующие мелодии.
Шесть изображений, на которые опирается бриф: «использовать визуальный язык этих кадров».
Одна генерация. Карточки актеров, сплит-скрины, виниловые переходы и джаз — ничего не добавлялось и не монтировалось отдельно.
Для чего это будут использовать
Работа, в которой генеративный звук и монтаж внутри дубля меняют сам процесс продакшена.
Вертикальная реклама, которую можно смотреть сразу
Ролик 9:16 приходит с фоновым шумом, фоли и озвучкой, поэтому стейкхолдер видит не «немое кино», а готовый концепт.
Ожившие пекшоты
Закрепите фото продукта как первый и последний кадры, и модель достроит движение между ними — та же банка, тот же свет, но в динамике.
Одно лицо во всей серии
Референсы сохраняют внешность и одежду персонажа между дублями и склейками, что необходимо для создания постоянного экранного героя.
Аниматики с прописанной камерой
Движения камеры описываются точно: наезд — это наезд, а не то, что модель решила сделать случайно.
Монтаж без монтажной программы
Склейки, прописанные в промпте, выдают несколько планов в одном клипе с непрерывным звуковым фоном.
Что на самом деле отличает модель
Три вещи — и только первая по-настоящему уникальна.
Звук генерируется вместе с картинкой
Эффекты, фон и липсинк в одном файле. Мы проверяли: прописанные реплики воспроизводятся дословно и синхронно в каждом дубле.
Склейки внутри одной генерации
Три плана и две жесткие склейки именно там, где указано в промпте, без артефактов и с непрерывным звуковым фоном.
Любая длительность от 5 до 15
Длительность соблюдается до кадра. Если вы просите 11 секунд, вы получите ровно 11, а не округленные 15.
H3 в сравнении с Seedance 2.0
Наш тест: один промпт и те же референсы, модель — единственная переменная. Один промпт, а не бенчмарк. Одно поле пришлось изменить: H3 сам выбирает формат при наличии референса.
| Параметр | MiniMax H3 | Seedance 2.0 |
|---|---|---|
| Итоговое разрешение | 1440 × 2560 · 24 fps | 1248 × 1664 · 24 fps |
| Речь (транскрипция) | дословно и в синхроне, 4 из 4 | неразборчиво, не в синхроне |
| Длительность (запрос → итог) | 8 с → 8.000 с | 8 с → 8.08 с |
| Соблюдение кадрирования | нет — объект уменьшился | да |
| Читаемость лого (покадрово) | 134 из 192 | 159 из 193 |
Картинка сравнима, звук явно лучше, но хуже следует точным инструкциям. Мы не писали диалог в промпте, но H3 придумал и озвучил его сам.
Как писать промпты
Три части: укажите назначение вложений, напишите основную идею, затем опишите клип по кадрам — время склейки, план, движение, диалог и звук.
Прописывайте запреты вслух
Отрицание должно быть отдельной инструкцией. Для тишины укажите в поле музыки N/A — вот так: "non_diegetic_music": N/A. Просто оставить поле пустым — не то же самое.
Это обязательно. Наш промпт, просивший тихий фон без слов, выдал ролик с полной озвучкой и рекламными обещаниями, которые никто не печатал.
У звука есть свои поля
Фон и звуки действий идут не в описание кадра, а в overall_soundscape. Музыка, которую не слышат герои, — в non_diegetic_music. Диалоги остаются в описании кадра.
Цитируйте текст и соотносите речь с кадрами
Текст для экрана пишите в кавычках. Реплика должна укладываться в секунды, отведенные на кадр; она может длиться сквозь склейку, если указать это.
Пример заполненного промпта
три части в формате, который читает модельintegrated_multimodal_description: [Shot 1] A barista sets a mug on the marble counter shown in <Picture 1>, keeping the counter, the light and the mug's position. The camera pushes in with small amplitude at slow speed. The barista with a warm, low voice (S1) says: <d>[English] Yours.</d> [Shot 2] At 00:05.000, the shot cuts to an overhead close-up of steam rising from the mug while her last word carries over. overall_soundscape: Ceramic meets stone with one soft knock and low room tone continues underneath. An espresso machine hisses two rooms away. non_diegetic_music: N/A
Использование на Popcraft
H3 находится в списке видеомоделей рядом с Seedance. Три шага, и третий — самый важный.
Выберите MiniMax H3
Затем установите длительность — любое целое число от 5 до 15 секунд — и качество картинки.
Прикрепите референсы и укажите их роль
Вложения без меток — главная причина ошибок. Укажите, является ли фото первым или последним кадром.
Управляйте звуком, включая тишину
Опишите звуковой ландшафт и добавьте запреты. Если ничего не написать, H3 сам придумает и озвучит диалоги.
Вопросы
Клип приходит со звуками и диалогами, так что работа со звуком превращается в монтаж, а не в создание с нуля. Но это не финальный микс. Уровни громкости могут разниться, так что планируйте мастеринг перед публикацией.
Да, если не запретить. Это критически важно. В нашем тесте H3 сам озвучил рекламный текст при запросе на тихий фон. Всегда направляйте звуковой ландшафт и прописывайте запреты отдельной командой. Для клиентских проектов считайте это обязательным этапом проверки.
Запрос 768p или 720p вернет 768 пикселей по короткой стороне. Запрос 1080p апскейлится до 2K (1440 пикселей) — это единственное значение, которое меняется. Меньший тир генерируется на 40% быстрее, но мелкий текст на нем может стать нечитаемым.
Только без референсных изображений. Текст-в-видео соблюдает заданный формат. С референсом формат становится адаптивным — модель сама решит, какой он, и не всегда скопирует референс. В одной из наших генераций референс 3:4 вернулся в формате 9:16. Ориентируйтесь на итоговый файл.
Внешность — да, кадрирование — хуже. Референсы отлично держат образ и одежду. Однако инструкции по крупности плана соблюдаются слабее, чем в Seedance 2.0. Советуем указывать размер кадра и имя героя при каждой склейке.
Это одна модель. MiniMax называет её MiniMax H3, на некоторых платформах она известна как Hailuo 3.0. В меню Popcraft она указана как Hailuo 3. Мы используем название MiniMax H3.
Оплата идет за секунду видео. Актуальные цены смотрите на странице тарифов. Тир 768p занимает в три раза меньше места и создается быстрее, если вам не нужно экстремальное качество 2K.
Создайте видео, у которого уже есть звук
H3 уже доступен на Popcraft вместе с остальными видеомоделями.
Продолжайте исследовать
Похожие модели
Seedance 2.5 генерирует до 30 секунд видео за один запуск, поддерживает до 50 референсных активов, управляемый видеомонтаж, высокоточное темпоральное расширение, любое соотношение сторон от 0,4 до 2,5 и нативные промпты на более чем 10 языках. Доступно на Popcraft.
Генерируйте кинематографическое видео 4K из текста, изображений или клипов с Seedance 2.0 на Popcraft. Нативный синхронизированный звук, многокадровые последовательности и предельная чёткость до 4K (2160p).
Seedance 2.0 Mini — самый экономичный видео-тариф ByteDance: до 50% дешевле стандартного Seedance 2.0 и ~2× быстрее Fast, с промптами для текста, изображений, видео и звука. Уже на Popcraft.
Превращайте изображения и промпты в кинематографичное видео с Seedance 2.0 на Popcraft. Генерация по референсу, первый/последний кадр и мультисоотношение сторон до 4K.