শিয়ু টেকনোলজি আজ MiniMax H3 সাধারণ মাল্টিমোডাল ভিডিও মডেল উন্মোচনের ঘোষণা দিয়েছে। ModelScope কমিউনিটির তথ্য অনুযায়ী, মডেলটি বেইজিং সময় ৩ আগস্ট ০টায় আনুষ্ঠানিকভাবে ওপেন সোর্স হবে।
MiniMax H3 টেক্সট, ছবি, ভিডিও ও শব্দ নিয়ে গঠিত মাল্টিমোডাল প্রসঙ্গ একীভূতভাবে বুঝতে পারে এবং নেটিভ স্টেরিও অডিওসহ অডিও-ভিডিও তৈরি করতে পারে। এটি সর্বোচ্চ ১৫ সেকেন্ডের 2K রেজোলিউশন সমর্থন করে।
Contextual Omni Representation, H3-VAE, H3-Omni Transformer, In-context Regeneration-সহ একাধিক প্রযুক্তির সহায়তায় MiniMax জানিয়েছে, তারা শিল্পের সেরা খরচ-সাশ্রয়ী সুবিধা দিতে সক্ষম। মডেলটি ডিফল্টভাবে 2K রেজোলিউশন সরবরাহ করে। 2K রেজোলিউশনে এর প্রতি সেকেন্ডের মূল্য প্রধান মডেলগুলোর এক-তৃতীয়াংশেরও কম, আর 768P রেজোলিউশনে প্রধান মডেলগুলোর 720P মূল্যের অর্ধেক।
কোম্পানির মতে, মডেলটির প্রধান বৈশিষ্ট্যগুলো হলো:
নেটিভ মাল্টিমোডাল বোঝাপড়া ও তৈরি: টেক্সট, ছবি, অডিও, ভিডিওসহ বিভিন্ন ইনপুট সমর্থন করে; বিভিন্ন উপাদানের মানুষ, ক্রিয়া, শব্দ, আবেগ, ক্যামেরা শট, স্টাইল ও প্রকাশের উদ্দেশ্য বুঝতে পারে এবং একাধিক রেফারেন্স তথ্য স্বাভাবিকভাবে একত্রিত করে।
নির্ভুল মাল্টিমোডাল সম্পাদনা ও নিয়ন্ত্রণ: মানুষ, বস্তু, দৃশ্য, শব্দ ও ছন্দ বহু মাত্রায় সম্পাদনা করতে পারে এবং সূক্ষ্ম নির্দেশনা অনুসরণে সক্ষম।
বাণিজ্যিক পর্যায়ের বহু দৃশ্যের কনটেন্ট তৈরি: চলচ্চিত্র, বিজ্ঞাপন, ব্র্যান্ড, ই-কমার্স ও গেমের মতো বাস্তব বাণিজ্যিক কনটেন্টের ক্ষেত্রে টেক্সট সাবটাইটেল, ব্র্যান্ড তথ্য, সৃজনশীল বিশেষ প্রভাব, পণ্য প্রদর্শন, UI / UX গতিশীল প্রদর্শনী, গেম ভিজ্যুয়াল ও স্টাইলভিত্তিক প্রকাশকে সমন্বয় করে।