稀宇科技は本日、MiniMax H3汎用マルチモーダル動画モデルを発表しました。魔搭コミュニティによると、このモデルは北京時間8月3日0時に正式にオープンソース化されます。
MiniMax H3は、テキスト、画像、動画、音声で構成されるマルチモーダルコンテキストを統一的に理解でき、ネイティブなステレオ音声を備えた音声付き動画を出力します。最大15秒・2K解像度に対応します。
Contextual Omni Representation、H3-VAE、H3-Omni Transformer、In-context Regenerationなどの複数の技術により、MiniMaxは業界最高水準のコストパフォーマンスを提供できるとしています。標準で2K解像度に対応し、2K解像度での1秒あたりの価格は主要モデルの1/3未満、768P解像度では主要モデルの720Pの1/2です。
公式によると、このモデルの主な特徴は以下のとおりです。
ネイティブなマルチモーダル理解と生成：テキスト、画像、音声、動画などの多様な入力に対応し、異なる素材に含まれる人物、動作、音声、感情、カメラワーク、スタイル、表現意図を理解して、複数の参照情報を自然に融合します。
マルチモーダルな高精度編集と制御：人物、物体、シーン、音声、テンポを多角的に編集でき、きめ細かな指示追従能力も備えています。
商用レベルの多様なシーンに対応したコンテンツ生成：映画・映像、広告、ブランド、EC、ゲームなどの実際の商用コンテンツシーンを対象とし、テキスト字幕、ブランド情報、クリエイティブエフェクト、製品紹介、UI / UXの動的デモ、ゲームビジュアル、スタイル表現に対応します。