آج MiniMax نے باضابطہ طور پر نئی نسل کا عمومی ویڈیو ماڈل MiniMax H3 اوپن سورس کر دیا۔
تعارف کے مطابق، MiniMax H3 ایک عمومی نوعیت کا مکمل ملٹی موڈل جنریشن سسٹم ہے۔ یہ متن، تصاویر، ویڈیوز اور آڈیو پر مشتمل ملٹی موڈل سیاق و سباق کو یکجا طور پر سمجھ سکتا ہے، اور زیادہ سے زیادہ 2K ریزولوشن، 15 سیکنڈ تک دورانیے اور مقامی سٹیریو آڈیو والی ویڈیوز تیار کر سکتا ہے۔ ٹاسک جنرلائزیشن پر مبنی نظامی ڈیزائن کی بدولت H3 نے پری ٹریننگ کے مرحلے میں ہی وسیع ملٹی موڈل سیاق و سباق کو سمجھنے اور تیار کرنے کی صلاحیت حاصل کر لی تھی، اسی لیے یہ پیچیدہ ملٹی موڈل ہدایات پر عمدگی سے عمل کر سکتا ہے۔
H3 درج ذیل ان پٹ اور آؤٹ پٹ خصوصیات کو سپورٹ کرتا ہے:
آؤٹ پٹ دورانیہ: 4–15 سیکنڈ
آؤٹ پٹ پہلو تناسب: متعدد پہلو تناسب، جن میں 21:9، 16:9، 4:3، 1:1، 3:4 اور 9:16 شامل ہیں، تاہم یہ انہی تک محدود نہیں
آؤٹ پٹ ریزولوشن: متعدد ریزولوشن سائز سپورٹ کرتا ہے، ڈیفالٹ طور پر چھوٹی سمت کو 768 پکسلز پر سیٹ کیا جاتا ہے۔ H3-Regenerate-2K استعمال کرکے 2K ریزولوشن جنریشن ممکن ہے
آؤٹ پٹ فریم ریٹ: 24 FPS
آؤٹ پٹ آڈیو: 32 kHz سٹیریو
سپورٹ شدہ مکالمے کی زبانیں: 11 زبانوں کی مستحکم معاونت: عربی، چینی، انگریزی، فرانسیسی، جرمن، اطالوی، جاپانی، کوریائی، پرتگالی، روسی اور ہسپانوی۔ دیگر زبانوں کے لیے بھی مختلف سطحوں پر معاونت دستیاب ہے۔
ماڈل ورژن اور ان پٹ خصوصیات:
① H3-Base-FL2VA
ابتدائی و آخری فریم موڈ: 0، 1 یا 2 تصاویر کے ان پٹ کو سپورٹ کرتا ہے:
تصویر کے بغیر، یہ متن سے ویڈیو بنانے کا موڈ ہے؛
ابتدائی فریم کی تصویر داخل کرنے پر، یہ ابتدائی فریم سے ویڈیو بنانے کا موڈ ہے؛
آخری فریم کی تصویر داخل کرنے پر، یہ آخری فریم سے ویڈیو بنانے کا موڈ ہے؛
ابتدائی اور آخری دونوں فریموں کی تصاویر بیک وقت داخل کرنے پر، یہ ابتدائی و آخری فریموں سے ویڈیو بنانے کا موڈ ہے
② H3-Base-Ref2VA
مکمل ملٹی موڈل حوالہ جاتی موڈ:
تصاویر: زیادہ سے زیادہ 9؛
ویڈیوز: زیادہ سے زیادہ 3 حصے؛ ہر حصے کا دورانیہ 2–15 سیکنڈ ہونا چاہیے، جبکہ مجموعی دورانیہ 15 سیکنڈ سے زیادہ نہ ہو؛
آڈیو: زیادہ سے زیادہ 3 حصے۔ آڈیو کو تصاویر یا ویڈیوز کے ساتھ داخل کرنا ضروری ہے، اسے واحد ان پٹ کے طور پر استعمال نہیں کیا جا سکتا؛ ہر حصے کا دورانیہ 2–15 سیکنڈ ہونا چاہیے، جبکہ مجموعی دورانیہ 15 سیکنڈ سے زیادہ نہ ہو؛
مخلوط ان پٹ: تمام اقسام کی ان پٹ فائلوں کی مجموعی تعداد زیادہ سے زیادہ 12
H3 کا مکمل نظام درج ذیل تین ماڈیولز پر مشتمل ہے:
H3-Contex t-IR: ان پٹ کے مسلسل پیچیدہ ہونے کے ساتھ، ہم نے ایک خصوصی نظام تیار کیا ہے جو ملٹی موڈل ہدایات کو گہرائی سے سمجھنے اور ان کا خلاصہ کرنے، پھر انہیں ایسی شکل میں تبدیل کرنے کے لیے استعمال ہوتا ہے جسے H3 زیادہ آسانی سے سمجھ سکے اور براہِ راست جنریشن کے لیے استعمال کر سکے، یعنی Context Intermediate Representation (سیاق و سباق کی درمیانی نمائندگی)۔ H3-Context-IR حتمی آؤٹ پٹ کے معیار کے لیے نہایت اہم ہے۔ اس لیے ہم H3-Context-IR API کو جنریشن کے عمل میں شامل کرنے کی بھرپور سفارش کرتے ہیں۔ متبادل طور پر، آپ پرامپٹ گائیڈ سے رجوع کرکے اپنا سیاق و سباق پروسیسنگ سسٹم تیار کر سکتے ہیں۔
H3-Base: H3-Context-IR کے آؤٹ پٹ کی بنیاد پر آڈیو اور ویڈیو تیار کرتا ہے، اور 768p ریزولوشن کے نتائج آؤٹ پٹ کرتا ہے۔
H3-Regenerate-2K: 768p کے جنریشن نتائج کو اصل سیاق و سباق سمیت دوبارہ H3 میں بھیج کر آؤٹ پٹ کو 2K ریزولوشن میں دوبارہ تیار کرتا ہے۔ اس طرح H3 کی طاقتور جنریشن صلاحیت سے فائدہ اٹھانے کے ساتھ اصل سیاق و سباق میں موجود بھرپور معلومات سے بھی مکمل استفادہ کیا جاتا ہے، جس کے نتیجے میں زیادہ درست تفصیلات اور زیادہ بصری وفاداری والے ہائی ریزولوشن نتائج حاصل ہوتے ہیں۔
MiniMax H3 کو MiniMax H3 Community License کے تحت جاری کیا گیا ہے۔
اوپن سورس پتہ: huggingface.co/MiniMaxAI/MiniMax-H3