انتخابِ FL2VA یا Ref2VA از نقشِ فایل‌ها می‌آید: برای تعیینِ آغاز و پایان، قابهای مشخص لازماند؛ برای هدایتِ ظاهر، حرکت یا صدا، مرجع‌های مرتبط مطرحاند. همه عکسها را با یک برچسبِ عمومیِ «ورودی تصویر» توضیح ندهید؛ نقششان انتخابِ مسیر را عوض می‌کند.
نکات کلیدی KEY TAKEAWAYS
- MiniMax H3 می‌تواند ظاهر، حرکت و صدا را از مرجع‌های جدا بگیرد؛ در دستور، نقش هر فایل را روشن کنید.
- برای تعیین قاب آغاز و پایان، FL2VA مناسب است؛ برای ترکیب مرجع‌های تصویر، ویدیو و صدا، Ref2VA را بررسی کنید.
- در Ref2VA، صدای مرجع به‌تنهایی کافی نیست و باید همراه تصویر یا ویدیو باشد.
- H3-Base خروجی 768p می‌سازد؛ مسیر کامل H3 با مرحله بازتولید، خروجی 2K هم میدهد. مدت اعلامشده خروجی ۴ تا ۱۵ ثانیه است.
MiniMax H3 چیست و چه ویدیویی می‌سازد؟
H3 مدل ویدیویی MiniMax است و تصویر متحرک و صدا را با هم تولید می‌کند. نمونه‌های رسمی آن شامل تیتراژ، پوستر متحرک و ویدیوی تبلیغاتی است. برای ساخت این نوع کلیپ‌ها می‌توانید صحنه را با متن توضیح دهید یا بخشی از خواسته را با فایل مرجع نشان دهید.
مرجع‌ها زمانی مفیدند که توضیح نوشتاری به‌تنهایی منظور شما را دقیق نمی‌رساند. یک کلیپ می‌تواند حرکت دوربین را نشان دهد و یک عکس، ظاهر شخصیت را مشخص کند؛ H3 نقش این فایل‌ها را از توضیح شما می‌گیرد.
MiniMax برای این نمونه سه ورودی منتشر کرده است: کلیپ حرکت دوربین، عکس شخصیت و فایل آواز. در درخواست ساخت، دوربین باید از ویدیو الگو بگیرد و شخصیتِ عکس با صدای فایل صوتی بخواند.
یک اجرا با سه مرجع متفاوت
این نمونه نقش مرجع‌ها را روشن می‌کند: لازم نیست ظاهر، حرکت و صدا را از یک فایل واحد بگیرید. پرامپت مشخص می‌کند هر ورودی کدام بخش از خروجی را تعیین کند.
دیدن نمونه اصلیورودی، خروجی و محدودیت‌ها
| قابلیت | ورودی و خروجی | نکته عملی |
|---|---|---|
| تولید از متن | مدل از توصیف شما، ویدیو و صدا می‌سازد. | وقتی ظاهر یا حرکت مشخصی در فایل مرجع ندارید، از متن شروع کنید. |
| مرجع تصویر (Image Reference) | مدل ظاهر محصول یا شخصیت را از عکس می‌گیرد. | در Ref2VA می‌توانید تا ۹ عکس بدهید؛ نقش هر عکس را در متن مشخص کنید. |
| مرجع ویدیو (Video Reference) | مدل از کلیپ، برای حرکت، دوربین یا ریتم الگو می‌گیرد. | Ref2VA تا ۳ کلیپِ ۲ تا ۱۵ثانیه‌ای می‌گیرد؛ مجموع مدت آن‌ها نباید از ۱۵ ثانیه بیشتر شود. |
| مرجع صدا (Audio Reference) | فایل صوتی می‌تواند اجرای شنیداری خروجی را هدایت کند. | Ref2VA تا ۳ فایل صوتیِ ۲ تا ۱۵ثانیه‌ای با مجموع حداکثر ۱۵ ثانیه می‌گیرد؛ تصویر یا ویدیو هم باید همراه آن‌ها باشد. |
| وضوح خروجی | H3-Base خروجی 768p می‌سازد و H3-Regenerate-2K آن را با مرجع‌های اولیه در وضوح 2K بازتولید می‌کند. | نسخه پایه و مسیر کامل 2K خروجی یکسانی ندارند؛ گزینه وضوح را در سرویس انتخابی خود بررسی کنید. |
| مدت خروجی | مدت ویدیو در مشخصات رسمی از ۴ تا ۱۵ ثانیه است. | برای روایت طولانی‌تر، چند نما بسازید و آن‌ها را در تدوین کنار هم قرار دهید. |
مجموع همه مرجع‌ها در Ref2VA حداکثر ۱۲ فایل است؛ سقف جداگانه عکس، ویدیو و صدا را نمی‌توان با هم جمع کرد.
برای تیزری که قرار است بزرگ نمایش داده شود، جزئیات تصویر اهمیت بیشتری پیدا می‌کند. MiniMax این ویدیو را در بخش نمایش قابلیت 2K منتشر کرده است.
نمونه خروجی 2K
ویدیو را در اندازه بزرگ ببینید و جزئیات چهره، لباس و پس‌زمینه را بررسی کنید. وضوح بالاتر زمانی به کار می‌آید که جزئیات موردنیاز شما در تصویر خوانا بمانند.
دیدن نمونه اصلینامها و دو مسیر اصلی MiniMax H3
MiniMax H3 و Hailuo
H3 نام مدل است و Hailuo نام محیط ساخت ویدیو است. برای شناخت قابلیت‌ها، نام مدل انتخاب‌شده در محیط را بخوانید؛ نام Hailuo به‌تنهایی نسخه مدل را مشخص نمی‌کند.
H3-Base-FL2VA
این مسیر از متن، ویدیوی دارای صدا می‌سازد. یک عکس می‌تواند فریم آغاز یا پایان باشد و دو عکس، هر دو سر شات را تعیین می‌کنند. وقتی قاب شروع یا مقصد مشخصی دارید، FL2VA مناسب است.
H3-Base-Ref2VA
این مسیر تصویر، ویدیو و صدا را به‌عنوان مرجع به کار می‌گیرد. وقتی ظاهر شخصیت در عکس است و حرکت یا صدا را از فایل دیگری می‌خواهید، Ref2VA انتخاب مناسب‌تری است.
کدام ورودی برای کار شما کافی است؟
هر مرجع باید یک بخش مشخص از نتیجه را تعیین کند. اگر ظاهر شخصیت را در عکس دارید، همان عکس را بدهید؛ فایل‌های دیگر زمانی لازم می‌شوند که حرکت، دوربین یا صدای معینی می‌خواهید.
فقط توصیف صحنه دارید
در حالت تولید از متن، سوژه، فضا و عمل اصلی را بنویسید. از یک شات کوتاه شروع کنید تا اجرای درخواست را به‌راحتی ببینید.
هویت محصول مهم است
عکس محصول را به‌عنوان تصویر مرجع بدهید و شکل، رنگ یا جزئیاتی را که باید باقی بمانند مشخص کنید.
محصول را در آغاز، میانه و پایان با عکس مقایسه کنید؛ تغییر شکل یا نوشته مهم را پیش از ادامه کار اصلاح کنید.
ریتم یا حرکت آماده دارید
کلیپ را وارد کنید و بنویسید حرکت سوژه، حرکت دوربین یا ریتم آن را می‌خواهید. ظاهر صحنه را با مرجع تصویر و متن جدا مشخص کنید.
اگر پس‌زمینه کلیپ هم ناخواسته وارد خروجی شده، نقش مرجع ویدیو را در دستور روشن‌تر کنید.
صدا هم بخشی از شات است
در Ref2VA فایل صوتی را همراه تصویر یا ویدیو وارد کنید و مشخص کنید چه نقشی در گفتار، موسیقی یا فضای صوتی داشته باشد.
خروجی را با صدا پخش کنید؛ ورود گفتار یا افکت باید با اتفاق مربوط در تصویر هم‌زمان باشد.
صدای استریو می‌تواند حس جهت و فاصله را به صحنه اضافه کند. MiniMax نمونه زیر را برای نمایش صدای دوکاناله H3 منتشر کرده است.
نمونه صدای استریوی همراه تصویر
این نمونه را با هدفون بشنوید و به تفاوت صدا در گوش چپ و راست توجه کنید؛ این تفاوت، موضوع نمایش استریو است. هماهنگی زمان صدا با اتفاق تصویر، معیار جداگانه‌ای است.
دیدن نمونه اصلییک شات چندمرجعی را چطور بسازید؟
نمونه اجرای موسیقی در ابتدای مقاله، روش نوشتن یک درخواست چندمرجعی را روشن می‌کند. سازنده در همان دستور مشخص کرده است که دوربین، شخصیت و آواز هرکدام از کدام فایل بیایند.
- فایل‌ها را بر اساس نقششان انتخاب کنید
در نمونه رسمی، Video 1 حرکت دوربین، Image 2 شخصیت و Audio 3 آواز را مشخص می‌کنند. برای کار خودتان هم فقط فایل‌هایی را اضافه کنید که قرار است چیزی را در خروجی تعیین کنند.
- رابطه مرجع‌ها را در پرامپت بنویسید
خلاصه فارسی درخواست رسمی چنین است: حرکت دوربین را از ویدیو بگیر، شخصیت عکس را در حال خواندن نشان بده و آواز را با فایل صوتی هماهنگ کن. این جمله نقش هر ورودی را بدون ابهام به مدل می‌گوید.
- نتیجه را با هر مرجع جدا بسنجید
ظاهر شخصیت را با عکس، حرکت دوربین را با کلیپ و اجرا را با صدا مقایسه کنید. اگر فقط حرکت ایراد دارد، مرجع یا دستور حرکت را اصلاح کنید؛ تغییر هم‌زمان همه فایل‌ها تشخیص علت را سخت می‌کند.
H3 را با چه گزینه‌ای مقایسه کنیم؟
اگر حرکت دوربین را از یک کلیپ و آواز را از فایل صوتی جدا می‌خواهید، Ref2VA در H3 مستقیماً همین ترکیب را می‌پذیرد؛ نمونه ابتدای مقاله نیز با همین روش ساخته شده است. اگر محور کار شما چند شخصیت ثابت در نماهای مختلف است، Kling O3 امکان تعریف عناصر نام‌دار و تعیین اتفاق و مدت هر نما را دارد. در این انتخاب، نیاز به ترکیب فایل‌های متفاوت یا کنترل شخصیت‌های تکرارشونده تعیین‌کننده است.
اگر ویدیو از قبل آماده است و فقط بخشی از آن باید تغییر کند، Seedance 2.5 را هم برای ویرایش هدف‌گذاری‌شده بررسی کنید. در این حالت، حفظ بخش‌های دست‌نخورده ویدیو برای انتخاب شما مهم‌تر از ساخت یک صحنه تازه است.
در جنارا با کدام ورودی شروع کنید؟
در جنارا، نامِ دقیقِ مدل و ورودی‌های فعال را بررسی کنید؛ وجودِ یک مدل MiniMax، دسترسی به تمام مسیرهای H3 را ثابت نمی‌کند. اگر عکسِ شروع و متن دارید، از مسیرِ سازگارِ عکس به ویدیو شروع کنید. برای مرجعِ حرکت، صدا یا دو فریم، همان ورودی باید در صفحه فعال باشد؛ در این بازبینی هیچ تولیدی برای تأییدِ این مسیرها اجرا نشده است.
جمع‌بندی
نقطه قوت H3 در ترکیب مرجع‌هایی است که هرکدام بخشی از خواسته شما را نشان می‌دهند. برای اولین خروجی، یک صحنه کوتاه انتخاب کنید و نقش هر فایل را در پرامپت بنویسید. بعد از دیدن نتیجه، فقط بخشی را اصلاح کنید که هنوز با مرجع یا درخواست شما فاصله دارد.
سؤال‌های رایج
H3 همان Hailuo است؟
نه. H3 نام مدل است و Hailuo نام محیطی است که می‌تواند مدل‌های مختلف را عرضه کند.
آیا فایل صوتی به‌تنهایی برای Ref2VA کافی است؟
طبق سند رسمی MiniMax خیر؛ این مسیر همراه تصویر یا ویدیو تعریف شده است.
برای ویدیوی طولانی‌تر از ۱۵ ثانیه چه کار کنم؟
روایت را به چند نما تقسیم کنید، هر نما را جدا بسازید و در تدوین به هم وصل کنید. مرجع‌های مشترک کمک می‌کنند ظاهر شخصیت یا محصول میان نماها ثابت بماند.
