MiniMax H3: Begini Cara Model AI Omni-Modal Ini Hasilkan Video 2K 15 Detik dengan Audio Stereo Bawaan

• Teks-ke-video: Deskripsikan adegan, aksi, pergerakan kamera, gaya, dialog, dan suara ambient dalam teks biasa. H3 menafsirkan deskripsi tersebut dan menghasilkan video serta audio secara bersamaan.
• Gambar-ke-video: Unggah gambar diam dan tentukan bagaimana gambar tersebut harus bergerak. Model ini menganimasikan gambar menjadi video pendek sambil mempertahankan karakter dan komposisinya.
• Generasi berbasis referensi: Mode paling canggih. Anda bisa menggabungkan gambar, klip video, dan trek audio dalam satu permintaan untuk mengontrol identitas karakter, performa, komposisi kamera, gerakan, dialog, musik, dan elemen desain suara.

2. Bangun konteks multimodal

Tidak seperti model sebelumnya yang memperlakukan video dan audio sebagai tugas terpisah, H3 menafsirkan teks, gambar, video, dan audio secara bersamaan sebagai satu konteks kreatif. Beberapa antarmuka yang di-host memungkinkan Anda untuk mengirimkan hingga 9 gambar, 3 klip video, dan 3 trek audio dalam satu permintaan generasi. Model ini membaca identitas, performa, pergerakan kamera, komposisi, lanskap suara, dan ritme pengeditan dari apa pun yang Anda berikan.

Generator online (minimaxh3.org, minimax-h3.app, dan lainnya) berfungsi sebagai antarmuka berbasis browser: mereka mengumpulkan prompt dan referensi yang Anda unggah, mengirimkannya ke layanan inferensi H3 yang di-host, dan menampilkan media yang dihasilkan. Situs-situs ini tidak mengoperasikan model itu sendiri.

3. Hasilkan konten visual dan audio secara bersamaan

Inilah inovasi intinya. H3 menghasilkan "audio stereo asli" — suara adalah bagian dari output generasi model, bukan trek audio yang ditempel secara otomatis setelahnya. Ini berarti dialog, suara langkah kaki, suara ambient lingkungan, dan musik dihasilkan dalam kaitannya dengan aksi visual dan diatur waktunya sesuai dengan potongan gambar.

MiniMax menggambarkannya sebagai "pemodelan terpadu suara, efek suara, dan musik," yang menyiratkan model ini menangani efek foley, suara ruangan, dan bahkan skor orisinal dalam satu kali proses generasi.

4. Render dalam batasan output tetap

Model ini mendukung:

• Durasi: 4 hingga 15 detik, biasanya dalam kelipatan detik penuh.
• Resolusi: Hingga 2K (2560×1440), ditawarkan sebagai default dalam pengumuman resmi MiniMax.
• Rasio aspek: Beragam pilihan, termasuk 21:9, 16:9, 4:3, 1:1, 3:4, dan 9:16.
• Frame rate: 24 fps di sebagian besar implementasi yang di-host.

Antarmuka pihak ketiga mungkin menawarkan kontrol tambahan untuk resolusi, rasio aspek, atau durasi.

5. Pratinjau dan ekspor

Antarmuka web mengembalikan video yang dihasilkan dengan audio stereo yang tertanam dalam file yang sama. Fitur-fitur yang diiklankan oleh generator yang di-host mencakup kontrol rasio aspek, pemilihan durasi yang fleksibel, unggahan referensi, dan alur kerja untuk teks-ke-video, animasi gambar, dan prompting multimodal.

Fitur Utama yang Membedakan H3

• Audio stereo asli: Suara dihasilkan bersama video, bukan ditambahkan sebagai langkah dubbing terpisah.
• Output hingga 2K: Resolusi 2560×1440, ditawarkan sebagai default dalam pengumuman MiniMax.
• Hingga 15 detik per generasi: Dirancang untuk konten berdurasi pendek: iklan, cuplikan produk, klip media sosial, dan penggalan cerita.
• Input multimodal terpadu: Teks, gambar, video, dan audio menyediakan konteks kreatif gabungan.
• Kontrol referensi: Beberapa gambar, klip video, dan trek audio dapat memandu identitas karakter, gerakan, perilaku kamera, dialog, dan desain suara.
• Alur kerja berbasis browser: Situs seperti minimaxh3.org mengemas model di balik antarmuka prompt-dan-unggah.
• API dan bobot terbuka: H3 tersedia melalui API MiniMax sendiri (model ID MiniMax-H3), platform inferensi yang di-host seperti fal.ai, dan sebagai bobot terbuka di Hugging Face untuk deployment mandiri.

Catatan Penting

"Audio stereo asli" adalah klaim kemampuan yang jelas, tetapi materi publik tidak mengungkapkan arsitektur neural pasti yang memaksa sinkronisasi frame-audio. Sumber-sumber mengonfirmasi perilaku input/output dan kemampuannya, tetapi mereka tidak mengungkapkan detail implementasi yang cukup untuk menjelaskan secara tepat bagaimana model secara internal mencapai presisi tersebut — apakah melalui jadwal difusi tertentu, tokenisasi codec audio, transformer yang dilatih bersama, atau pendekatan lainnya.

Yang pasti: model ini menghasilkan output audio dan video yang koheren dan tersinkronisasi dalam satu kali proses generasi. Rekayasa yang memungkinkan hal itu — untuk saat ini — masih berada di dalam dokumentasi teknis MiniMax.

Ketersediaan

• API: MiniMax meluncurkan H3 pada 31 Juli 2026, dengan model yang tersedia langsung di API platform dan di aplikasi konsumen Hailuo AI.
• Bobot terbuka: Tersedia di Hugging Face di bawah repositori MiniMaxAI/MiniMax-H3, dengan akses yang dapat digunakan komunitas di bawah lisensi yang permisif.
• Inferensi yang di-host: Platform seperti fal.ai dan media.io menawarkan generasi H3 siap pakai tanpa memerlukan GPU lokal.
• Antarmuka web pihak ketiga: Situs seperti minimaxh3.org, minimax-h3.app, dan minimaxh3.online mengemas model di balik antarmuka prompt-dan-unggah.