คำตอบเผยแพร่แล้ว2 เดือนที่ผ่านมาLast edited 2 เดือนที่ผ่านมา8 แหล่งที่มา

MiniMax H3: ปฏิวัติการสร้างวิดีโอ AI ด้วยเสียงในตัว ไม่ต้องตัดต่อทีหลัง

MiniMax H3 เป็นโมเดล omni modal ที่รับอินพุตทั้งข้อความ รูปภาพ วิดีโอ และเสียง เพื่อสร้างวิดีโอพร้อมเสียงสเตอริโอแบบเนทีฟ ไม่ต้องพากย์หรือตัดต่อภายหลัง นวัตกรรมสำคัญคือเสียง (บทสนทนา เสียงฝีเท้า เสียงรอบข้าง ดนตรี) ถูกสร้างร่วมกับวิดีโอโดยโมเดลเดียวกัน ไม่ได้นำมาติดทีหลัง แม้โมเดลจะทำการซิงค์เสียงกับภาพได้แม่นยำในทา...

เผยแพร่โดยแก้ไขด้วย DeepSeek-V4-Flashรูปภาพสร้างด้วย GPT Image 1.5

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI ดูหน้าที่กำลังมาแรงเพิ่มเติม

คำตอบการวิจัย

ประเด็นสำคัญ

MiniMax H3 เป็นโมเดล omni modal ที่รับอินพุตทั้งข้อความ รูปภาพ วิดีโอ และเสียง เพื่อสร้างวิดีโอพร้อมเสียงสเตอริโอแบบเนทีฟ ไม่ต้องพากย์หรือตัดต่อภายหลัง
นวัตกรรมสำคัญคือเสียง (บทสนทนา เสียงฝีเท้า เสียงรอบข้าง ดนตรี) ถูกสร้างร่วมกับวิดีโอโดยโมเดลเดียวกัน ไม่ได้นำมาติดทีหลัง
แม้โมเดลจะทำการซิงค์เสียงกับภาพได้แม่นยำในทางปฏิบัติ แต่เอกสารสาธารณะยังไม่เปิดเผยสถาปัตยกรรมของระบบประสาทเทียม (เช่น diffusion schedule, tokenization หรือ joint training approach) ที่ทำให้เกิดความแม่นยำนี้
รองรับความละเอียดสูงสุด 2K (2560×1440) ความยาว 4–15 วินาที ครอบคลุมอัตราส่วนภาพหลากหลาย

MiniMax H3 omni-modal video generation model showing text-to-video workflow with native stereo audio output at 2K resolution — How does the MiniMax H3 online generator (such as minimaxh3.org) achieve 15-second native 2K video generation with synchronized stereo audioMiniMax H3 generates 15-second 2K video with synchronized stereo audio from a single multimodal input context.
AI พรอมต์
Create a landscape editorial hero image for this Studio Global article: How does the MiniMax H3 online generator (such as minimaxh3.org) achieve 15-second native 2K video generation with synchronized stereo audio. Article summary: MiniMax H3 appears to achieve this through a unified multimodal video-generation model rather than a conventional “generate video, then add sound” pipeline. It accepts text, images, video, and audio as one context, then . Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
openai.com

MiniMax H3 คือโมเดลสร้างวิดีโอโอเพนซอร์สตัวแรกที่มองว่าเสียงไม่ใช่สิ่งที่ต้องมาเพิ่มทีหลัง แต่เป็นส่วนหนึ่งของซีนตั้งแต่ต้น แทนที่จะสร้างวิดีโอแล้วค่อยพากย์เสียงทีหลัง H3 รับอินพุตข้อความ รูปภาพ วิดีโอ และเสียงเป็นคอนเทกซ์เดียว จากนั้นคืนคลิปวิดีโอ 2K ความยาว 15 วินาทีพร้อมเสียงสเตอริโอที่ซิงค์กันมาในตัว

ผลลัพธ์คือความต่อเนื่องที่ก้าวกระโดด: จังหวะบทสนทนาตรงกับการขยับปาก เสียงฝีเท้าตรงกับจังหวะก้าวเดิน และเสียงบรรยากาศเปลี่ยนตามกล้องที่เคลื่อนที่ — ทั้งหมดโดยไม่ต้องแก้ไขหรือทำหลังบ้าน

นี่คือภาพรวมเวิร์กโฟลว์ สิ่งที่ทำให้โมเดลนี้แตกต่าง และข้อควรรู้ที่คุณต้องทราบ

เวิร์กโฟลว์ของ MiniMax H3 ทำงานอย่างไร

1. เลือกโหมดการสร้าง

MiniMax H3 รองรับสามจุดเริ่มต้นหลัก โดยแต่ละแบบมีการแลกเปลี่ยนระหว่างความเร็วและอิสระในการสร้างสรรค์ที่แตกต่างกัน:

Studio Global AI

ทำการวิจัยต่อ

หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI

คนยังถาม

คำตอบสั้น ๆ สำหรับ "MiniMax H3: ปฏิวัติการสร้างวิดีโอ AI ด้วยเสียงในตัว ไม่ต้องตัดต่อทีหลัง" คืออะไร

MiniMax H3 เป็นโมเดล omni modal ที่รับอินพุตทั้งข้อความ รูปภาพ วิดีโอ และเสียง เพื่อสร้างวิดีโอพร้อมเสียงสเตอริโอแบบเนทีฟ ไม่ต้องพากย์หรือตัดต่อภายหลัง

ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?

ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?

แม้โมเดลจะทำการซิงค์เสียงกับภาพได้แม่นยำในทางปฏิบัติ แต่เอกสารสาธารณะยังไม่เปิดเผยสถาปัตยกรรมของระบบประสาทเทียม (เช่น diffusion schedule, tokenization หรือ joint training approach) ที่ทำให้เกิดความแม่นยำนี้

แหล่งที่มา