MiniMax H3: ปฏิวัติการสร้างวิดีโอ AI ด้วยเสียงในตัว ไม่ต้องตัดต่อทีหลัง

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:

• ข้อความเป็นวิดีโอ (Text-to-video): บรรยายซีน การเคลื่อนไหว การเคลื่อนกล้อง สไตล์ บทสนทนา และเสียงรอบข้างด้วยข้อความ H3 จะตีความคำบรรยายและสร้างทั้งวิดีโอและเสียงพร้อมกัน
• รูปภาพเป็นวิดีโอ (Image-to-video): อัปโหลดภาพนิ่งและระบุว่าต้องการให้เคลื่อนไหวอย่างไร โมเดลจะทำให้ภาพเคลื่อนไหวเป็นวิดีโอสั้นในขณะที่ยังคงตัวละครและองค์ประกอบ
• การสร้างจากข้อมูลอ้างอิง (Reference-based generation): โหมดที่ทรงพลังที่สุด คุณสามารถรวมรูปภาพ คลิปวิดีโอ และแทร็กเสียงในการร้องขอครั้งเดียว เพื่อควบคุมตัวตนตัวละคร การแสดง องค์ประกอบกล้อง การเคลื่อนไหว บทสนทนา ดนตรี และองค์ประกอบออกแบบเสียง

2. สร้างคอนเทกซ์แบบ multimodal

แตกต่างจากโมเดลก่อนหน้าที่มองวิดีโอและเสียงเป็นงานแยกกัน H3 ตีความข้อความ รูปภาพ วิดีโอ และเสียงเป็นคอนเทกซ์สร้างสรรค์เดียวกัน อินเทอร์เฟซที่โฮสต์บางแห่งอนุญาตให้ส่งรูปภาพได้สูงสุด 9 รูป คลิปวิดีโอ 3 คลิป และแทร็กเสียง 3 แทร็กในการสร้างครั้งเดียว โมเดลจะอ่านข้อมูลประจำตัว การเคลื่อนไหวของกล้อง องค์ประกอบ ทัศนียภาพเสียง และจังหวะตัดต่อจากสิ่งที่คุณให้

เครื่องมือสร้างออนไลน์ (minimaxh3.org, minimax-h3.app และอื่น ๆ) ทำหน้าที่เป็นฟร้อนท์เอนด์บนเบราว์เซอร์: รวบรวมพรอมต์และข้อมูลอ้างอิงที่คุณอัปโหลด ส่งไปยังบริการ H3 ที่โฮสต์อยู่ และแสดงผลลัพธ์สื่อ เว็บไซต์เหล่านี้ไม่ได้ดำเนินการโมเดลด้วยตนเอง

3. สร้างเนื้อหาภาพและเสียงพร้อมกัน

นี่คือนวัตกรรมหลัก H3 สร้าง "เสียงสเตอริโอแบบเนทีฟ" (native stereo audio) — เสียงเป็นส่วนหนึ่งของเอาต์พุตของโมเดล ไม่ใช่แทร็กเสียงที่ถูกแนบมาทีหลัง ซึ่งหมายความว่าบทสนทนา เสียงฝีเท้า เสียงบรรยากาศ และดนตรีถูกสร้างขึ้นโดยสัมพันธ์กับภาพที่กำลังแสดงและตรงจังหวะกับการตัด

MiniMax อธิบายว่าเป็น "การสร้างแบบจำลองรวมของเสียงพูด เสียงประกอบ และดนตรี" ซึ่งบ่งบอกว่าโมเดลจัดการทั้งเสียง foley เสียงในห้อง และแม้แต่ดนตรีประกอบในการสร้างครั้งเดียว

4. เรนเดอร์ภายใต้ข้อจำกัดเอาต์พุตที่กำหนด

โมเดลรองรับ:

• ความยาว: 4 ถึง 15 วินาที โดยปกติเพิ่มทีละวินาที
• ความละเอียด: สูงสุด 2K (2560×1440) ซึ่งเป็นค่าเริ่มต้นในการประกาศอย่างเป็นทางการของ MiniMax
• อัตราส่วนภาพ: หลากหลาย รวมถึง 21:9, 16:9, 4:3, 1:1, 3:4 และ 9:16
• อัตราเฟรม: 24 fps ในอินเทอร์เฟซที่โฮสต์ส่วนใหญ่

อินเทอร์เฟซของบุคคลที่สามแต่ละแห่งอาจแสดงการควบคุมความละเอียด อัตราส่วนภาพ หรือระยะเวลาเพิ่มเติม

5. ดูตัวอย่างและส่งออก

อินเทอร์เฟซเว็บจะคืนวิดีโอที่สร้างพร้อมกับเสียงสเตอริโอที่ฝังอยู่ในไฟล์เดียวกัน คุณสมบัติที่เครื่องมือสร้างที่โฮสต์โฆษณารวมถึงการควบคุมอัตราส่วนภาพ การเลือกระยะเวลาที่ยืดหยุ่น การอัปโหลดข้อมูลอ้างอิง และเวิร์กโฟลว์สำหรับข้อความเป็นวิดีโอ การทำให้ภาพเคลื่อนไหว และการสร้างแบบ multimodal

คุณสมบัติเด่นที่ทำให้ H3 แตกต่าง

• เสียงสเตอริโอแบบเนทีฟ: เสียงถูกสร้างพร้อมกับวิดีโอ แทนที่จะถูกเพิ่มเป็นขั้นตอนพากย์แยกต่างหาก
• เอาต์พุตสูงสุด 2K: ความละเอียด 2560×1440 ซึ่งเป็นค่าเริ่มต้นในการประกาศของ MiniMax
• สูงสุด 15 วินาทีต่อการสร้าง: ออกแบบมาสำหรับเนื้อหาแบบสั้น: โฆษณา ภาพสินค้า คลิปโซเชียล บีทเรื่องราว
• อินพุต multimodal แบบรวม: ข้อความ รูปภาพ วิดีโอ และเสียงเป็นคอนเทกซ์สร้างสรรค์ที่รวมกัน
• การควบคุมจากข้อมูลอ้างอิง: รูปภาพ คลิปวิดีโอ และแทร็กเสียงหลายรายการสามารถใช้เพื่อควบคุมตัวตนตัวละคร การเคลื่อนไหว พฤติกรรมกล้อง บทสนทนา และการออกแบบเสียง
• เวิร์กโฟลว์บนเบราว์เซอร์: เว็บไซต์เช่น minimaxh3.org จัดแพ็กเกจโมเดลไว้ด้านหลังอินเทอร์เฟซแบบป้อนพรอมต์และอัปโหลด
• API และโอเพนเวท: H3 พร้อมใช้งานผ่าน API ของ MiniMax เอง (รหัสโมเดล MiniMax-H3), แพลตฟอร์มการอนุมานแบบโฮสต์เช่น fal.ai และเป็นโอเพนเวทบน Hugging Face สำหรับการปรับใช้ด้วยตนเอง

ข้อควรระวังสำคัญ

"เสียงสเตอริโอแบบเนทีฟ" (Native stereo audio) เป็นการอ้างสิทธิ์ความสามารถที่ชัดเจน แต่เอกสารสาธารณะไม่ได้เปิดเผยสถาปัตยกรรมประสาทที่แน่นอนที่บังคับใช้การซิงค์เฟรม-เสียง แหล่งข้อมูลยืนยันพฤติกรรมอินพุต/เอาต์พุตและความสามารถ แต่ไม่ได้เปิดเผยรายละเอียดการนำไปใช้มากพอที่จะอธิบายอย่างแม่นยำว่าโมเดลบรรลุความแม่นยำนั้นภายในได้อย่างไร — ไม่ว่าจะผ่านตารางการแพร่กระจาย (diffusion schedule) แบบเฉพาะ การแปลงโทเค็นของโค้กเสียง (audio-codec tokenization) ทรานส์ฟอร์มเมอร์ที่ได้รับการฝึกฝนร่วมกัน หรือแนวทางอื่น

สิ่งที่แน่นอนคือ: โมเดลส่งออกวิดีโอและเสียงที่ซิงค์กันอย่างต่อเนื่องในการสร้างครั้งเดียว วิศวกรรมที่ทำให้สิ่งนั้นเป็นไปได้ยังคงอยู่ — สำหรับตอนนี้ — ภายในเอกสารทางเทคนิคของ MiniMax

ช่องทางการใช้งาน

• API: MiniMax เปิดตัว H3 เมื่อวันที่ 31 กรกฎาคม 2026 โดยโมเดลทำงานใน API ของแพลตฟอร์มและในแอป Hailuo AI สำหรับผู้บริโภค
• โอเพนเวท: พร้อมใช้งานบน Hugging Face ภายใต้พื้นที่เก็บข้อมูล MiniMaxAI/MiniMax-H3 พร้อมการใช้งานที่ชุมชนเข้าถึงได้ภายใต้ใบอนุญาตที่ยืดหยุ่น
• การอนุมานแบบโฮสต์: แพลตฟอร์มเช่น fal.ai และ media.io นำเสนอการสร้าง H3 แบบเทิร์นคีย์โดยไม่ต้องใช้ GPU ในระบบ
• อินเทอร์เฟซเว็บของบุคคลที่สาม: เว็บไซต์เช่น minimaxh3.org, minimax-h3.app และ minimaxh3.online จัดแพ็กเกจโมเดลไว้ด้านหลังอินเทอร์เฟซแบบป้อนพรอมต์และอัปโหลด