รูป วิดีโอ และเสียงอ้างอิงในพรอมต์เดียว
MiniMax H3 รับภาพอ้างอิงได้สูงสุด 9 ภาพ วิดีโออ้างอิง 3 คลิป และคลิปเสียง 3 คลิปในการสร้างครั้งเดียว และอ่านทั้งหมดไปพร้อมกัน ไม่ใช่ทีละอย่าง
ตัวอย่างของ MiniMax เองสั่งให้โมเดลเลียนการเคลื่อนกล้องจากวิดีโอ ให้ตัวละครจากรูปร้องเพลง และให้เสียงร้องตรงกับคลิปเสียง ทั้งหมดในประโยคเดียว
บอกในพรอมต์ว่าอ้างอิงแต่ละชิ้นใช้ทำอะไร ไม่อย่างนั้นโมเดลต้องเดาเอง เช่น “ใช้ใบหน้าจากภาพพอร์ตเทรต เคลื่อนกล้องแบบดอลลี่ตามวิดีโออ้างอิง และให้เขาร้องทำนองจากคลิปเสียง”
ใช้อ้างอิงร่วมกับเฟรมแรกหรือเฟรมสุดท้ายในการสร้างครั้งเดียวไม่ได้ จึงต้องเลือกวิธีใดวิธีหนึ่งต่อคลิป และถ้าเป็นคลิปที่ใช้อ้างอิง ให้เลือก H3
ใช้ฟุตเทจของคุณเอง หรือที่ได้รับอนุญาตแล้ว โดยเฉพาะใบหน้าและเสียงพูด
คีย์เฟรมวิดีโอสไตล์ภาพยนตร์ 16:9 ภาพสามส่วนคั่นด้วยแถบมืดบาง ๆ ซ้าย ภาพพอร์เทรตในสตูดิโอเรียบ ๆ ของชายหนุ่มในเสื้อสเวตเตอร์ถักสีกรมท่าบนฉากหลังสีเทา กลาง ภาพร่างสตอรีบอร์ดด้วยดินสอของกล้องที่เคลื่อนแบบดอลลี่เลียบท่าเทียบเรือ ขวา ชายหนุ่มคนเดิมในเสื้อสเวตเตอร์สีกรมท่าตัวเดิมกำลังร้องเพลงบนท่าเทียบเรือยามพลบค่ำ ขณะกล้องเคลื่อนไปข้าง ๆ เขา มีเรือที่จอดผูกไว้และโคมไฟอยู่ด้านหลัง ใบหน้าและเสื้อผ้าเหมือนกันทุกส่วน โทนสีน้ำเงินเข้มและคอรัล ไม่มีข้อความ ไม่มีโลโก้
