Ảnh, video và âm thanh tham chiếu trong một prompt
MiniMax H3 nhận tối đa 9 ảnh tham chiếu, 3 video tham chiếu và 3 đoạn âm thanh trong một lần tạo, và đọc chúng cùng lúc chứ không lần lượt từng cái.
Ví dụ của chính MiniMax yêu cầu mô hình chép chuyển động máy từ một video, cho nhân vật trong một ảnh cất tiếng hát, và khớp giọng hát với một đoạn âm thanh, tất cả trong một câu.
Hãy nói rõ trong prompt mỗi tham chiếu dùng để làm gì, nếu không mô hình phải tự đoán: “giữ gương mặt trong ảnh chân dung, đi theo chuyển động dolly trong video tham chiếu, và cho anh ấy hát giai điệu trong đoạn âm thanh”.
Không kết hợp được tham chiếu với khung hình đầu hay cuối trong một lần tạo, nên mỗi clip chọn một cách, và chọn H3 cho clip dựa trên tham chiếu.
Hãy dùng tư liệu của chính bạn hoặc tư liệu được phép sử dụng, nhất là gương mặt và giọng nói.
Khung hình chính của video điện ảnh 16:9, bộ ba khung tranh ngăn cách bởi những dải tối mảnh: bên trái, ảnh chân dung studio đơn giản của một chàng trai trẻ mặc áo len dệt kim xanh navy trên nền xám; ở giữa, bản phác thảo storyboard bằng bút chì về một máy quay chạy dọc cầu cảng; bên phải, cũng chàng trai đó trong chiếc áo len xanh navy ấy đang hát trên cầu cảng lúc chạng vạng khi máy quay di chuyển song song bên cạnh, phía sau là thuyền neo và những ngọn đèn. Khuôn mặt và trang phục nhất quán ở cả ba khung, bảng màu xanh thẫm và san hô, không chữ, không logo.
