这两天体验和整理 MiniMax H3 ，最开始注意到的也是 2K 、最长 15 秒和原生音频，但看完它的输入方式之后，感觉真正值得关注的是“多模态参考”。
以前做 AI 视频，图片负责角色，提示词负责动作，声音和剪辑还要去其他工具处理。H3 现在可以同时放入图片、参考视频和音频，让模型理解人物长相、镜头运动、声音和节奏，生成之后还可以继续通过文字修改部分内容。
最终效果能不能稳定达到宣传水平还需要大量测试，但这个交互方向应该是对的：以后用户可能不再学习复杂提示词，而是直接把参考素材扔进去，再告诉模型哪里需要修改。
查资料的时候看到 https://minimax3.com 和 https://hailuoh3.com ，前者整理了部分模型介绍、案例和提示词，后者偏实际生成流程，有需要测试 H3 的可以一起参考。
一些已经用过 H3 的朋友，说它的人物一致性、中文对白和复杂动作表现还是有点意思的
Select Language