MiniMax H3 ASMR Video: Tôi cắt một quả lựu thủy tinh, sau đó đo xem âm thanh nổi có thật không.

Đội tai nghe vào trước khi bạn cuộn xuống clip bên dưới. Ở thể loại này, điều đó thực sự quan trọng.

Một con dao bổ xuống quả lựu được chạm khắc từ thủy tinh ruby. Vỏ nứt ra, một tiếng nổ giòn tinh thể, rồi vài chục hạt thủy tinh lăn trên đá phiến ướt. Đây là phần khác biệt so với hầu hết các clip AI ASMR bạn đã lướt qua trong năm nay: không ai thêm âm thanh đó. Không có thư viện âm thanh, không có trình chỉnh sửa, không có dòng thời gian. Hình ảnh và âm thanh ra từ một lần sinh, trong một lần gọi.

Suốt năm qua, AI ASMR trông thì thỏa mãn nhưng nghe lại hơi sai, và lý do không bao giờ nằm ở hình ảnh. Đó là bước cuối cùng của quy trình. Ghép âm thanh vào một clip im lặng là công việc thủ công, làm bằng tay, mỗi lần một cái. Thể loại này phát triển nhanh đến mức một ngành công nghiệp nhỏ các trang web tạo AI ASMR chuyên dụng xuất hiện chỉ để tự động hóa việc ghép nối, một trong số đó quảng cáo "âm thanh 3D hai tai" ngay trên trang chủ. Nhu cầu đã được chứng minh từ lâu. Nó chỉ đang được phục vụ bằng cách lắp ráp.

Vậy tôi đã chạy thử đúng cách. Một quy trình tái tạo, sáu clip, và sau đó là phần không ai trong thể loại này từng làm: tôi tách kênh trái và phải trong ffmpeg và đo chúng. Một số điều tôi mong đợi hóa ra lại sai, và điều đó hóa ra lại là thứ hữu ích nhất trong bài viết.

Những điểm chính

• H3 kết xuất hình ảnh 24 fps và một bản nhạc AAC stereo 32 kHz trong cùng một lần. Âm thanh được tạo ra, không phải được lồng vào sau.
• Âm thanh stereo thực sự là stereo, không phải dual mono mặc áo stereo. Nhưng bạn không thể yêu cầu pan. Tôi yêu cầu một đường quét từ trái sang phải rõ rệt và chỉ nhận được chênh lệch 1,9 dB, gần như không có gì.
• Độ rộng stereo đến từ nội dung, không phải từ cách diễn đạt của bạn. Clip mưa, nơi tôi không yêu cầu hướng nào, lại trả về một trường âm thực sự rộng.
• Khóa khung hình đầu tiên giữ nguyên cảnh quay ở các độ phân giải, nhưng 768P và 2K vẫn là hai bản quay khác nhau. Bản nháp xem trước giao diện và thông số âm thanh, không phải vũ đạo chính xác.
• Một clip 5 giây ở 768P có giá $0,50. Cùng clip đó ở 2K có giá $0,70. Toàn bộ bài viết tốn $4,27.

Nghe Trước: Video AI ASMR MiniMax H3, Cắt Trong Một Lần

w7ZRR7bo3KI

Năm giây, 2K, 24 fps, stereo 32 kHz, một lần sinh, $0,70. Bật âm thanh: tiếng rít của lưỡi dao cắm vào, tiếng nứt, rồi tiếng hạt. Không có gì được thêm vào sau đó. Được tạo bằng minimax/h3/image-to-video.

Một lời nhắc. Một mô hình. Một lần gọi. Mọi thứ bên dưới là cách clip đó được tạo, giá bao nhiêu, và phần nào của câu chuyện tiếp thị tồn tại sau khi tiếp xúc với dạng sóng.

Tại Sao AI ASMR Bùng Nổ, và Tại Sao Hầu Hết Đều Thất Bại Khi Kiểm Tra Bằng Tai Nghe

Xu hướng này có một ngày sinh nhật. AI ASMR bắt đầu lan truyền vào tháng 6 năm 2025, ngay sau khi Veo 3 ra mắt, và định dạng này trở nên cực kỳ phổ biến trong vài ngày. Một lava mukbang từ @asmraiworks đã thu hút hơn 11,3 triệu lượt xem trong một tuần; một clip cắt thủy tinh đạt 5,3 triệu lượt xem trong mười một ngày (Know Your Meme, 2025). Các tòa soạn đã đưa tin như một điều gây tò mò, với hình ảnh siêu thực và dung nham nóng chảy được ăn bằng đũa thực hiện phần lớn công việc (The Express Tribune, 2025).

Sau đó, mọi người đeo tai nghe vào, và tâm trạng thay đổi. Phóng viên của TechRadar xem một đống các clip lan truyền và mô tả một lớp màng giả tạo, "thiếu những lỗi và sự thiếu chính xác là dấu hiệu của ASMR do con người tạo ra" (TechRadar, tháng 6 năm 2025). Người hâm mộ được trích dẫn trong bài viết đó nói rằng các tác nhân gây tê có mặt về mặt kỹ thuật nhưng vẫn không giống.

Có một lý do cơ học, và nó không phải là huyền bí. ASMR là thể loại nội dung duy nhất mà nội dung chính là âm thanh. Ở mọi nơi khác, âm thanh chỉ là món ăn kèm. Ở đây, nó là sản phẩm. Và quy trình thống trị là:

1. tạo một clip im lặng bằng mô hình video,
2. tìm kiếm thư viện âm thanh để lấy tiếng nứt, tiếng giòn, tiếng mưa,
3. căn chỉnh âm thanh với hình ảnh trong trình chỉnh sửa,
4. pan và mix thủ công nếu bạn quan tâm, điều mà hầu như không ai làm ở quy mô lớn,
5. xuất.

Bước 3 là nơi nó chết. Một tiếng nứt đóng hộp bị phát muộn hai khung hình trông giả tạo trước khi bạn có thể giải thích tại sao. Nhân nó lên với lịch đăng hàng ngày và các lỗi sẽ chồng chất, vì việc căn chỉnh được thực hiện lại bởi một con người mỗi lần.

Khoảng trống đó là lý do tại sao tồn tại cả một ngành công nghiệp nhỏ các trang web tạo AI ASMR. Ít nhất ba trang đang tích cực tiếp thị và một trang dẫn đầu với âm thanh 3D hai tai như một tính năng nổi bật. Họ không giải quyết một vấn đề giả. Họ đang vá một lỗ hổng thực sự: các mô hình video bên dưới chúng không tạo ra âm thanh.

Điều này làm cho một bảng xếp hạng đáng để xem xét. Trên bảng xếp hạng chỉnh sửa video của Artificial Analysis, bảng được chấm có âm thanh, MiniMax H3 đứng ở vị trí #1 với 1.126 Elo, trước Gemini Omni Flash với 1.119 và cách Dreamina Seedance 2.0 khoảng một trăm điểm với 1.027 (Artificial Analysis, tháng 8 năm 2026). Trên bảng xếp hạng image-to-video, nơi âm thanh không phải là một phần của điểm số, một số mô hình đó chỉ cách nhau vài điểm. Khoảng cách mở ra khi âm thanh được tính. Đối với ASMR, âm thanh là tất cả.

Quy Trình Tạo Video AI ASMR MiniMax H3, và Chi Phí Mỗi Bước

Ba điểm cuối, một tab trình duyệt. Tôi đã chạy mọi thứ trong bài viết này trên Atlas Cloud, vì vậy mọi con số dưới đây đều từ hóa đơn thay vì bảng giá.

Bảng liệt kê hiển thị "Từ $0,1/GIÂY" trên cả ba điểm cuối H3. Đó là mức sàn 768P. 2K tính $0,14/giây và con số đó không xuất hiện ở đâu ngoại trừ hóa đơn của bạn, vì vậy hãy lập kế hoạch dựa trên mức bạn thực sự yêu cầu.

Bảng 1: một lần so với quy trình ghép nối.

Tôi cố tình không trích dẫn tỷ lệ mỗi giây của nền tảng video đối thủ, vì chi phí tính toán không phải là nơi sự khác biệt nằm. Tạo âm thanh tốn $0,143 một phút, chỉ vài xu. Chi phí thực sự của quy trình ghép nối là 20 phút chú ý của con người mỗi clip, và chi phí đó không giảm khi bạn mở rộng quy mô. Nó nhân lên. Một tài khoản vô danh đăng hàng ngày chính xác là nơi 20 phút mỗi clip âm thầm ăn mòn toàn bộ mô hình kinh doanh.

Mặt trái trung thực: ghép nối thủ công mang lại cho bạn sự kiểm soát. Bạn có thể đặt một âm thanh ở bất cứ đâu trong trường stereo và cắt nó đến khung hình. H3 cung cấp cho bạn đồng bộ miễn phí và, như các phép đo dưới đây cho thấy, không trao lại quyền kiểm soát đó cho bạn.

Bảng 2: ba điểm cuối H3, các tham số thực sự quan trọng.

Hai bẫy tham số đáng viết lên tay bạn. Tham số được gọi là ratio, không phải aspect_ratio, và sai khóa sẽ để nó không được đặt, do đó text-to-video từ chối yêu cầu. Và image cộng với refers trong cùng một lần gọi không báo lỗi: nó hoàn thành, tính phí đầy đủ, và âm thầm vứt bỏ một trong hai đầu vào.

Hướng Dẫn Tạo Video AI ASMR MiniMax H3: Cắt Quả Lựu Thủy Tinh

Cắt trái cây thủy tinh là định dạng mà mọi người đều nhận ra, vì vậy người đọc biết ngay họ đang nhìn vào cái gì. Tuy nhiên, táo thủy tinh và xoài thủy tinh đã bị làm quá nhiều. Một quả lựu tốt hơn vì một lý do cụ thể: khi vỏ nứt ra, hàng trăm hạt thủy tinh tràn ra và lăn, vì vậy âm thanh có thời lượng và cấu trúc thay vì chỉ là một tác động trung tâm. Nếu một mô hình đang giả mạo âm thanh của nó, một sự phân tán là nơi nó lộ ra.

Bước 1: Xây Dựng Khung Cơ Sở Với GPT Image 2

Khóa bố cục trước khi bạn chi bất cứ thứ gì cho video. Cài đặt: quality: high, size: 2048x1152 (16:9), output_format: png.

plaintextCopy
1Extreme close-up macro photograph of a whole pomegranate carved entirely from thick
2translucent ruby-red glass, resting on a wet black slate slab. The glass shell is 8mm
3thick with visible internal bubbles and chipped facets; hundreds of tiny glass seeds
4glow inside like garnet crystals. A polished Japanese santoku knife lies at the left
5edge of the frame, blade tip just touching the glass skin. One hard key light from the
6upper right rakes across the slab and throws sharp red caustics onto the wet stone.
7100mm macro, f/2.8, shallow depth of field, dark moody background.
8No hands, no text, no watermark, no logo.

GPT Image 2 playground trên Atlas Cloud với chất lượng được đặt thành high và kích thước 16:9 2048x1152, quả lựu thủy tinh được hiển thị trong bảng OUTPUT

Lần chạy thực tế. Chất lượng high ở 2048x1152, và trang báo giá $0,1745, đó cũng là những gì hóa đơn sau đó nói.

Khung cơ sở được tạo: một quả lựu chạm khắc từ thủy tinh ruby dày trên đá phiến đen ướt, một con dao santoku đi vào từ cạnh trái

Khung được chuyển cho H3. Được tạo bằng openai/gpt-image-2/text-to-image.

Bước 2: Viết Nửa Âm Thanh Của Lời Nhắc Video AI ASMR MiniMax H3

Hầu hết mọi người viết lời nhắc ASMR như một mô tả hình ảnh với từ "ASMR" gắn ở phía trước, sau đó tự hỏi tại sao mô hình chấm điểm nó với piano lo-fi. H3 coi trọng chỉ dẫn âm thanh nếu bạn đưa ra bất kỳ. Cấu trúc nửa âm thanh thành năm khe:

1. Chất liệu. Cái gì tạo ra âm thanh. Thủy tinh, sáp, đá nóng chảy, nước trên thủy tinh. Hãy cụ thể về độ dày và độ ướt, chúng thay đổi âm sắc.
2. Hành động và hình dạng của nó theo thời gian. Không chỉ "cắt" mà "ấn xuống trong một chuyển động liên tục chậm". Mô hình sử dụng điều này để đặt các sự kiện.
3. Góc nhìn mic.close-mic, intimate, tín hiệu khoảng cách ghi âm. Điều này đặt độ khô và độ gần của âm thanh, và nó hoạt động tốt.
4. Chuỗi từ tượng thanh. Đánh vần các sự kiện âm thanh theo thứ tự: tiếng rít, sau đó là tiếng nứt, sau đó là hàng chục va chạm nhỏ, sau đó là im lặng. Đây là khe hoạt động nhiều nhất.
5. Phủ định.no music, no voice, no narration, no room reverb, no ambience bed. Nếu không có những thứ này, H3 sẽ hữu ích thêm một bản nhạc nền, vì hầu hết video trong dữ liệu huấn luyện của nó đều có một bản nhạc.

Tôi cũng viết hướng dẫn kênh vào khe 4, yêu cầu tiếng nứt ở kênh trái và hạt lăn từ trái sang phải. Hãy đọc tiếp để biết điều đó thực sự tạo ra gì.

Bước 3: Chạy Bản Nháp 768P

Dựng nháp ở 768P. Bản nhạc âm thanh có cùng thông số kỹ thuật ở cả hai mức, vì vậy toàn bộ phán đoán sáng tạo, mà trong ASMR là phán đoán lắng nghe, có thể được thực hiện ở mức giá rẻ.

Cài đặt trên minimax/h3/image-to-video: image = đầu ra Bước 1, resolution: 768P, duration: 5. Tỷ lệ đến từ khung hình đầu tiên, vì vậy hãy để nó yên.

plaintextCopy
1The santoku blade enters from the left and presses down through the glass pomegranate
2in one slow continuous stroke, travelling left to right across the frame. The shell
3splits with a bright crystalline crack and a spray of tiny glass seeds tumbles onto the
4wet slate, scattering toward the right edge. Camera locked off, macro, single take, no cuts.
5
6Audio: ASMR, close-mic, intimate, no music, no voice, no narration, no room reverb.
7A dry sustained glass squeak as the edge bites in, then one sharp high crack panned to
8the LEFT channel, followed by dozens of small tinkling seed impacts rolling from the
9LEFT channel across to the RIGHT channel as they scatter. A faint blade-on-stone scrape
10at the very end, then silence. No ambience bed, no hum, no background music.

MiniMax H3 image-to-video playground trên Atlas Cloud với khung cơ sở đã tải, thời lượng 5, và một clip đã hoàn thành trong bảng OUTPUT

Lần chạy image-to-video: khung hình đầu tiên đã tải, thời lượng 5, OUTPUT đã hoàn thành. Lưu ý rằng bộ chọn Độ phân giải đang ở mặc định của trang 2K. Chuyển nó sang 768P cho các bản nháp, đó là những gì clip bên dưới được kết xuất.

xkolGEKI7UI

Bản nháp 768P, $0,50. Hình ảnh mềm hơn clip chính, cùng thông số âm thanh. Đây là bản quay mà toàn bộ quyết định được đưa ra.

Bước 4: Đo Stereo Trước Khi Bạn Tin Tưởng Nó

Đừng tin lời tôi về âm thanh, và đừng tin mô hình. Hãy tách các kênh ra và nhìn. Đây là ffmpeg cục bộ, không có lời gọi API, không tốn phí:

plaintextCopy
1ffmpeg -i 02-glass-pomegranate-768p-draft.mp4 \
2  -filter_complex "showwavespic=s=1480x240:split_channels=1:colors=#d93a30|#2f7ed8" \
3  -frames:v 1 stereo-proof.png

Phân tích dạng sóng bốn bảng so sánh clip quả lựu thủy tinh và clip mưa, hiển thị kênh trái và phải cộng với kênh bên cho mỗi clip

Kênh trái trên kênh phải cho hai clip, cộng với kênh bên (trái trừ phải) ở mức khuếch đại phù hợp bên dưới. Đây là toàn bộ lập luận trong một bức ảnh.

Đây là những gì đã trả về, và một phần không phải là những gì tôi mong đợi.

Stereo là thật. Kênh bên không trống trên bất kỳ clip nào tôi tạo. Một tệp dual mono được ngụy trang thành stereo sẽ không hiển thị gì ở đó. Cái này có nội dung.

Nhưng bạn không thể yêu cầu pan. Tôi đã yêu cầu, bằng chữ in hoa, tiếng nứt ở kênh TRÁI và hạt lăn từ TRÁI sang PHẢI. Đo được: tương quan kênh 0,97, kênh bên nằm ở 17,7 dB dưới mid, và chênh lệch mức trái-phải lớn nhất trong bất kỳ cửa sổ một phần tư giây nào là 1,9 dB. Đó không phải là pan. Đó là một hình ảnh trung tâm với một chút độ rộng tự nhiên. Con dao di chuyển khắp khung hình; âm thanh ở yên.

Độ rộng đến từ nội dung, không phải từ cách diễn đạt của bạn. Clip mưa trong phần tiếp theo, nơi tôi không yêu cầu hướng nào, trả về với tương quan 0,32 với kênh bên chỉ 2,9 dB dưới mid. Đó là một trường âm thực sự rộng, không tương quan. Môi trường xung quanh khuếch tán tự động có độ rộng. Các tác động rời rạc vẫn ở gần trung tâm bất kể bạn viết gì.

Vì vậy, tuyên bố trung thực cho mô hình này không phải là không gian. Nó là thời gian. Bạn có âm thanh được tạo ra cùng với hình ảnh và rơi vào đúng khung hình mà nó thuộc về, miễn phí, mãi mãi, mà không cần trình chỉnh sửa. Nếu định dạng của bạn thực sự cần pan cứng, bạn vẫn phải tự làm điều đó trong hậu kỳ, và bạn nên ngừng viết tên kênh vào lời nhắc vì chúng không làm gì cả.

Bây giờ chạy lại bản giữ: cùng điểm cuối, cùng khung hình đầu tiên, cùng lời nhắc, thay đổi một trường thành resolution: 2K. Một điều nữa đáng biết trước khi bạn cho rằng bản nháp là bản xem trước.

Hai hàng năm khung hình so sánh các lần chạy 768P và 2K tại cùng dấu thời gian, giống hệt nhau ở khung không và phân kỳ từ khoảng 2,5 giây

Cùng khung hình đầu tiên, cùng lời nhắc, cả hai mức. Khung 0 khớp chính xác. Đến 2,5s, vỏ nứt khác nhau và hai clip đã trở thành các bản quay khác nhau.

Khóa khung hình đầu tiên giữ nguyên bố cục, khung hình, ánh sáng và màu sắc ở cả hai mức, đó là lý do tại sao bạn nên luôn sử dụng image-to-video thay vì text-to-video cho việc này. Nó không cung cấp cho bạn cùng một bản quay. Lần chạy 2K quay lại hành động. Hãy coi bản nháp như bản xem trước giao diện và âm thanh, không phải vũ đạo chính xác.

Bước 5: Thêm Bản Ghi Thực Tế Làm Tham Chiếu Cho Video AI ASMR MiniMax H3

Nếu bạn có một âm thanh bạn thực sự muốn, hãy đưa nó vào. reference-to-video chấp nhận tối đa 9 hình ảnh, 3 video và 3 clip âm thanh, và nó kéo âm sắc và đặc tính phòng từ một tham chiếu âm thanh thay vì phát minh ra chúng. Tôi đã sử dụng một bản ghi âm vỡ thủy tinh thân thiện với phạm vi công cộng của Gravity Sound từ Wikimedia Commons (CC BY 4.0), ba lần chụp nối tiếp nhau thành 4,5 giây.

Ba quy tắc, và tôi tìm thấy hai quy tắc cuối một cách khó khăn khi có các yêu cầu bị từ chối:

• Âm thanh không thể đi một mình. Điểm cuối nói rõ: ít nhất một hình ảnh hoặc video là bắt buộc, và âm thanh một mình không được phép. Ghép nối nó với một khung hình.
• Tham chiếu âm thanh phải từ 2 đến 15 giây. Lần thử đầu tiên của tôi sử dụng một clip 1,49 giây và trả về audio duration 1486 ms, expected [2000, 15000] ms. Phạm vi đó không có trên trang mô hình.
• Định dạng tệp được kiểm tra. Một payload base64 được khai báo là audio/mpeg đã bị từ chối với audio format ".mpeg" not allowed. Một payload .wav đã đi qua. Các yêu cầu bị từ chối không bị tính phí, nhưng chúng tốn của bạn một vòng lặp.

Cài đặt: refers: [{url: <khung cơ sở>, type: "image"}, {url: <bản ghi 2 đến 15 giây>, type: "audio"}], resolution: 768P, duration: 5.

plaintextCopy
1Same locked-off macro shot: the blade slices the glass pomegranate from left to right
2and the seeds scatter. Match the timbre, brightness and room character of the reference
3audio, same recording distance, same dryness. ASMR close-mic, no music, no voice.

MiniMax H3 reference-to-video playground trên Atlas Cloud với hai tài liệu tham khảo đã tải, một tệp âm thanh trong khe 1 và khung cơ sở trong khe 2

Tài liệu tham khảo mang tệp âm thanh và hình ảnh cùng nhau, 2 trong số 9 được sử dụng. Bỏ hình ảnh và yêu cầu sẽ không chạy gì cả.

mY1VrOfM3cM

Bản quay có hướng dẫn tham chiếu, $0,50. Cùng cảnh quay, âm sắc được dẫn hướng bởi bản ghi thực tế thay vì được phát minh từ lời nhắc. Tham chiếu âm thanh: Glass breaking của Gravity Sound, CC BY 4.0.

Ba Mẫu Video AI ASMR MiniMax H3: Cắt, Nhai, Mưa

Ba định dạng bao phủ hầu hết những gì hoạt động trong thể loại này. Mỗi cái là một lời nhắc đầy đủ để sao chép và chạy với cài đặt và clip mà nó tạo ra. Cố tình không có thủy tinh, không có màu đỏ, không có đá phiến ở bất cứ đâu bên dưới: nếu mọi clip trên tài khoản của bạn trông giống nhau, thuật toán sẽ coi nó như cùng một clip.

Bảng 3: cùng năm khe, ba công việc khác nhau.

Mẫu 1, Cắt. Tổ ong, màu hổ phách và vàng, 9:16, 768P, 6 giây, ratio: "9:16".

plaintextCopy
1Extreme macro, locked-off overhead shot of a thick slab of golden honeycomb on a pale
2ceramic plate, honey already pooling around it. A hot steel blade lowers into the wax
3and sinks through it front to back in one slow continuous press; the cut faces slump
4and a heavy thread of honey stretches and drips onto the plate. Warm amber key light
5from the left, shallow depth of field, single take, no cuts, no hands in frame.
6
7Audio: ASMR, close-mic, very dry, no room reverb, no music, no voice, no narration.
8A soft crackling of wax splitting under the blade, then a thick low stretching pull as
9the honey lengthens, then two heavy wet drips landing on the ceramic plate. Nothing else.

ZsVmf9AhPnw

Mẫu 1, $0,60. Tiếng nứt sáp, tiếng kéo mật ong, tiếng nhỏ giọt. Được tạo bằng minimax/h3/text-to-video.

Mẫu 2, Nhai. Lava mukbang, định dạng đã thu hút 11,3 triệu lượt xem trong một tuần, 9:16, 768P, 8 giây, ratio: "9:16".

plaintextCopy
1Vertical close-up: a pair of black lacquer chopsticks lifts a glowing clump of molten
2orange lava out of a dark stone bowl and carries it toward the camera, out of frame at
3the bottom. The lava is self-illuminating, casting orange light on everything around it;
4the rest of the room is almost black. Steam curls off the surface. Locked-off camera,
5single take, no cuts.
6
7Audio: ASMR, extremely close-mic, intimate, no words, no music, no narration, no room tone.
8A low molten sizzle and bubbling as the lava is lifted, then a soft wet chew, then a
9brighter glassy crunch on the second bite, then one slow satisfied exhale. No speech.

UJhEsTnKkZI

Mẫu 2, $0,80. Tiếng xèo xèo, tiếng nhai, tiếng giòn, tiếng thở ra, và không một lời nào. Được tạo bằng minimax/h3/text-to-video.

Mẫu 3, Mưa. Cửa sổ ô tô ban đêm, xanh lạnh và neon, 16:9, 768P, 10 giây, ratio: "16:9".

Đây là mẫu duy nhất trong ba mẫu không có hành động chủ thể, và nó dạy nhiều nhất về phủ định. Với không có gì xảy ra trên màn hình, H3 sẽ với tới một bản nhạc nền trừ khi bạn cấm nó một cách rõ ràng. Nó cũng là clip có trường stereo rộng nhất mà không cần yêu cầu. Nội dung hướng đến giấc ngủ muốn có độ dài, vì vậy clip này chạy gần đầu phạm vi thời lượng hữu ích.

plaintextCopy
1Macro shot through the inside of a car window at night, heavy rain running down the
2outside of the glass. Individual droplets hit, hesitate, then streak downward and merge.
3Beyond the glass, out-of-focus neon signage breaks into cold blue and magenta bokeh.
4No wipers, no people, no movement inside the car. Camera locked off, single continuous
5take, shallow depth of field, no cuts.
6
7Audio: ASMR, close-mic on the outside of the glass, cabin slightly muffled.
8A steady even rain bed with clearly separated individual droplet impacts on the glass,
9plus a faint distant hiss of tyres on a wet road. No music, no thunder, no voice,
10no narration, no wiper noise.

bUKr5V6wbdM

Mẫu 3, $1,00. Mười giây môi trường xung quanh thuần túy, không có nhạc nền vì lời nhắc đã cấm nó. Được tạo bằng minimax/h3/text-to-video.

Chi Phí Thực Tế Của Một Video AI ASMR MiniMax H3

Đây là hóa đơn cho bài viết này, không phải ước tính.

Sáu clip có thể xuất bản và một khung cơ sở. Mở rộng quy mô theo lịch trình: một clip dọc 8 giây mỗi ngày ở 768P là $0,80, vậy khoảng $24 một tháng cho một tài khoản vô danh đăng hàng ngày, trước khi bạn dành một phút trong trình chỉnh sửa.

Hai lưu ý về hóa đơn. $0,009 được liệt kê của GPT Image 2 là mức sàn token; một kết xuất chất lượng cao 2048x1152 đạt $0,1745, gần hai mươi lần số đó, vì vậy hãy lập ngân sách từ mức bạn thực sự sử dụng. Và trường price của H3 được điền sau một độ trễ: hãy thăm dò cho đến khi status là completed và nó thường xuyên vẫn là undefined. Thăm dò lại id prediction một lúc sau để có con số thực. Lần thăm dò thứ hai đó là cách duy nhất để tạo một hóa đơn như thế này thay vì một phỏng đoán.

Một Lưu Ý Trung Thực Về Âm Thanh ASMR và Bản Quyền

Đừng tải lên bản ghi ASMR của người khác làm tệp âm thanh refers. Tham chiếu thực sự di chuyển âm sắc vào đầu ra, và chạy một bản ghi qua mô hình không thay đổi quyền sở hữu của nó. Tham chiếu được sử dụng ở đây là CC BY 4.0 và được ghi công ở trên, mất khoảng hai phút để tìm nguồn.

Đừng xây dựng ASMR xung quanh giọng nói của một người thực có thể nhận dạng. Mọi mẫu trong bài viết này đều cố tình không có giọng nói, vừa là quy ước thể loại vừa là con đường ít phức tạp nhất.

Gọi H3 thông qua API không bị ảnh hưởng bởi giấy phép cộng đồng đi kèm với trọng số mở. Giấy phép đó, bao gồm tự lưu trữ, hiện loại trừ EU, Vương quốc Anh, Hàn Quốc và Mỹ, và một kênh cấp phép chính thức đang mở cho các lãnh thổ đó. Đáng biết, không đáng lo lắng nếu bạn đang truy cập điểm cuối.

Video AI ASMR MiniMax H3: Câu Hỏi Thường Gặp

Video AI ASMR MiniMax H3 có tự tạo âm thanh không, hay tôi phải thêm vào sau?

Mô hình tạo ra nó. Hình ảnh và âm thanh ra từ cùng một lần: video 24 fps với bản nhạc AAC stereo ở 32 kHz trong tệp được giao. Không có bước âm thanh riêng biệt, không có thư viện âm thanh và không có công việc căn chỉnh, đó là toàn bộ lý do điểm cuối này thú vị cho ASMR cụ thể.

Tôi có thể làm cho video AI ASMR MiniMax H3 pan từ trái sang phải không?

Không phải bằng cách yêu cầu. Tôi đã viết hướng dẫn kênh rõ ràng vào lời nhắc và đo kết quả: tương quan 0,97 giữa các kênh và chênh lệch mức tối đa 1,9 dB trong bất kỳ cửa sổ một phần tư giây nào, đó không phải là pan. Bản nhạc thực sự là stereo và nội dung khuếch tán như mưa trả về với trường rộng, nhưng các tác động rời rạc vẫn ở trung tâm bất kể cách diễn đạt. Nếu định dạng của bạn cần pan cứng, hãy thực hiện trong hậu kỳ.

Tôi có thể tải lên bản ghi của riêng mình làm tham chiếu cho video AI ASMR MiniMax H3 không?

Có, thông qua reference-to-video, chấp nhận tối đa 3 tham chiếu âm thanh cùng với tối đa 9 hình ảnh và 3 video. Âm thanh không thể được gửi một mình, vì vậy hãy ghép nối nó với ít nhất một hình ảnh hoặc video. Âm thanh cũng phải từ 2 đến 15 giây, và định dạng được xác thực: một payload .wav hoạt động trong khi audio/mpeg bị từ chối. Các yêu cầu bị từ chối không bị tính phí.

Âm thanh của video AI ASMR MiniMax H3 ở 768P có tệ hơn 2K không?

Không. Cả hai mức đều giao cùng thông số kỹ thuật AAC stereo 32 kHz. Chỉ có hình ảnh thay đổi, và nó thay đổi rất nhiều: 16:9 trả về 1344x768 ở 768P so với 2560x1440 ở 2K. Vì phán đoán sáng tạo trong ASMR là phán đoán lắng nghe, hãy dựng nháp ở $0,10/giây và chạy lại bản giữ ở $0,14/giây. Chỉ cần nhớ rằng lần chạy 2K là một bản quay mới, không phải là nâng cấp của bản nháp.

Video AI ASMR MiniMax H3 nên dài bao lâu, và tỷ lệ khung hình nào?

Thời lượng chấp nhận bất kỳ số nguyên giây nào từ 4 đến 15. Clip cắt và nhai hoạt động ở 5 đến 8 giây vì phần thưởng là một sự kiện; môi trường xung quanh hướng đến giấc ngủ muốn 10 giây hoặc hơn. Đối với Shorts, Reels và TikTok, sử dụng 9:16, và nhớ rằng text-to-video yêu cầu ratio phải được đặt rõ ràng và từ chối adaptive. Trên image-to-video, khung hình đầu tiên quyết định hình dạng cho bạn.

Một video AI ASMR MiniMax H3 có giá bao nhiêu?

Một clip 5 giây có giá $0,50 ở 768P và $0,70 ở 2K. Một clip dọc 8 giây ở 768P là $0,80. Đăng một clip như vậy mỗi ngày tốn khoảng $24 một tháng cho chi phí tính toán, đó là con số đáng so sánh với 20 phút mà trình chỉnh sửa sẽ mất mỗi clip trong quy trình ghép nối.

Tại sao video AI ASMR MiniMax H3 của tôi lại có nhạc nền mà tôi không yêu cầu?

Bởi vì bạn không cấm nó. Hầu hết video trong dữ liệu huấn luyện của bất kỳ mô hình nào đều có nhạc nền, vì vậy hành vi mặc định là thêm một bản nhạc, đặc biệt khi không có gì xảy ra trên màn hình. Đặt các phủ định vào nửa âm thanh của lời nhắc một cách rõ ràng: no music, no voice, no narration, no room reverb, no ambience bed. Các mẫu môi trường xung quanh cần điều này nhiều hơn các mẫu hành động.