MiniMax H3 Đồng bộ môi và Âm thanh: Tôi đã cung cấp cho nó 6 giây giọng nói và xóa 4 công cụ khỏi quy trình của tôi

Khung cảnh radio ca đêm – điểm xuất phát của mọi take trong bài viết này, được tạo bằng openai/gpt-image-2/text-to-image ở chất lượng cao, 2048x1152

Bức ảnh tĩnh này là đầu vào cho toàn bộ hướng dẫn bên dưới. Được tạo bằng openai/gpt-image-2/text-to-image, chất lượng cao, 2048x1152.

Hãy nghĩ về lần cuối bạn hoàn thành một cảnh quay 8 giây và nó ra mắt im lặng.

Bạn xuất clip. Bạn mở tab TTS và gõ dòng thoại. Bạn lục tìm thư viện âm thanh để lấy tiếng mưa và âm thanh phòng. Bạn kéo tất cả vào timeline và đẩy sóng âm sang trái, sang phải cho đến khi miệng không còn nói dối. Sau đó, bạn trả tiền cho một mô hình đồng bộ khẩu hình riêng để sửa miệng. Bốn công cụ, ba file wav, một giờ đồng hồ, và diễn xuất vẫn bị ghép - bởi vì nó đã bị ghép ngay từ đầu.

Chuỗi đó là thứ MiniMax H3 lặng lẽ loại bỏ. Không phải vì nó "có âm thanh" (nhiều mô hình cũng tuyên bố vậy), mà vì một ô trong phần thân yêu cầu hầu như không ai kiểm tra: bạn có thể đưa vào một đoạn âm thanh bạn đã sở hữu, miễn phí, và lấy lại giọng nói trên khuôn mặt.

Dưới đây là bài kiểm tra hai take giúp cô lập ô đó, giá thực tế của từng bước mà nó thay thế, các giới hạn cứng sẽ từ chối yêu cầu của bạn, và hóa đơn thực tế.

Những điểm chính

• Một lần gọi trả về hình ảnh, hội thoại, âm thanh phòng và chuyển động môi cùng nhau. Văn bản, hình ảnh và âm thanh được mã hóa riêng, sau đó một Bộ biến đổi Omni duy nhất dự đoán đồng thời các latent video và âm thanh (Thẻ mô hình Hugging Face, tháng 8 năm 2026).
• Âm thanh đầu vào miễn phí. Video đầu vào thì không: MiniMax tính phí video tham chiếu theo tỷ lệ đầu ra, vì vậy cùng 15 giây tài liệu sẽ có giá $0 nếu là bài hát và khoảng $1.95 nếu là clip video.
• Giới hạn cứng: tối đa 3 clip âm thanh, mỗi clip từ 2 đến 15 giây, tổng cộng 15 giây, và âm thanh không bao giờ được đi một mình. Nó phải đi kèm với ít nhất một hình ảnh hoặc video.
• Với giá $0.14 mỗi giây cho 2K trên Atlas Cloud, một cảnh quay 10 giây hoàn chỉnh có âm thanh có giá $1.40, thấp hơn so với việc trả $0.22 mỗi giây cho một mô hình đồng bộ khẩu hình chuyên dụng để vá một clip bạn đã render.

Bật Âm Thanh: Hai Take MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh, Khác Biệt Sáu Giây

Đeo tai nghe cho phần này. Cả hai nửa đều nhận cùng một khung hình cơ bản, cùng hai dòng thoại và cùng một prompt, từng chữ một. Chỉ một nửa được nghe một bản ghi âm sáu giây trước.

fXlyer__czg

Bật âm thanh và dùng tai nghe: nửa bên trái (Take A, không có âm thanh tham chiếu) phát ở tai trái, nửa bên phải (Take B, có tham chiếu 6 giây) ở tai phải. Cùng khung hình, cùng dòng thoại, cùng prompt. Cả hai take: minimax/h3/reference-to-video, 2K, 10 giây, đầu ra 2560x1440 ở 24fps với track stereo 32 kHz.

Take A không có gì ngoài các từ "calm, low, magnetic male broadcast voice" trong prompt, vì vậy nó tự sáng tạo ra một giọng nói. Take B được đưa 6.19 giây của một câu hoàn toàn khác và được yêu cầu chỉ coi đó là một neo âm sắc. Không take nào được lồng tiếng sau đó. Không take nào chạm đến mô hình đồng bộ khẩu hình. Trong cả hai, miệng theo giọng nói mà mô hình tạo ra, bởi vì miệng và giọng nói được tạo ra cùng nhau.

Hãy tự đánh giá âm sắc bằng tai của bạn thay vì tin lời tôi. Điều tôi có thể khẳng định là cơ chế, cài đặt và hóa đơn, và những điều đó sẽ được trình bày tiếp theo.

Tại Sao MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh Phá Vỡ Chuỗi Lồng Tiếng Sáu Bước Của Mọi Người

Chuỗi cũ chưa bao giờ thực sự là một quy trình làm việc. Nó là một công việc sửa chữa.

ImGr2NgcCCY

Bật âm thanh. Một con cóc 3D và tắc kè hoa nói chuyện với nhau trong một lều xiếc vào ban đêm, với âm thanh không gian của khu vực nằm dưới hội thoại. Một clip tham chiếu MiniMax cho âm thanh gốc H3. Hình dạng miệng trên các nhân vật hoạt hình là trường hợp khó giả nhất, đó là lý do tại sao clip này đáng để bạn dành 20 giây chú ý.

Ba thứ liên tục bị hỏng, và chúng hỏng vì những lý do cấu trúc chứ không phải do xui xẻo.

Timeline nằm trong tay bạn. Một mô hình video cho bạn các khung hình. Một mô hình TTS cho bạn một dạng sóng. Không có đầu ra nào biết về đầu ra kia, vì vậy căn chỉnh là một phán đoán của con người được thực hiện ở tốc độ 30 khung hình mỗi giây, bằng mắt, lúc 1 giờ sáng. Mỗi lần render lại đều bắt đầu lại phán đoán đó.

Đồng bộ khẩu hình kiểu vá có một giới hạn. Một mô hình đồng bộ khẩu hình chuyên dụng chỉ sở hữu vùng miệng của cảnh quay đã tồn tại. Nó có thể làm cho miệng khớp với âm thanh. Nó không thể làm cho hàm căng cứng trước một phụ âm cứng, hoặc đặt một hơi thở trước một dòng thoại, hoặc để vai rũ xuống khi câu kết thúc, bởi vì những khung hình đó đã được render trước khi ai biết nhân vật sẽ nói gì. Bạn có được độ chính xác mà không có diễn xuất, và điều đó được đọc là ám ảnh.

Thiết kế âm thanh là một dự án thứ hai. Mưa, âm thanh phòng, tiếng kẽo kẹt của ghế, một đường bass nằm dưới hội thoại. Tất cả đều đến từ một nguồn khác và phải được cân bằng với một giọng nói vốn đã được dán lên.

Audio VAE Cho Bạn Biết Điều Gì Về MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh

Đây là phần không phải ngôn ngữ tiếp thị, bởi vì bạn có thể thấy nó trong một tên file.

Trong H3, văn bản chạy qua H3-Encoder, đầu vào hình ảnh chạy qua cả H3-Encoder và H3-VisualVAE, và âm thanh chỉ chạy qua một H3-AudioVAE độc lập. H3-Omni-Transformer sau đó dự đoán đồng thời các latent video và âm thanh, được giải mã riêng thành video và âm thanh nổi. AudioVAE chia sẻ một bộ mã hóa và giải mã cho cả kênh trái và phải, xử lý từng kênh độc lập, kết hợp lại cho âm thanh nổi, và nén âm thanh 32 kHz thành một chuỗi token latent với tốc độ thời gian 40 Hz (Thẻ mô hình Hugging Face).

Khi ComfyUI phát hành hỗ trợ ngay ngày đầu tiên, kiến trúc đó hiển thị dưới dạng hai file riêng biệt trong thư mục VAE: minimax_h3_video_vae_fp16.safetensors và minimax_h3_audio_vae_fp32.safetensors, được tải bởi một bộ tải VAE kép nhận đường dẫn video và đường dẫn âm thanh (Blog ComfyUI, tháng 8 năm 2026). Âm thanh là một phương thức mà mô hình được xây dựng xung quanh, chứ không phải là một quy trình xử lý sau được gắn vào cuối.

Các bảng xếp hạng đồng ý về nơi điều đó thể hiện. Artificial Analysis xếp H3 đầu tiên trên bảng xếp hạng chỉnh sửa video với âm thanh ở mức 1.130 Elo từ 5.043 mẫu ưu tiên mù, đồng thời xếp nó trong top ba cả về text-to-video và image-to-video (Artificial Analysis, tháng 7 năm 2026). Khoảng cách giữa “hình ảnh rất tốt” và “vị trí đầu tiên” trong bảng xếp hạng cụ thể đó chính là âm thanh.

Quy Trình MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh, Định Giá So Với Chuỗi Mà Nó Thay Thế

Cách trung thực để đánh giá điều này không phải là cảm nhận. Đó là định giá chuỗi cũ từng bước một, sử dụng tỷ lệ trên mỗi giây thực tế cho một cảnh quay hoàn chỉnh dài 10 giây, và sau đó định giá giải pháp thay thế.

Hãy đọc hàng 7 hai lần. Vá miệng của một clip bạn đã render có giá $0.22 mỗi giây, trong khi tạo toàn bộ cảnh quay với giọng nói, âm thanh không gian và chuyển động môi có giá $0.14 mỗi giây. Việc vá đắt hơn bản gốc. So sánh đơn lẻ đó là toàn bộ lập luận.

Sự bất đối xứng mà không ai đề cập: âm thanh của bạn miễn phí, video của bạn thì không.

Bảng giá trả theo nhu cầu của MiniMax liệt kê riêng tài liệu đầu vào và đầu ra. Đối với H3, đầu vào âm thanh là Miễn phí. Năm hình ảnh đầu vào đầu tiên miễn phí và mỗi hình sau đó có giá $0.04. Video đầu vào được tính phí theo thời lượng của clip đầu vào theo tỷ lệ độ phân giải đầu ra, là $0.13 mỗi giây ở 2K (Tài liệu giá MiniMax, kiểm tra ngày 3 tháng 8 năm 2026). Vì vậy, cùng 15 giây tài liệu tham khảo sẽ không mất gì nếu là bài hát, bản ghi nhớ giọng nói hoặc VO do khách hàng cung cấp, và khoảng $1.95 nếu là clip video.

Đó là ranh giới nên thay đổi cách bạn xây dựng. Âm thanh tham chiếu là bề mặt điều khiển rẻ nhất trong mô hình, và nó là thứ không ai kiểm tra.

Các giới hạn từ thông số kỹ thuật H3-Base-Ref2VA trên thẻ mô hình. Lược đồ Atlas Cloud cho minimax/h3/reference-to-video cũng nói điều tương tự bằng ngôn ngữ riêng của nó: "Yêu cầu ít nhất một hình ảnh HOẶC video (chỉ âm thanh không được phép)."

Hai chú thích về phía đồng hồ đo của Atlas, cả hai đều từ các lần chạy của tôi chứ không phải từ trang tài liệu. Atlas tính phí một mức $0.14 cố định trên mỗi giây đầu ra cho tất cả ba điểm cuối H3, và một video tham chiếu tôi đính kèm không thêm phí riêng lên trên đó. Đó là một quan sát, không phải một chính sách, vì vậy hãy dự trù theo quy tắc của MiniMax và coi mức phí cố định như một phần thưởng. Atlas cũng chấp nhận resolution: "768P" và tính phí ở cùng mức $0.14, đó là một sự chênh lệch đáng đọc trong bài phân tích giá API MiniMax H3 hơn là ở đây.

Mọi thứ bên dưới chạy trong một tab trình duyệt trên Atlas Cloud: khung hình cơ bản, tham chiếu giọng nói và cả hai take H3, trên một khóa API với một vòng lặp poll. Ba điểm cuối H3 chỉ khác nhau về hình dạng đầu vào của chúng, vì vậy refers trở thành image trở thành văn bản thuần túy và không có gì khác trong mã của bạn thay đổi.

MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh, Từng Bước

Năm bước. Hai trong số đó là thiết lập rẻ, hai là bài kiểm tra thực tế, và bước cuối cùng không mất gì vì nó được thiết kế để thất bại.

Bước 1: Xây Dựng Khung Hình Cơ Bản Với GPT Image 2

Bản demo là một người dẫn chương trình radio ca đêm, được chọn vì một lý do: một cận cảnh chặt chẽ vào miệng là khung hình duy nhất mà bạn có thể thực sự đánh giá đồng bộ khẩu hình. Một cảnh rộng cho phép mô hình gian lận.

Hai điều trong prompt này là bắt buộc. Miệng phải hơi mở giữa từ, để khung hình đầu tiên đã thể hiện lời nói, và không được có văn bản ở bất kỳ đâu trong khung hình, để phụ đề động sau này không xung đột với chữ in sẵn.

plaintextCopy
1Photoreal cinematic still, 16:9, night-shift radio studio, tight chest-up framing on a
2man in his late thirties leaning into a vintage silver condenser microphone on a boom arm,
3foam windscreen inches from his lips, headphones half-off one ear. Warm tungsten desk lamp
4from camera-left carves his cheekbone; a red neon ON AIR sign burns out of focus behind his
5shoulder and bleeds crimson onto the mixing desk faders in the lower foreground. Rain streaks
6the studio window on the right, city lights smeared into bokeh. Thin cigarette smoke drifts
7through the lamp beam. Mouth slightly open mid-word, eyes down toward a paper script. Shot on
835mm, shallow depth of field, fine film grain, deep shadows, no text anywhere in the frame.
9

Cài đặt trên openai/gpt-image-2/text-to-image: chất lượng cao, kích thước 16:9 ở 2048x1152, một hình ảnh. $0.009 trên danh sách mô hình là mức tối thiểu theo token, không phải số tiền bạn phải trả. Ở kích thước và chất lượng này, nút Run báo giá $0.1745 mỗi lần vẽ, bạn có thể đọc trong ảnh chụp màn hình bên dưới.

GPT Image 2 trên Atlas Cloud với prompt booth radio đã nhập, chất lượng cao và 16:9 2048x1152 được chọn, và khung hình cơ bản hoàn thành trong bảng OUTPUT_GPT Image 2 trên Atlas Cloud: chính xác prompt trên, chất lượng cao, 16:9 ở 2048x1152, và một lần vẽ thứ hai của cùng khung hình trong OUTPUT._

Bước 2: Tạo Tham Chiếu Giọng Nói Sáu Giây

Đây là bước mọi người làm sai, vì vậy hãy đọc lý do trước prompt.

Âm thanh tham chiếu phải nói một câu khác với câu bạn muốn trong video. Nó chỉ là một neo âm sắc, không có gì khác. Các dòng thoại đến từ prompt. Ví dụ tham chiếu-to-video của chính MiniMax làm rõ sự phân chia này: nó gắn nhãn một clip là track nguồn để sử dụng một phần cho nhạc, và một clip thứ hai chỉ là "tham chiếu âm sắc giọng nói", với hội thoại mới được viết trực tiếp trong prompt. Nếu tham chiếu của bạn nói cùng những từ bạn yêu cầu, bạn đang mời mô hình sao chép track thay vì chuyển giọng nói.

plaintextCopy
1You're listening to Night Line, ninety-one point four, and it is coming up on
2three in the morning.
3

Cài đặt trên minimax/speech-2.6-hd: bất kỳ giọng nam trầm, nhẹ nhàng nào cũng được, và tôi đã chọn Magnetic-voiced Male (English_magnetic_voiced_man). Đặt speed thành 0.95 để take nằm trong cửa sổ 2 đến 15 giây với dư địa, để vol ở 1.0, và giữ đầu ra mp3. Mô hình có giá $0.08 mỗi 1.000 ký tự, giảm từ $0.10, mức giảm 20% có hiệu lực từ tháng 8 năm 2026. Dòng thoại của tôi trả về 6.19 giây và có giá $0.00792.

MiniMax Speech 2.6 HD trên Atlas Cloud với dòng tham chiếu đã nhập vào trường văn bản và dạng sóng âm thanh đã render trong bảng OUTPUT

MiniMax Speech 2.6 HD trên Atlas Cloud: một dòng vào, một mp3 ngắn ra, với mức giảm 20% hiển thị trên nút Run. Ảnh chụp màn hình được chụp ở giọng Expressive Narrator mặc định, vì vậy hãy chuyển bộ chọn Voice sang Magnetic-voiced Male và giảm Speed xuống 0.95 trước khi chạy.

Bước 3: Chạy MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh Với Âm Thanh Tham Chiếu

Bây giờ cả hai file đều được đưa vào refers cùng nhau: ảnh tĩnh từ Bước 1 và mp3 từ Bước 2. Đây là Take B.

Prompt sử dụng cấu trúc phân đoạn mà H3 được huấn luyện. subject_definitions đặt tên ai và cái gì là tham chiếu, detailed_description mang hội thoại bên trong thẻ <d>[English] ...</d>, và hai phần âm thanh mô tả bản phối. Nếu tên phân đoạn còn mới với bạn, hướng dẫn prompt MiniMax H3 bao gồm toàn bộ cấu trúc. Chỉ có ba trường quan trọng cho công việc âm thanh, và tất cả đều có ở đây.

plaintextCopy
1subject_definitions:
2<Subject 1> is the man at the radio microphone in <Picture 1>, late thirties, headphones
3half-off one ear, red ON AIR neon behind his shoulder.
4<Picture 1> is the opening frame of the target video.
5<Audio 2> is the voice timbre reference for <Subject 1>: a calm, low, magnetic male
6broadcast voice. Reference the timbre only; do not reuse its words.
7
8summary:
9[image reference + audio timbre reference] A single continuous 10-second close-up. <Subject 1>
10delivers two lines straight into the microphone in the voice timbre of <Audio 2>, while the
11camera pushes in slowly. The mouth movement, the breath before each line, and the room tone
12are generated together.
13
14detailed_description:
15The shot opens exactly on <Picture 1>. Warm tungsten from camera-left, red neon bleeding onto
16the mixing desk in the foreground, rain on the window behind. <Subject 1> takes a short breath,
17tilts a few degrees toward the windscreen, and speaks, <d>[English] It's three in the morning,
18and I know exactly who's still awake.</d> As he speaks, his jaw and lips move naturally with
19every syllable; the plosives on "three" and "morning" are visible. He glances down at the script,
20then back up past the lens, and continues, <d>[English] So let's keep this between us.</d>
21Exactly as his voice stops, his lips settle closed and he exhales through his nose. Throughout,
22the camera executes one slow, deliberate push-in; the neon flickers once, faintly, around second
23seven. No on-screen text.
24
25overall_soundscape:
26Close, dry, booth-treated voice with a touch of proximity effect from the microphone. Under it:
27a low electrical hum from the desk, rain steady against the glass, one distant car passing on
28the wet street, the soft creak of the chair as he leans in, and a single audible breath before
29each line.
30
31non_diegetic_music:
32A sparse, slow late-night jazz double bass, very quiet, well under the voice, entering around
33second two and never rising above the dialogue.
34

Cài đặt trên minimax/h3/reference-to-video: độ phân giải 2K, thời lượng 10, tỷ lệ khung hình 16:9, và refers chứa cả hai file. Thứ tự trong mảng không quan trọng, chỉ cần ít nhất một trong số chúng là hình ảnh hoặc video. Thanh trượt Duration mặc định là 8, vì vậy hãy di chuyển nó, và chuyển Aspect Ratio khỏi adaptive nếu bạn muốn khung hình bạn yêu cầu.

Bốn cạm bẫy tham số, ba trong số đó đã khiến tôi mất tiền. Khóa là ratio, không phải aspect_ratio, và sai sẽ trả về 400. Luôn gửi duration một cách rõ ràng, vì mặc định lược đồ là 8 nhưng một yêu cầu không có nó trả về file 5 giây. Trên điểm cuối này, gửi image cùng với refers sẽ hoàn thành, tính phí đầy đủ và lặng lẽ loại bỏ một trong số chúng. Và nếu bạn chuyển âm thanh dưới dạng data URL base64, hãy gắn nhãn data:audio/mp3, không phải data:audio/mpeg. Lần thử đầu tiên của tôi đã thất bại chính xác vì điều đó:

plaintextCopy
1content[2].audio_url: invalid param: audio format ".mpeg" not allowed
2

Cái đó ít nhất là miễn phí, đưa chúng ta đến cách hữu ích để tìm hiểu các giới hạn.

Playground MiniMax H3 reference-to-video trên Atlas Cloud, với mp3 ở ô 1 và khung hình cơ bản ở ô 2 của Reference Materials, độ phân giải 2K, và clip hoàn thành đang phát trong bảng OUTPUT

MiniMax H3 reference-to-video trên Atlas Cloud: Reference Materials hiển thị 2/9 với mp3 ở ô một và ảnh tĩnh ở ô hai, độ phân giải 2K, clip hoàn thành ở bên phải. Ảnh chụp này chạy ở thời lượng mặc định 8 giây của playground, đó là lý do tại sao nút Run hiển thị $1.12; hai take của tôi ở trên chạy ở 10 giây với giá $1.40 mỗi cái.

Bước 4: Chạy Take Đối Chứng MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh

Thay đổi một đầu vào và mọi đề cập đến nó. Xóa mp3 khỏi refers để chỉ còn hình ảnh, xóa định nghĩa <Audio 2>, cắt cụm từ "in the voice timbre of <Audio 2>" khỏi phần tóm tắt, và thay đổi thẻ ngoặc thành [image reference]. Không có gì khác thay đổi, và các cài đặt vẫn giữ nguyên: 2K, 10 giây, 16:9.

Đó là điều làm cho nó trở thành đối chứng thay vì một lần thử thứ hai. Mô hình bây giờ không có neo âm sắc, vì vậy nó tự sáng tạo ra một giọng nói từ mô tả bằng văn bản và đồng bộ khẩu hình với giọng nói mà nó vừa tạo ra. Cả hai take đều trả về ở 10.13 giây và có giá $1.40 mỗi cái, đến từng xu.

WnfqR2I-a-8

Bật âm thanh. Take A một mình: cùng khung hình, cùng dòng thoại, không có âm thanh tham chiếu. Giọng nói ở đây là sự sáng tạo của mô hình, và miệng vẫn theo nó.

Hai take, một biến. Đó là thí nghiệm rẻ nhất trong toàn bộ bài viết này và là thí nghiệm duy nhất cho bạn biết ô âm thanh thực sự làm gì.

Bước 5: Cố Ý Làm Hỏng MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh

Bước cuối cùng là miễn phí, và đáng để làm một lần để bạn nhận ra lỗi lúc 2 giờ sáng.

Đặt mp3 vào refers và không có gì khác. Không có hình ảnh, không có video, chỉ có âm thanh. Sau đó gửi.

plaintextCopy
1curl -s https://api.atlascloud.ai/api/v1/model/generateVideo \
2  -H "Authorization: Bearer $ATLAS_API_KEY" \
3  -H "Content-Type: application/json" \
4  -d '{
5    "model": "minimax/h3/reference-to-video",
6    "prompt": "A man at a radio microphone speaks two lines into the windscreen.",
7    "refers": [{"url": "https://example.com/voice-reference.mp3", "type": "audio"}],
8    "resolution": "2K",
9    "duration": 10,
10    "ratio": "16:9"
11  }'
12

Đây là phần đáng biết, bởi vì nó không phải là điều lược đồ gợi ý. Cuộc gọi gửi trả về HTTP 200 với một id tác vụ bình thường và "status": "processing", vì vậy một client ngây thơ nghĩ rằng nó đã hoạt động. Hai mươi ba mili giây sau, tác vụ đã chết:

plaintextCopy
1{
2  "status": "failed",
3  "error_code": 1010001,
4  "error": "generate task failed, minimaxh3: reference-to-video requires at least one reference image or video",
5  "latency_ms": 23
6}
7

Không có trường price nào xuất hiện trên dự đoán đó, vì vậy nó không tốn gì. Bài học thực tế là về mã của bạn, không phải ví tiền của bạn: 200 khi gửi không phải là thành công. Hãy poll id, và kiểm tra status trước khi bạn cho rằng mình có một clip.

Bốn Cách Khác Để Đẩy MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh

Bài kiểm tra hai take là thí nghiệm nhỏ nhất hữu ích. Đây là nơi cùng một ô đó đi tiếp theo.

Một cảnh quay, nhiều ngôn ngữ. Giữ khung hình, giữ chuyển động, thay đổi thẻ ngôn ngữ bên trong <d>...</d> và chạy lại. Miệng theo ngôn ngữ mới thay vì ngôn ngữ cũ, bởi vì miệng và giọng nói ra từ cùng một lượt chuyển tiếp. Thẻ mô hình liệt kê hỗ trợ hội thoại ổn định cho 11 ngôn ngữ: Ả Rập, Trung Quốc, Anh, Pháp, Đức, Ý, Nhật, Hàn, Bồ Đào Nha, Nga và Tây Ban Nha, với nhiều ngôn ngữ khác được hỗ trợ ở các mức độ khác nhau. Hai clip này là cùng một trailer với hai track giọng nói khác nhau, và MiniMax cũng đã cắt một phiên bản tiếng Pháp và một phiên bản không lời tường thuật từ cùng một thiết lập.

hj7ZId3KOKk

Bật âm thanh. Phiên bản lồng tiếng Anh: cận cảnh phi hành gia trên một hành tinh màu cam bụi, lời tường thuật và nhạc nền đến cùng với hình ảnh. Công việc trailer là ba trường prompt giống nhau với một soundscape khác.

Hv62FGyBNPM

Bật âm thanh. Phiên bản tiếng Nhật, khung hình giống hệt cùng một trailer. Không có gì được lồng tiếng lại và không có buổi VO riêng biệt nào diễn ra.

Hát, với một đoạn nhạc bạn đã sở hữu. Đây là nơi âm thanh đầu vào miễn phí không còn là chú thích. Thả một đoạn nhạc hoặc nhạc cụ có sẵn vào refers ở 15 giây hoặc ít hơn, mô tả màn trình diễn, và nhân vật biểu diễn theo nó. Bạn không phải trả tiền cho bản nhạc bạn mang đến.

zui3Zw_UWnY

Bật âm thanh. Một ban nhạc được cắt theo phong cách camcorder retro, từ hậu trường đến buổi biểu diễn, với track và hình ảnh đến cùng nhau. Đó là hình dạng mà hầu hết công việc video âm nhạc thực sự muốn.

Hai người nói chuyện khó hơn một người. Một người nói trong cận cảnh là trường hợp dễ, đó chính xác là lý do bài viết này sử dụng nó. Đối với hội thoại giữa hai nhân vật, hãy gắn nhãn chúng một cách rõ ràng như cách ví dụ của chính MiniMax làm, với <Subject 1> (S1) và <Subject 2> (S2) được đính kèm với mỗi dòng <d>, và dự kiến sẽ phải chạy lại khi mô hình sai thứ tự hoặc quy kết. Hãy dự trù hai lần chạy cho một cảnh hai người.

Âm thanh không gian mà không có một lời nói nào. overall_soundscape là một trường riêng của nó, và nó hoạt động mà không có hội thoại nào cả. Mưa trên kính, tiếng kẽo kẹt của ghế, tiếng ồn của tủ lạnh, căn phòng. Điều đó làm cho cùng một điểm cuối trở thành một công cụ ASMR và âm thanh không gian hợp pháp, và đó là trường hợp sử dụng duy nhất mà miệng không bao giờ quan trọng.

Một giới hạn trung thực từ hai take của tôi: tạo cùng một lần có nghĩa là miệng và giọng nói đồng ý, và nó không có nghĩa là mọi chi tiết vật lý trong khung hình đồng ý với âm thanh. Các dòng thoại dài nhồi nhét vào thời lượng ngắn, hướng dẫn diễn xuất mơ hồ, và các cảnh nhiều người nói đều làm giảm chất lượng kết quả. Hãy xem clip của bạn trước khi bạn gửi nó, giống như cách bạn xem một take từ một diễn viên thực.

MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh Thực Sự Tốn Kém Tôi Bao Nhiêu

Mọi con số dưới đây là một khoản phí thực tế trên một tài khoản thực, được lấy sau khi thực tế. Trường price trên một dự đoán điền vào muộn, vì vậy việc poll cho đến khi completed thường trả về không có gì. Hãy tìm nạp lại id để lấy số.

Hai ghi chú kế toán, bởi vì trung thực rẻ hơn một chú thích. Data URL audio/mpeg sai trong Bước 3 cũng không tốn gì, vì nó báo lỗi 400 khi gửi. Các từ chối là miễn phí, nhưng một yêu cầu đúng định dạng với đầu vào bị hỏng thì không, vì vậy một URL tham chiếu lặng lẽ trả về 404 vẫn sẽ tính phí đầy đủ. Và ảnh chụp màn hình playground trong Bước 3 là lần chạy H3 thứ ba ở thời lượng mặc định 8 giây của bảng, với hóa đơn $1.12 thêm vào bảng. Lần chạy đó tồn tại cho bài viết này, không phải cho thí nghiệm.

Chuỗi cũ, được định giá trong bảng ở trên, là khoảng $3.49 cho một cảnh quay 10 giây cộng với một buổi tối căn chỉnh thủ công. Đây là hai cảnh quay hoàn chỉnh 10 giây có âm thanh, một A/B có kiểm soát, và hai yêu cầu cố ý hỏng, với chi phí thấp hơn.

Tuy nhiên, H3 là công cụ sai cho một số công việc mà mọi người sẽ cố gắng giao cho nó, và các giải pháp thay thế rẻ hơn.

Nếu bạn đang chọn giữa H3 và đối thủ gần nhất của nó về công việc nhân vật thay vì âm thanh, so sánh Seedance 2.5 là bài đọc tốt hơn. Và nếu bạn đang tự hỏi liệu các trọng số mở có làm cho điều này miễn phí không, chúng không làm cho nó nhanh: 2K vẫn đến từ phía API, và các báo cáo cộng đồng đặt một bản render 480p 10 giây cục bộ ở mức vài phút chứ không phải vài giây trên các card tiêu dùng.

Một Lưu Ý Trung Thực Về Giọng Nói, Bài Hát và Bản Quyền

Miễn phí để tải lên không giống như miễn phí để sử dụng. Một bài hát bạn không viết và một giọng nói không phải của bạn là hai quyền riêng biệt, và không quyền nào được cấp bởi một API không tính phí bạn cho việc tải lên. Hãy sử dụng bản ghi âm của riêng bạn, nhạc có giấy phép, hoặc giọng nói tổng hợp mà bạn tự tạo, đó chính xác là những gì Bước 2 làm.

Riêng biệt, các trọng số cộng đồng mang các giới hạn lãnh thổ hiện không bao gồm EU, Vương quốc Anh, Hàn Quốc hoặc Mỹ, với một kênh cấp phép chính thức mở ra. Đó là một câu chuyện dài hơn, và nó được kể trong hướng dẫn trọng số mở MiniMax H3.

MiniMax H3 Đồng Bộ Khẩu Hình và Âm Thanh: Câu Hỏi Thường Gặp

MiniMax H3 đồng bộ khẩu hình và âm thanh có thực sự tạo ra âm thanh trong cùng một lần, hay nó được lồng ghép sau đó?

Cùng một lần. Văn bản chạy qua H3-Encoder, hình ảnh qua H3-Encoder cộng H3-VisualVAE, và âm thanh qua một H3-AudioVAE độc lập. H3-Omni-Transformer dự đoán đồng thời các latent video và âm thanh, sau đó được giải mã riêng thành hình ảnh và âm thanh nổi 32 kHz. Không có gì được xếp lớp sau, đó là lý do tại sao miệng, hơi thở và âm thanh phòng thuộc về cùng một take.

Tôi có thể đưa bài hát hoặc giọng nói của riêng tôi vào MiniMax H3 đồng bộ khẩu hình và âm thanh không, và nó có tốn thêm phí không?

Có, và không. Bảng giá trả theo nhu cầu của MiniMax liệt kê đầu vào âm thanh H3 là Miễn phí. Sự bất đối xứng cần chú ý là video: video đầu vào được tính phí theo thời lượng của nó theo tỷ lệ đầu ra, $0.13 mỗi giây ở 2K, vì vậy 15 giây video tham chiếu tốn khoảng $1.95 trong khi 15 giây âm thanh tham chiếu tốn $0.

Tại sao MiniMax H3 đồng bộ khẩu hình và âm thanh từ chối một yêu cầu chỉ có âm thanh?

Bởi vì âm thanh là loại tham chiếu duy nhất không thể đi một mình. Nó phải được đi kèm với ít nhất một hình ảnh hoặc video. Các giới hạn còn lại, từ thông số kỹ thuật H3-Base-Ref2VA: tối đa 9 hình ảnh, tối đa 3 video và tối đa 3 clip âm thanh, mỗi clip video hoặc âm thanh từ 2 đến 15 giây, tổng cộng 15 giây mỗi loại, và tối đa 12 file trên tất cả các loại trong một yêu cầu.

MiniMax H3 đồng bộ khẩu hình và âm thanh có giữ được toàn bộ clip, hay chỉ dòng đầu tiên?

Đối với một người nói với khoảng hít thở, nó giữ được trong suốt clip chứ không chỉ đáp một dòng và trôi đi. Ba thứ làm hỏng nó: nhồi nhét một kịch bản dài vào thời lượng ngắn, hướng dẫn diễn xuất mơ hồ hoặc thiếu, và các cảnh nhiều người nói nơi mô hình phải quyết định ai nói khi nào. Hãy cung cấp cho mỗi dòng một người nói được gắn nhãn và đủ giây để nói.

MiniMax H3 đồng bộ khẩu hình và âm thanh có cần lồng tiếng lại cho một ngôn ngữ khác không?

Không. Thay đổi thẻ ngôn ngữ bên trong markup hội thoại, từ <d>[English] ...</d> thành <d>[Japanese] ...</d>, và chạy cùng một prompt. Miệng được tạo với giọng nói mới, vì vậy nó khớp với ngôn ngữ mới thay vì ngôn ngữ cũ. Thẻ mô hình liệt kê hỗ trợ hội thoại ổn định cho 11 ngôn ngữ.

Có rẻ hơn để chạy MiniMax H3 đồng bộ khẩu hình và âm thanh cục bộ không?

Rẻ hơn mỗi clip, đắt hơn theo mọi cách khác. Các trọng số là mở, nhưng các báo cáo cộng đồng về các lần chạy cục bộ trên card tiêu dùng 16GB đo thời gian tạo 480p 10 giây trong vài phút, tự lưu trữ render ở cạnh ngắn 768, và 2K vẫn đến từ bước tái tạo phía API. Thêm các giới hạn lãnh thổ trong giấy phép cộng đồng và API vẫn là con đường thực tế cho công việc hoàn chỉnh.