MiniMax发布全模态生成模型H3，一个模型包办图片、视频和声音

MiniMax 发布全模态生成模型 H3。它能同时理解文字、图片、视频和声音，再按一条自然语言指令生成或编辑视频。用户可以让 H3 照着一段视频学镜头运动，使用另一张图中的人物，再参考第三段音频的声音。过去需要分别调用的动作迁移、人物参考、声音参考和视频编辑，现在可以放进同一次任务。H3 最长可生成 15 秒视频，支持 2K 分辨率和原生双声道声音。官方 API 的 2K 价格为每秒 0.13 美元，生成一段 15 秒视频约需 1.95 美元；768P 每秒 0.09 美元。一次任务最多可输入 9 张图片、3 段视频和 3 段音频，总数不能超过 12 个文件。MiniMax 计划未来几天开放模型权重。官方尚未公布与 Seedance、Veo 等模型的统一评测。[原文链接](动察 Beating)