Ни одна модель видео не помнит вашего персонажа от запроса к запросу, а те, кто говорит обратное, просто хранят файл и отдают его назад. Значит, личность, которую надо сперва обучить, можно пропустить: приложите кадры, клип и голос прямо к тому плану, который просите. До двенадцати файлов в одном запросе. Первый клип бесплатно. Без карты.
Четыре способа удержать персонажа — из примеров, которые публикует сама MiniMax. Каждая карточка раскрывает полный промпт.
Лицо со стоп-кадра, игра с клипа
Промпт внутрь, состав наружу
Слева промпт. Справа то, что вернулось.
Лицо со стоп-кадра, игра с клипа16:9 · 15 с · 1 референсное изображение + 1 клип
Два файла, две работы. Статичный кадр говорит, кто это; клип говорит, как этот человек двигается, с какой скоростью и с каким таймингом. Ни один не делает работу другого — и промпт называет, какой файл на какой вопрос отвечает, ещё до того, как опишет хоть одно действие.
The character's actions, expressions, and performance rhythm in Image 1 strictly reference input Video 1. A boy stands at the sink on the right side of the frame and hands a washed plate to the girl on the left side of the frame, then suddenly turns and flicks dish soap foam with his right hand towards the girl at the left edge of the frame. The girl, startled, immediately counterattacks, and the two begin happily splashing foam at each other and dodging, accompanied by loud laughter.
Персонаж, удержанный пятнадцать секунд16:9 · 15 с · 2 референсных изображения
Прочитайте первый оборот: использовать изображение 2 как жёсткий референс персонажа, а затем четыре черты, названные по одной, — наполовину собранные чёрные волосы, серебряный ажурный венец, одеяние, палитра. Этот список и есть весь приём. Черты, которые вы не назвали, — это черты, которые модель вправе перерисовать.
Use Image 2 as a fixed character reference, maintaining consistency of black half-tied long hair, silver hollow hair crown, dark blue hair ribbon, light layered Hanfu, semi-transparent blue outer robe, dark blue waist seal, silver floral buckle ornament, and long tassels. Use Image 1 as a reference for shot storyboarding and rhythm. The visuals are high-quality 4K 16:9 Guofeng 3D, with a film-grade xianxia texture,热血、庄严、宿命感强. The shots sequentially express the content in the storyboard, ensuring natural camera movement and transitions between each shot, it cannot be like a ppt. Character face reveals can only be close-ups or extreme close-ups, long shots can only be back views, side-back views, or environmental empty shots, no front-facing long shots.
Двое главных, один тизер9:16 · 15 с · 2 референсных изображения
Это состав, а не персонаж. Промпт закрепляет обоих героев за их референсными изображениями до того, как напишет хоть один такт, потому что сцена с двумя людьми — это две узнаваемости, которые могут уплыть по отдельности; уплывает та, которую вы не закрепили.
Generate a 15-second, 9:16 vertical overseas real-person vampire romance short drama teaser clip. The appearance of the male and female leads references Image 1, and the scene references Image 2. Maintain the identity consistency of the male and female leads, real-person texture, and high-quality short drama texture. Overall story: The innocent human female lead mistakenly enters the forbidden area of an ancient castle and accidentally awakens the sleeping vampire noble male lead. The male lead discovers that she carries a certain aura related to an ancient war, thus developing a strong desire for control and dangerous interest in her. The female lead is afraid of him but does not completely submit, resisting his oppression. Overall style: Overseas ReelShort / DramaBox vampire romance short drama teaser feel. Dark romance, dangerous attraction, sense of fate, strong sense of control, gloomy oppression, highlight reversal. The visuals are high-end, restrained, and compact, like the hook of a hit short drama's first 15 seconds. No blood, no cheap horror, no Halloween feel, no modern street feel. Aspect ratio: 9:16 vertical composition, suitable for TikTok / ReelShort / DramaBox. Characters are mainly medium close-ups, close-ups, and extreme close-ups; the vertical screen should highlight faces, eyes, sense of oppression, and relationship tension.
Новый состав, та же хореография16:9 · 6 с · 1 референсный клип
Удерживается здесь не лицо, а связка движений. Трое мужчин в костюмах становятся тремя капибарами, и каждый такт девятиходовой вольной программы переживает подмену, потому что тайминг несёт клип, а не фраза.
Reference Video 1 for action imitation. Fixed wide-angle shot, replace the three men in suits in the original video with three highly realistic capybaras. The capybaras must strictly follow the original video's motion trajectory: quickly lie down on the floor in sequence, then the leftmost capybara jumps to the middle position, the middle capybara rolls to the far left, then the middle capybara rolls to the far right, the rightmost capybara jumps to the middle, and finally the middle capybara jumps onto the backs of the other two, stacking into a pyramid shape. Maintain the original fixed camera position. Ensure the capybaras' fur texture and lighting integrate with the environment.
Что это такое и чем оно не является
Здесь ничто не помнит вашего персонажа. В этом вся проблема и весь метод.
Этот раздел идёт первым, потому что именно здесь решается, стоит ли вам вообще быть здесь. Любой продукт, который продаёт консистентность персонажа, продаёт сохранённую личность: Higgsfield обучает Soul ID, Vidu держит набор референсов, Runway закрепляет сессию. Хранится при этом файл, а в момент генерации происходит то, что файл прикладывают к вашему запросу. Значит, вопрос не в том, помнит ли сервис. Вопрос в том, сколько файлов он берёт за раз и за что именно вы платите, пока они где-то лежат.
Замеры недобры ко всем, и это стоит знать до планирования бюджета. На Face Consistency Benchmark лицо внутри одного клипа «текст в видео» уплывает в 2,1–5,7 раза дальше, чем то же измерение на реальной съёмке: 0,0843 косинусного расстояния ArcFace у настоящего видео против 0,1734 у лучшей измеренной модели и 0,4843 у худшей. Между двумя разными клипами становится не легче, а тяжелее: методы с референсом в сравнении ContextAnyone дотягивают лишь до 0,54–0,59 сходства ArcFace между роликами. Референсный кадр — самый мощный рычаг из существующих, и он не замок. Он покупает вам лицо, которое зритель читает как одного и того же человека, на большинстве дублей и по цене одного дубля.
В месяц за сохранённую личность
$15–$129
В месяц за сохранённую личность
За попытку в других сервисах, по длительности
$0.45–$2.00
За попытку в других сервисах, по длительности
Изображений, клипов и аудио в одном запросе
9 · 3 · 3
Изображений, клипов и аудио в одном запросе
Восьмисекундный план здесь, со звуком
~$1.52
Восьмисекундный план здесь, со звуком
Никакой личности, которую надо обучить до первого плана
Никакой библиотеки персонажей, за которую надо платить аренду
Никакого отдельного прохода липсинка
Водяного знака нет ни на одном тарифе
Что вы даёте на вход
Четыре способа сказать, кто это
Важно ровно одно: модель заново отрисовывает каждый пиксель, включая лицо. Она никогда не вклеивает ваш референс. Значит, работа каждого файла ниже — ограничить перерисовку, а не поставить готовый материал.
01
Статичные кадры персонажа
До девяти. Один чистый фронтальный стоит больше трёх плохих ракурсов: на нефронтальном референсе оценки узнаваемости падают больше чем вдвое. Костюм и реквизит добавьте отдельными изображениями.
Самый сильный сигнал · до 9 изображений
02
Клип, где он уже есть
До трёх. Видео несёт то, чего не несёт кадр: походку, тайминг, манеру держать паузу, траекторию камеры. Два из четырёх примеров на странице берут игру именно оттуда.
Движение и ритм · до 3 клипов
03
Его голос
До трёх аудиофайлов — узнаваемость это голос не меньше, чем лицо. H3 берёт тембр как референс и произносит вашу новую реплику им же, в том же проходе, что и картинка. Аудио должно идти вместе с изображением или клипом.
Тембр, а не клон · до 3 аудио
04
Одно описание
Работает внутри одного плана и перестаёт работать между планами. Напишите один раз, сгенерируйте персонажа, оставьте понравившийся кадр и используйте его как референс для всего дальнейшего.
Порядок здесь важнее, чем на любой другой странице сайта, потому что состав, не закреплённый в первом плане, в шестом уже не вернуть.
01
Сначала кастинг, потом текст
Выберите кадры, которые станут персонажем, и выбирайте их как на кастинге: один чистый фронтальный, один в три четверти, костюм, реквизит. Только на нефронтальном входе измеренные оценки узнаваемости падают больше чем вдвое — значит фронтальный кадр не предпочтение, а несущий файл.
До 9 изображенийОдин чистый фронтальный
02
Дайте каждому файлу роль внутри фразы
H3 читает промпт языковой моделью, поэтому ей можно сказать, какой файл на какой вопрос отвечает. Изображение 1 — персонаж; Видео 1 — действие и ритм — работающая фраза. Приложить четыре файла и описать сцену — нет.
Назовите файлНазовите его роль
Внешность главного героя и героини строго следует референсным изображениям… их голоса следуют тембру референсного аудио.
КартинкаЗвук
03
Перенесите состав в следующий план
Между запросами не помнится ничего. Во втором плане идут те же референсы, что и в первом, плюс — и вот это как раз пропускают — кадр, который вы оставили от первого плана. Результат прошлого плана и есть лучший референс для следующего.
Прикладывать заново каждый разОставить кадр
Звуковая дорожка · 32 кГцSHOT-01.MP4
04
Черновик в 768P, финал в 2K
Секунда в 768P стоит 8 кредитов против 13 в 2K, а поднять готовый клип из 768P до 2K потом стоит ровно столько же, сколько стоила бы сразу генерация в 2K, — то есть шесть дублей, которые уходят на поимку лица, обходятся дешевле. Неудачная генерация возвращается автоматически.
768P · 8 кредитов за секунду2K · 13 кредитов за секунду
Уплывает между планами, а не внутри плана. Вот во что это обходится.
Каждая страница, которая продаёт консистентность персонажа, показывает один клип, а внутри одного клипа задача почти решена. Настоящая ваша работа — это шесть клипов, которые монтируются вместе, и это другое измерение: то, что ниже, снято между роликами, а не внутри одного.
01Настоящее число — то, что между планами
Методы с референсом дают 0,54–0,59 сходства ArcFace между двумя роликами с одним человеком. Внутри одного клипа выходит выше. Планируйте бюджет под склейку, а не под дубль.
0,54–0,59 между клипами
02Один фронтальный стоит трёх ракурсных
Когда референсное изображение снято не в фас, оценки узнаваемости у самой сильной опубликованной базовой модели падают больше чем на 50%. Если у вас есть один хороший кадр персонажа — отправлять надо именно его, и отправлять каждый раз.
падение >50% без фронтального
03Потолки: 9 изображений, 3 клипа, 3 аудио
Всего двенадцать файлов в одном запросе, и аудио должно идти вместе с изображением или видео, а не отдельно. Именно этот потолок и стоит сравнивать: большинство площадок, продающих доступ к этой модели, свой не публикуют.
12 файлов, один запрос
04Назовите то, что не должно меняться
Опубликованные примеры, которые держатся, перечисляют черты по одной: наполовину собранные волосы, серебряный венец, цвет куртки. Черта, которую вы не назвали, — это черта, которую перерисовка вправе переосмыслить, и обычно она это делает к четвёртому плану.
черты, по пунктам
05Сцена — это по запросу на каждый план
H3 выдаёт один непрерывный план на 4–15 секунд. Сцена из шести планов — это шесть запросов примерно по $1.52 и один проход в вашем монтажке, то есть около $9 за сцену. Вот число, которое и стоит взвешивать против месячной подписки за личность.
6 планов ≈ $9
Источники, чтобы вы могли проверить: цифры разброса внутри клипа — это колонка ArcFace из Face Consistency Benchmark (реальное видео 0,0843, лучшая измеренная модель 0,1734, худшая 0,4843 — чем ниже, тем лучше); межклиповые цифры и падение на нефронтальном входе взяты из ContextAnyone и FaithfulFaces. Ни одна из работ не тестировала MiniMax H3, и мы сами бенчмарк не гоняли: они здесь, чтобы задать масштаб задачи, а не чтобы ранжировать эту модель.
Почему это, а не библиотека персонажей
Персонаж — это голос не меньше, чем лицо
Спросите любого, кто монтирует вертикальный сериал. Половина выброшенных дублей выброшена потому, что лицо удержалось, а подача — нет; и в большинстве сервисов голос — это второй товар, который покупают отдельно и синхронизируют вручную.
Один запрос, один проход
Голос возвращается вместе с лицом
Стерео 32 кГц генерируется рядом с картинкой, а аудио может быть одним из ваших референсов — значит тембр, который вы приложили, и есть тембр, произносящий новую реплику. Ни шага липсинка, ни отдельной подписки на голос.
Двенадцать файлов за раз
Весь состав помещается в один запрос
Девять изображений, три клипа, три аудио — двенадцать всего. Сцена на двоих с костюмами и планом локации укладывается сюда с запасом, поэтому вампирский тизер выше держит двоих, а не одного.
Ничего не хранится
Никакой личности для обучения и никакой аренды за неё
Здесь нет ни Soul ID, ни слота персонажа, ни платы за личность — файлы лежат у вас на диске и уходят вместе с запросом. Это хуже, если вам нужна целая труппа, и лучше, если у вас один персонаж и шесть планов.
Одна ставка, шесть форматов
Вертикаль стоит столько же, сколько широкий кадр
21:9, 16:9, 4:3, 1:1, 3:4 и 9:16 идут по одной посекундной ставке, потому что наверху считают секунды и не смотрят на форму. Вертикальный сериал вертикален, и это не стоит дороже.
Чем приходится жертвовать
Гарантией. Это честный предел всей категории: референс делает так, что лицо читается как один и тот же человек на большинстве дублей, а между планами опубликованные числа стоят около 0,55, а не около 1. Если сдавать нужно покадрово точное лицо — известного актёра, лицо бренда, охраняемую внешность, — найдите этого человека и снимите его. А планы вокруг него сгенерируйте здесь.
Задачи, которые возвращаются
Четыре задачи с персонажем, которые живут пятнадцать секунд
Четыре разные задачи, четыре клипа, которые действительно так и сделаны, и за каждой кнопкой промпт, который их сделал. Каждой нужен ваш собственный файл — бейдж на клипе говорит какой, а кнопка открывает нужную дверь.
16:9 · 6 с · 2 референсных изображения + 1 клип
Поменяйте одного, остальных оставьте
Две правки в одной фразе: ребёнок сзади становится собакой с изображения 1, а крайняя слева куртка меняет цвет. Никто больше в кадре не упомянут, и никто больше не меняется. Это форма записки, которую вы дали бы монтажёру, и та же форма, которую читает H3.
16:9 · 6 с · 1 референсный клип
Добавьте того, кто там уместен
Одна строка — и новоприбывший наследует форму, походку и свет. Модель не вклеивает вырезку, а перерисовывает план с ещё одним человеком в нём; поэтому тень ложится верно и поэтому же исходные пиксели вернуть нельзя.
16:9 · 15 с · 2 референсных изображения
Рисованный персонаж, по модельному листу
Разброс заметнее всего в рисунке: у нарисованного лица нет фотографического люфта, где можно спрятаться, — расстояние между глазами либо совпадает с модельным листом, либо нет. Изображение 2 — жёсткий референс узнаваемости, а остальной промпт про камеру и настроение.
9:16 · 15 с · 2 референсных изображения
Вертикальная сцена с закреплённым составом
Вертикальный сериал — та самая задача, ради которой существует эта страница: десятки планов, те же два лица, вертикаль. Пятнадцать секунд — это один план; состав вы прикладываете заново к следующему запросу, а монтаж идёт в вашем монтажке, а не здесь.
Все четыре — примеры, опубликованные самой MiniMax, собранные по CC BY 4.0; поэтому каждая кнопка загружает промпт ровно в том виде, в каком его запускали.
Сколько это стоит на самом деле
Сцена из шести планов с одним персонажем — 414 кредитов. Около $9.
Клип — это фиксированные 5 кредитов за проход понимания промпта плюс 8 кредитов за секунду в 768P или 13 за секунду в 2K. Референсы бесплатны: девять изображений стоят столько же, сколько ни одного. Один кредит — это один цент из прайса, который MiniMax публикует сама, поэтому всё можно сверить со страницей, которой этот сайт не управляет. Неудачная генерация возвращается автоматически, и здесь это важнее, чем где бы то ни было: удержать лицо — это работа, которую переделывают.
Это единственная страница сайта, где важные права — не наши. Загрузить лицо не то же самое, что загрузить логотип, поэтому вот позиция до того, как вы что-то потратите.
Коммерческое использованиеБесплатный клип тоже. Водяного знака нет ни на одном тарифе, отчислений за клип нет, отдельной лицензии покупать не надо. MiniMax не заявляет прав на Outputs, которые вы генерируете, и этот сайт своих не добавляет.
Лицо, которое вам не принадлежитВот что здесь действительно важно. Ничто на этой странице не даёт вам прав на чужую внешность, и лицо реального человека не становится вашим оттого, что у вас есть его фотография. Получите то же согласие, что и для съёмки.
Ваши собственные актёрыРеференсный кадр человека, который на это согласился, остаётся вашим. Загруженное используется, чтобы выполнить ваш запрос; то, что вернулось, — ваше и годится в эфир, и к нему применима та же юридическая проверка, что и к отснятому материалу.
Что отклоняетсяЖестокое насилие и сексуальный контент отклоняются на входе, до того как спишется хоть секунда, — и то же самое с материалом, сделанным, чтобы выдать сгенерированного человека за реальную публичную фигуру. Эта проверка идёт и по промпту, и по тому, что вы приложили.
Замерено на настоящих генерациях, а не считано с карточки модели: потолки по референсам, сетка кадров, на которую обязана сесть склейка, и как пишется звук.
Восемь вопросов, которые задают до того, как закрепить персонажа в сцене, — с числами, которые за ними стоят.
01
Этот генератор видео с одним персонажем бесплатный?
Первый клип — да, и это настоящая модель: 4 секунды, 768P, со звуком, без водяного знака, без карты, и он не сгорает. Всё на этой странице играет вообще без аккаунта. Дальше восьмисекундный план в 768P стоит 69 кредитов, пятнадцатисекундный — 125; кредиты начинаются с $9.9, то есть сцена из шести планов выходит примерно в $9. Неудачная генерация не стоит ничего.
02
Персонаж действительно будет выглядеть одинаково во всех планах?
Читаться как один и тот же человек — да, на большинстве дублей. Покадрово идентично — нет, и этого не даёт ни один сервис категории. Опубликованные замеры ставят сходство узнаваемости с референсом между двумя клипами примерно в 0,54–0,59 против гораздо более плотной базовой линии на реальной съёмке. Рассчитывайте оставить четыре дубля из шести и прикладывать те же референсы в каждом запросе.
03
Сколько референсных файлов можно приложить?
До 9 изображений, 3 видеоклипов и 3 аудиофайлов, всего 12 файлов в одном запросе. Аудио должно идти вместе с изображением или клипом, а не само по себе. Приложенные референсы ничего не добавляют к цене — вы платите за секунды, которые генерируете.
04
Что лучше держит персонажа — фотографии или видеоклип?
Они держат разное. Статичный кадр — самый сильный сигнал для лица и костюма; клип несёт походку, тайминг и камеру. Используйте оба и скажите в промпте, что есть что. Если файл может быть только один — пусть это будет чистый фронтальный кадр: на нефронтальном входе измеренные оценки узнаваемости падают больше чем вдвое.
05
Можно сохранить персонажу тот же голос?
Да — приложите аудио как референс, и H3 произнесёт вашу новую реплику этим тембром, сгенерировав его в том же проходе, что и картинку, а не переозвучив потом. Это референс тембра, а не клон голоса, который можно отложить в банк, и рядом с ним нужны изображение или клип.
06
Чем это отличается от Soul ID или библиотеки персонажей?
Там личность сохраняют за вас и берут подписку за труппу — например, $15–$129 в месяц у Higgsfield. Здесь не хранится ничего: ваши файлы уходят с каждым запросом, а платите вы за секунды. Хуже, если вы ведёте двадцать персонажей; лучше, если у вас один и шесть планов.
07
Можно сделать целую сцену за раз?
Нет. H3 выдаёт один непрерывный план на 4–15 целых секунд при 24 кадрах в секунду, поэтому сцена — это по запросу на каждый план, а монтаж идёт в вашем монтажке. Длительности садятся на сетку 17n+5 кадров, из-за чего 192 кадра — ровно 8,000 секунды — единственная целая секунда в диапазоне и та самая, которую стоит брать, если планы должны монтироваться под музыку.
08
Можно взять чужое лицо как референс?
Только если у вас есть на это право. Ничто здесь не даёт прав на внешность человека, а генерация реальной публичной фигуры отклоняется на входе. Со своими актёрами получите то же согласие, что и для съёмки; тогда то, что вернулось, ваше и годится для коммерческого использования на любом тарифе, включая бесплатный.
Хватит описывать персонажа. Проведите кастинг.
Один статичный кадр, одна фраза о том, для чего каждый файл, и план обратно примерно через девяносто секунд. Первый клип бесплатный. Карта не нужна, водяных знаков нет, и он ваш для коммерческого использования.
