MiniMax H3 AI 影片轉影片

MiniMax H3 AI 影片轉影片把你的片子當成一個條件來讀，再生成一支服從它的新片。動作、取景和節奏之所以延續下來，是因為你要求了，不是因為像素被保留了。最多給它三段來源，每段 2 到 15 秒、合計 15 秒，你拿回 4 到 15 秒的 768P 或 2K，聲音就在同一個 MP4 裡。

來源片段數

3

來源片段數

所有來源合計

15 秒

所有來源合計

輸出，24 影格每秒

4–15 秒

輸出，24 影格每秒

解析度

768P / 2K

解析度

• 沒有編輯端點
• 沒有時間軸
• 你的檔案一個都不會被改

• 換風格——樣子變，動作不變

  [video editing]

  只描述新的樣子，其餘的別碰；凡是你提到的，都可能被改。動作和節奏是最容易守住的部分，材質和打光是最容易變的部分。

  守得住

  動作、節奏、構圖

  會變

  材質、打光、調色

• 換聲音——話變了，人沒變

  [video editing + audio reuse]

  台詞寫短一點，要塞得進你要的那幾秒，不然嘴型對不上。

  守得住

  人物、場景

  會變

  對嘴、台詞

• 接著拍——從片子停下的地方接上

  [video continuation]

  你的片子是助跑；描述最後一個影格之後發生了什麼。

  守得住

  主體、場景、風格

  會變

  接下來發生什麼

• 搬運鏡——借走運鏡，主體整個換掉

  [reference generation]

  你的片子只供那段運動。描述新的主體，運鏡本身一個字都別提——講兩遍，你就再也分不清鏡頭聽的是哪一條指令。

  守得住

  運鏡路徑與節奏

  會變

  主體和場景，整個換

  按官方口徑，這一條叫參考生成。它講在 參考圖生影片 那一頁。

方括號裡那些名字是官方的 `summary` 前綴，不是我們編的簡寫。換風格、換聲音和接著拍也都要以 `The target video is an edited version of <Video 1>.` 開頭。

你的來源片段按它自己的長度計費，而且是在輸出之外另外算的。2K 下進十秒、出十秒，等於收兩遍。把來源裁到真正要緊的那幾秒，同一次跑能少花三分之一。

畫面每邊在 256 到 5,760 像素之間，長寬比要落在 0.4 到 2.5 之間——用手機拍的東西幾乎都已經符合。還有兩條：來源影片會頂掉第一個與最後一個影格的控制，兩者不能同時用；輸出永遠是 24 影格每秒。完整費率在 價格 那一頁。

這就是為什麼一個你從沒上傳過的聲音會出現在結果裡，而且它把性別和口音一起帶了進來。一段從女性那裡錄來的笑聲，落在男性的臉上，聽起來還是女性的笑聲。

• 整條留下

  原來那條音軌就是最後那條音軌。

  fully_copy

• 墊在新對白下面

  音樂留下來，墊在你寫的台詞底下。

  partially_copy

• 只寫動作

  音訊被丟掉，片子只以動作為條件。

  weak_reference

這是 H3 會讀的 八個保留標記 裡的三個；另外五個在你從零搭一個場景的時候更要緊。

• 影片編輯（帶聲音）

  第一名（名次區間 1–2）

  #1

  9001500

  Elo

  1,127

  95% CI

  ±6

  票數

  11,474

  名次區間

  1–2

1. 1

   最多上傳三段來源片段

   每段 2 到 15 秒，合計 15 秒。MP4 或 MOV，H.264 或 H.265。

   ≤3 段，合計 ≤15 秒
2. 2

   宣告這次要做什麼

   影片編輯、音軌重用、從最後一個影格往下續拍，還是參考生成。挑哪一個，決定模型守住什麼。

   四種任務類型
3. 3

   決定音軌怎麼辦

   整條留下、墊在新對白下面，或者只取動作、讓 H3 重寫一套聲音。

   三條音軌走法
4. 4

   生成那個新檔案

   出片 4 到 15 秒，24 影格每秒，768P 或 2K，配 32 kHz 立體聲。你的來源一個位元組都沒動。

   出來的是一個新的 MP4

輸入影片的秒數，照你方案裡和輸出一樣的每秒費率計費。