MiniMax 发了新模型 H3，可生成带双声道音效的 2K 视频，超分用模型自己重画而非传统模块，过几天开源权重。
MiniMax 推出 H3 全模态生成模型，支持文本、图像、视频、声音的统一理解，并可输出原生双声道音视频。该模型最高支持 15 秒 2K 分辨率输出，在指令遵循、文字呈现和 V2V Motion Transfer 等任务上表现突出。MiniMax H3 新增 Caption 能力，大部分素材消耗约 100K Token 推理，最终平均输出约 4K Token。其 2K 视频不依赖常规超分模块，而是由 H3 基础模型对低分辨率结果进行 in-context 重新生成。模型权重将在未来几天内开放。
MiniMax H3 全模态生成模型正式发布：最高支持 15 秒 2K 分辨率，超分方案革新
IT之家 7 月 31 日消息，稀宇科技今天宣布推出 MiniMax H3 全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频， 最高可支持 15s 2K 分辨率 。 据前期邀测反馈，MiniMax H3 具备商用级多场景内容生成能力，在指令遵循、文字与品牌信息呈现、V2V Motion Transfer（视频到视频动作迁移）等方面表现出色，号称可精准、可控实现多模态内容编辑与生成，适用于广告、电商、品牌、产品设计、UI / UX 和游戏等场景。 核心技术方面，MiniMax H3 增加了 Caption 能力，定制了专属模型和全模态理解管线，大部分素材需要消耗 100K Token 的推理，最终得到平均约 4K 的 Token。 同时，MiniMax H3 的 2K 视频输出能力并没有使用常规超分模块， 而是使用 H3 基础模型对自己的低分辨率结果进行 in-context 的重新生成 ，可最大程度地复用 H3 基模已经具备的生成能力， 还拥有传统超分方案无法靠“猜”还原的信息 。 此外，MiniMax H3 将在未来几天内开放模型权重。IT之家将持续关注，第一时间带来最新消息。