MiniMax H3 Lite Reference to Video: 何を入れるか

MiniMax H3 Lite Reference to Video を何度も回してきて言えるのは、プロンプトより参照スロットに何を入れるかのほうが重要だということです。モデルは被写体の画像と、任意で短い動画や音声を受け取り、それらを中心にシーンを書きます。入力が正しければ結果は見覚えのあるままで、間違えれば見知らぬ人のクリップにお金を払うことになります。これは最初に欲しかった手引きで、何を入れるか、高い本番の前にどう確かめるか、という2つの問いで整理しています。

入力が実際に受け付けるもの

必須なのはプロンプトだけですが、参照画像か参照動画を少なくとも1つ入れる必要があるので、実際にはテキストだけの動画生成にはなりません。各スロットが受け付けるものを、モデルページの記載どおりに挙げます。

• 参照画像: 最大9枚。各辺は256から5760ピクセル、縦横比は0.4から2.5の間で、極端に細いバナーや縦長のストリップは使えません。
• 参照動画(Advanced): 最大3本、MP4またはMOV、1本あたり50MBまで。クリップは短い固定範囲に整えられ、セット全体で1つの合計長の上限を共有します。長いクリップは切り詰められ、短いものは延長されます。
• 参照音声(Advanced): WAVまたはMP3を最大3ファイル、1つ15MBまで。音声は自動でトリミングされず、単独の参照にはできません。
• 設定: 超ワイドから縦長までのアスペクト比、2種類の解像度、整数秒で選ぶ長さ。

参照セットはキャスティングのように組む

画像1枚を1つの役として考えます。人物にはすっきりしたポートレートを1枚、物には写真を1枚、場所にも1枚。モデルページの例はまさにそうで、ある画像にパティシエ、別の画像に赤い鳥がいて、プロンプトで1枚目と2枚目として呼んでいます。参照には番号が付くので、プロンプトでもそう書きましょう。「男の人」より「1枚目のシェフ」のほうが効きます。

高い本番の前に確かめる

1. 01セットを目で読む。 画像を並べて、それぞれ別の役になっているか、互いに矛盾していないか(違う上着、違う光の雰囲気)を確かめます。負けたほうは外します。
2. 02いちばん安い設定で回す。 小さいほうの解像度と最短の長さを選びます。Generateボタンの価格は両方に連動するので、下書きは本番のほんの一部の費用で済みます。
3. 03まず同一性、次に動き。 下書きで顔、服、模様がずれるなら、直すのはプロンプトではなく参照です。動きの問題は言葉で安く直せます。
4. 04拡大はそのあと: 大きいほうの解像度、長い尺、公開するアスペクト比。

すぐ使えるプロンプト

ほかを選ぶほうがいいとき

ちょうどいい最初のフレームがすでにあるなら、同じメーカーの画像から動画のほうが直接的な道具です。参照がまったくないならテキストから動画を使います。幅広く比べるには、動画モデルのガイドとモデル一覧が役立ちます。参照セットについての記事もここに当てはまります。

正直な限界

参照は結果を導きますが、コピーを保証するものではありません。9枚の画像があると、モデルは多くの指示をやりくりしなければならず、印刷された文字、ロゴ、細かい模様といった小さなディテールはぼやけたり変わったりします。音声スロットも、それだけで口の動きに合わせた発話にはならないので、吹き替えではなく雰囲気とタイミングの目安として扱ってください。ディテールがピクセル単位で正確である必要があるなら、静止画で直して、そこからアニメーションにします。