MiniMax H3 Lite Reference to Video: что ему подавать
MiniMax H3 Lite Reference to Video собирает клип из ваших картинок, видео и аудио. Что подавать и как дёшево проверить набор референсов до финального запуска.
Мы запускали MiniMax H3 Lite Reference to Video достаточно часто, чтобы сказать: промпт важен меньше, чем то, что вы кладёте в слоты референсов. Модель берёт картинки ваших героев, при желании короткие видео и аудио, и пишет вокруг них сцену. Подайте правильные входные данные, и результат останется узнаваемым. Ошибётесь, и заплатите за клип с незнакомцем. Это разбор, который нам хотелось бы иметь в самом начале, и он построен вокруг двух вопросов: что подавать и как проверить это до дорогого запуска.
Что на самом деле принимают входы
Обязателен только промпт, но нужно ещё подать хотя бы одну референсную картинку или видео, так что на практике это никогда не чистый текст в видео. Вот что принимает каждый слот, прямо со страницы модели.
- Референсные картинки: до девяти. Каждая сторона должна быть от 256 до 5760 пикселей, а отношение ширины к высоте - от 0,4 до 2,5, так что очень узкие баннеры и очень высокие полосы не подойдут.
- Референсные видео (Advanced): до трёх, MP4 или MOV, не более 50 МБ каждое. Клипы приводятся к короткому фиксированному диапазону, а весь набор делит один общий лимит длины: длинные клипы обрезаются, короткие удлиняются.
- Референсное аудио (Advanced): до трёх файлов WAV или MP3, по 15 МБ каждый. Аудио автоматически не обрезается и не может быть единственным референсом.
- Настройки: соотношение сторон от ультрашироких до вертикальных, выбор из двух разрешений и длительность в целых секундах.
Собирайте набор референсов как кастинг
Считайте каждую картинку отдельной ролью. Один чистый портрет для человека, одно фото для предмета, одно для места. Пример на странице модели устроен именно так: кондитер на одной картинке и красная птица на другой, а промпт называет их первым и вторым изображением. Раз референсы пронумерованы, так и пишите в промпте. "Повар с первого изображения" работает лучше, чем "мужчина".
Проверьте до дорогого запуска
- Прочитайте набор глазами. Разложите картинки рядом и спросите: у каждой своя роль, и нет ли противоречий (две разные куртки, два разных освещения)? Уберите проигравшую.
- Запустите самые дешёвые настройки. Выберите меньшее разрешение и самую короткую длительность. Цена на кнопке Generate зависит от обоих параметров, так что черновик стоит малую долю финала.
- Сначала оценивайте узнаваемость, потом движение. Если в черновике плывёт лицо, одежда или отметина, чините референсы, а не промпт. Проблемы с движением дёшево решаются формулировкой.
- Только потом увеличивайте: большее разрешение, большая длительность, то соотношение сторон, в котором будете публиковать.
Готовые промпты
Возьми бариста с изображения 1 и керамическую чашку с изображения 2. Сохрани её лицо, фартук и глазурь чашки точно как на картинках. Средний план у стойки кафе, она подвигает чашку к камере, поднимается пар, мягкий утренний свет из окна.Кроссовок с изображения 1 стоит на мокрой улице с изображения 2. Медленный облёт вокруг обуви, капли дождя на коже, неоновые отражения скользят по луже.Лиса с изображения 1 трусит по заснеженному лесу с изображения 2 и останавливается, чтобы оглянуться на камеру. Сохрани окрас и хвост лисы. Лёгкое ощущение съёмки с рук.Когда выбрать другое
Если у вас уже есть точный первый кадр, более прямой инструмент - изображение в видео от того же разработчика. Если референсов нет совсем, берите текст в видео. Для более широкого сравнения помогут руководство по моделям видео и полный список моделей. Наши заметки о наборах референсов здесь тоже применимы.
Честное ограничение
Референсы направляют результат, но не гарантируют копию. С девятью картинками модели приходится жонглировать множеством указаний, и мелкие детали, такие как печатный текст, логотипы и тонкие узоры, могут смягчиться или измениться. Слот аудио тоже сам по себе не синхронизирует речь с губами, так что считайте его подсказкой по настроению и ритму, а не дубляжом. Если деталь должна быть точной до пикселя, исправьте её на стоп-кадре и анимируйте уже от него.
Вопросы
Можно ли использовать только референсное видео без картинок?
Да. Нужна хотя бы одна картинка или одно видео, так что одного видео достаточно. А вот аудио никогда не может быть единственным референсом.
Сколько референсов использовать?
Столько, сколько нужно, чтобы покрыть роли в вашей сцене. Модель допускает до девяти картинок, но аккуратный набор из двух-трёх обычно остаётся вернее, чем переполненный.
Почему мою референсную картинку отклонили?
Проверьте размер и форму: каждая сторона должна быть от 256 до 5760 пикселей, а отношение ширины к высоте - от 0,4 до 2,5.
