Hailuo MiniMax 3.0: видео до 2K, звук и мультимедиа-референсы - что изменилось

В генерации ИИ-видео уже сложно удивить очередным «стало реалистичнее». Почти каждый новый релиз обещает лучшую физику, более стабильных персонажей и ещё более кинематографичную картинку.

Поэтому в Hailuo MiniMax 3.0 нам интереснее другое: разработчики заметно расширили сам набор инструментов для создания сцены. Теперь модель может одновременно работать с текстом, изображениями, видео и аудио, а на выходе отдавать готовый ролик со звуком.

И вот это уже меняет не только качество картинки, но и весь процесс генерации.

Hailuo MiniMax 3.0 поддерживает генерацию видео в разрешении до 2K. Кроме привычных 16:9 и 9:16 доступны и другие соотношения сторон, включая широкий 21:9.

На первый взгляд это просто техническая характеристика. На практике разница становится важной, когда ролик нужен не только для быстрого поста в соцсетях.

Крупные планы, продуктовые сцены, архитектура, мелкие элементы в кадре — всё это гораздо сильнее показывает недостаток разрешения. А если исходник дальше идёт в монтаж, дополнительный запас качества тоже не помешает.

Особенно интересен 21:9: можно сразу строить широкую композицию под более кинематографичный кадр, а не генерировать обычное видео и потом обрезать его сверху и снизу.

Это, пожалуй, самое заметное изменение.

Модель генерирует видео с нативным стереозвуком: речь, окружение и звуковые эффекты могут появляться вместе с изображением в рамках одной генерации. Официально MiniMax заявляет ролики длительностью от 4 до 15 секунд и аудио 32 кГц stereo.

То есть промпт теперь может описывать не только то, что мы видим, но и то, что мы слышим.

Раньше подобный ролик часто превращался в небольшой конвейер: отдельно генерируем видео, отдельно голос, добавляем атмосферные звуки, затем синхронизируем всё в редакторе.

Теперь хотя бы часть этой цепочки можно попробовать собрать одной моделью.

Это не значит, что монтаж и отдельная работа со звуком внезапно больше не нужны. Но для коротких рекламных сцен, концептов, сторителлинга и тестирования идей количество промежуточных действий заметно сокращается.

MiniMax заявляет стабильную работу диалогов на 11 языках: арабском, китайском, английском, французском, немецком, итальянском, японском, корейском, португальском, испанском и русском.

Для русскоязычных AI-креаторов это важнее, чем может показаться.

Генерация говорящего персонажа обычно становится заметно сложнее, когда нужно совместить изображение, голос, произношение и движение губ. Чем больше этих вещей модель умеет учитывать внутри одной генерации, тем меньше ролик приходится собирать по частям.

Самый очевидный сценарий — короткие рекламные видео с репликами персонажей. Но сюда же попадают мини-сцены, диалоги, видео для соцсетей и любые форматы, где звук является частью идеи, а не добавляется в последний момент.

Ещё одно сильное изменение — мультимодальные референсы.

Модель способна одновременно анализировать текст, изображения, видео и аудио. В режиме omni-reference MiniMax указывает поддержку до 9 изображений, 3 видео и 3 аудиофрагментов. Для видео и аудио действуют дополнительные ограничения по продолжительности.

Звучит технически, но смысл довольно простой: больше не всё приходится объяснять словами.

Хотите сохранить внешность персонажа — показываете изображение.

Хотите передать конкретное движение камеры или динамику сцены — можно использовать видео.

Нужно задать аудиоконтекст — подключаете звук.

Именно мультимодальные референсы кажутся нам одним из самых полезных направлений развития видеомоделей. Есть вещи, которые описать промптом можно, но на это уйдёт абзац текста и несколько попыток. Иногда гораздо проще один раз показать модели, что именно вы имеете в виду.

Если убрать маркетинговые формулировки, у обновления есть несколько вполне понятных сценариев.

Короткая реклама со звуком. Можно сразу задавать визуальную сцену, реплику героя и окружающие звуки.

Персонажные ролики. Изображение помогает закрепить внешний вид героя, а текст и другие референсы — управлять самой сценой.

Кинематографичные зарисовки. Здесь пригодятся широкие форматы, звук и возможность показать модели нужную визуальную динамику через референсы.

Быстрые концепты. Если нужно проверить идею ролика до полноценного монтажа, генерация изображения и звука одновременно заметно ускоряет процесс.

Именно поэтому обновление интереснее рассматривать не как «Hailuo стала рисовать ещё красивее», а как переход к более цельной генерации сцены.

Попробовать новую модель можно в SYNTX.AI на сайте и в Telegram-боте.

Мы добавили Hailuo MiniMax 3.0 в раздел генерации видео, поэтому её можно протестировать там же, где доступны другие видеомодели, и уже на своих задачах посмотреть, насколько хорошо она справляется со звуком, персонажами и мультимедиа-референсами.

А сравнивать здесь действительно есть что.

Ещё недавно от генератора видео мы ждали в первую очередь красивого движения исходной картинки. Теперь в один запрос постепенно помещается уже почти вся сцена: изображение, движение, диалог, атмосферный звук и несколько типов референсов.

И вот это куда интереснее очередных процентов в таблице бенчмарков.