MiniMax H3 Max

MiniMax H3 Max oder MiniMax H3

H3 Max ist die von fal nachtrainierte Version von MiniMax H3. Laut fal ist sie auf bessere Prompt-Treue und mehr Ästhetik abgestimmt und läuft auf einem Inferenz-Stack, der auf schnellere Generierung ausgelegt ist. Es ist dieselbe Modellfamilie, deshalb gilt der Schreibleitfaden von MiniMax für H3 für beide. Die praktischen Unterschiede in Endless: H3 Max rendert in 480p, 720p oder 1080p und hat einen schnelleren, günstigeren Turbo-Modus; H3 rendert in 720p oder 2K und nimmt bis zu drei Referenzclips statt einem. Nimm H3, wenn du 2K brauchst, sonst H3 Max.

Wie H3 Max einen Prompt liest

Das Modell generiert Bild und Ton gleichzeitig. Schreib den Prompt deshalb als Zeitachse dessen, was zu sehen und zu hören ist. Der Leitfaden von MiniMax teilt ihn in drei Teile:

• Was auf dem Bildschirm passiert: Stil, Einstellungen, Motive, Handlungen und Dialog, der Reihe nach.
• Die Soundscape: Atmosphäre, physische Geräusche und menschliche Laute wie Atmen oder Lachen.
• Musik: der Score, den nur das Publikum hört. Beschreib ihn oder schreib „keine Musik“.

Eine kurze Vorlage:

[Stil], [Einstellungsgröße]. [Motiv und Ort]. [Handlung, der Reihe nach].
[Kamerabewegung]. Bei 00:04.000 schneidet die Kamera auf [nächste Einstellung].
Soundscape: [Atmosphäre und physische Geräusche].
Musik: [Instrumente und Tempo], oder keine Musik.

Vor der Generierung schreibt fal den Prompt in rund einer Sekunde in eine ausführlichere Fassung um. Normale Sätze funktionieren, und wenn du die drei Teile selbst schreibst, bestimmst du mehr darüber, was in welchem landet.

Einstellungen und Kamera

Beginn mit dem Stil und der ersten Komposition („Realfilm, filmisch, eine Totale von …“). Weitere Stile im Leitfaden von MiniMax sind 2D-Animation, 3D CG, Claymation, Aquarell und Vintage-Film. Für einen Schnitt gibst du den Zeitpunkt als einzelnen Timestamp an, „Bei 00:04.000 schneidet die Kamera auf …“, mit aufsteigenden Zeiten. MiniMax verlangt, dass jeder Schnitt etwas Neues bringt: ein Motiv, einen Ort oder einen Moment. Für eine kleine Änderung des Bildausschnitts nimm stattdessen eine Kamerabewegung.

Beschreib eine Kamerabewegung über ihren Typ (Heranfahren, Wegfahren, Schwenk, Seitwärtsfahrt, Neigen, Bogenfahrt, Verfolgungsfahrt, statische Einstellung, POV, Wackeln) und ergänze Amplitude und Tempo nur, wenn sie wichtig sind: „Die Kamera fährt mit kleiner Amplitude und langsamem Tempo heran.“

Dialog

Gib jeder sprechenden Figur vor ihrer Zeile eine kurze Stimmbeschreibung (Alter, Tonlage, Tempo, Akzent) und behalte dieselbe Beschreibung in jeder Einstellung bei. Schreib jede Zeile in der Sprache, in der sie gesprochen werden soll; MiniMax listet 11 Sprachen, darunter Englisch, Spanisch und Portugiesisch. Für eine Erzählung schreibst du, dass die Figur als Voiceover aus dem Off spricht, mit geschlossenen Lippen. Schilder und Text im Bild stehen in Anführungszeichen, wortwörtlich.

Erstes Frame und Referenzen

• Erstes Frame: Hänge ein einzelnes Bild an und aktiviere „Erstes Frame“. Das Video beginnt genau mit diesem Bild und folgt seiner Form. Beschreib, was sich von dort an ändert und was gleich bleiben muss.
• Referenzbilder: bis zu 9. fal verlangt, sie der Reihe nach zu benennen, Image 1, Image 2, und zu sagen, was jedes ist: „Image 1 ist die Protagonistin. Image 2 ist ihr kleiner Hund.“
• Referenzvideo: ein Clip, 2 bis 15 Sekunden, benannt als Video 1. Sag, was du daraus übernehmen willst: den Tanz, die Kamerafahrt oder den Schnittrhythmus.
• Referenz-Audio: bis zu 3 Clips, benannt als Audio 1 bis Audio 3, für eine Stimme, Musik oder das Timing. fal begrenzt jeden auf 2 bis 15 Sekunden und alle zusammen auf 15 Sekunden.

Max oder Turbo

Max ist das volle Modell. Turbo ist schneller und kostet pro Sekunde etwa die Hälfte, bei denselben Einstellungen und Referenzen. Nimm Turbo für Entwürfe und Varianten und Max für die Version, die du behältst.

Einstellungen, die zählen

• Dauer: 5 bis 15 Sekunden.
• Auflösung: 480p, 720p oder 1080p. fal erzeugt 1080p, indem es ein Rendering in 720p-Qualität verfeinert, und es kostet pro Sekunde doppelt so viel wie 720p. Entwirf in 480p oder 720p.
• Seitenverhältnis: 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16. Ein erstes Frame behält seine eigene Form.

Typische Fehler

• Sprache oder Musik, die du nicht wolltest. Füll Soundscape und Musik aus, auch wenn es nur „keine Musik“ ist.
• Die falsche Figur spricht. Verknüpf jede Zeile mit einer sichtbaren Handlung und der Stimmbeschreibung dieser Figur.
• Eine Referenz wird ignoriert. Benenn sie mit ihrer Nummer und gib ihr eine klare Rolle.