Videomodell · MiniMax ·
MiniMax H3 Max Lip-sync ist ein Video-Modell von MiniMax. In Endless kostet es ab 277 Credits pro Video und ist verfügbar ab dem Plan Hobby.
Nutze es, um aus einem Prompt oder einem Bild ein Video zu machen, neben allen anderen Modellen in deinem Workspace.
Ab 277 Credits pro Video
MiniMax H3 Max Lip-sync startet von einem Standbild. Hinein gehen ein Bild mit sichtbarem Gesicht und eine Audiospur, heraus kommt ein Video, in dem dieses Gesicht das Audio spricht, mit angehängter Tonspur und so lang wie das Audio. Du wählst das Porträt, das Audio und die Auflösung.
Es ist die Lip-Sync-Version von H3 Max, nachtrainiert aus MiniMax H3, dem Szenenmodell mit eigenem Leitfaden. H3 erzeugt Bild, Dialog und Ton aus einem Prompt. Dieses Modell startet von einem Gesicht und einer Sprachaufnahme, die du schon hast.
Die Launch-Seite von fal beschreibt, wie die Sprache den Mund steuert. Der Endpoint kann das Audio transkribieren und die Wörter nutzen, um die Mundformen zu lenken, weshalb die Synchronisation sprachübergreifend hält.
Bild: [ein klares Gesicht], [Bildausschnitt], [Ausrichtung passend zum Ausspielort].
Audio: [nur Sprache], [5 Sekunden oder länger], [Stille entfernt].
Auflösung: [niedrig für den Entwurf, hoch für die finale Version].
Wenn du noch kein Porträt hast, erstelle zuerst eins mit einem Bildmodell in Endless, frontal, mit neutralem Ausdruck und geschlossenem oder leicht geöffnetem Mund.
Das Audio muss mindestens 5 Sekunden lang sein; Endless akzeptiert bis zu 15 Minuten. Nutze nur Sprache: Musik und Effekte unter einer Stimme verwischen die Wörter, die das Modell liest. Entferne Stille am Anfang und am Ende, denn ein stiller Vorlauf wird zu einem starren Gesicht am Videoanfang.
Bei langen Skripten schlägt die Launch-Seite von fal vor, das Audio aufzuteilen und jeden Teil aus demselben Foto zu generieren. Schnitte an Absatzgrenzen ergeben saubere Übergänge und lassen dich einen Teil neu machen, ohne das ganze Skript noch einmal zu bezahlen.
Es gibt keine Spracheinstellung: Das Modell folgt der Sprache deiner Aufnahme. Ein Stimmmodell in Endless wie ElevenLabs v3 oder MiniMax Speech 02 HD kann die Spur aus einem Skript erzeugen.
Wenn du gefilmtes Material hast, nimm Sync 3 oder VEED Lipsync 2: Laut fal startet dieses Modell von einem Standbild und kann bestehendes Video nicht neu vertonen.
Öffne in deinem Workspace Video und wähle MiniMax H3 Max Lip-sync in der Modellauswahl.
Schreibe einen Prompt mit Motiv, Kamera und Bewegung oder starte mit einem Bild, das du hochlädst oder generierst.
Generiere und verfeinere dann im Chat oder auf einem Canvas. Jeder Clip wird in den Dateien deines Workspace gespeichert.
Nach Anwendungsfall gruppiert. Jeder öffnet sich in Endless mit MiniMax H3 Max Lip-sync, bereit zum Bearbeiten und Generieren.
Bild: ein Studioporträt des Sprechers, frontal, Mund sichtbar, im Hochformat für 9:16. Audio: eine 12-sekündige Lesung des Angebots mit einem Stimmmodell in Endless, ohne Musik. Auflösung: 720p für den Entwurf, 2K für die finale Version.
Bild: ein Foto der Ladenbesitzerin ab der Taille aufwärts hinter der Theke, blickt in die Kamera. Audio: ihre eigene 20-sekündige Sprachnachricht zum Angebot der Woche, so zugeschnitten, dass sie mit dem ersten Wort beginnt.
Bild: ein quadratisches Foto des Gründers, der das Produkt neben dem Gesicht hält. Audio: ein 10-sekündiger Satz, der das Produkt nennt, aufgenommen mit einem guten Mikrofon. Auflösung: 1080p.
Bild: ein Dreiviertelporträt eines Models bei weichem Tageslicht. Audio: dasselbe 15-sekündige Skript auf Spanisch, Portugiesisch und Englisch, ein Durchlauf pro Sprache mit demselben Porträt.
Bild: ein weites 16:9-Foto eines Kochs in einer Küche, Gesicht klar ausgeleuchtet. Audio: ein 25-sekündiger Rezept-Teaser, gelesen mit warmer, ruhiger Stimme. Auflösung: 1080p.
Bild: ein Porträt einer HR-Präsentatorin vor schlichtem Hintergrund, frontal. Audio: der erste 45-sekündige Abschnitt des Onboarding-Skripts, in ruhigem Tempo gelesen. Auflösung: 1080p.
Bild: dasselbe Präsentatorenporträt wie in den vorherigen Lektionen. Audio: Lektion 4 des Kurses, in einminütige Teile aufgeteilt, jeder Teil separat mit demselben Bild gestartet.
Bild: ein generiertes Porträt einer freundlichen Dozentin in einem Klassenzimmer, 16:9. Audio: eine zweiminütige Sicherheitsunterweisung, erstellt mit einem Stimmmodell in Endless. Auflösung: 720p.
Bild: ein Porträt eines Produktspezialisten. Audio: eine 30-sekündige Erklärung einer neuen Funktion, aufgenommen mit einer kurzen Pause zwischen den einzelnen Schritten.
Bild: ein 4:3-Porträt eines Lehrers am Schreibtisch. Audio: eine kurze Vokabellektion auf Französisch, langsam und deutlich gelesen. Auflösung: 480p zur Prüfung, 1080p für den Kurs.
Bild: eine 2D-Illustration eines Markenmaskottchens, eine runde blaue Eule mit sichtbarem Schnabel und nach vorn blickenden Augen. Audio: ein 10-sekündiger Begrüßungssatz mit heller, hoher Stimme.
Bild: ein 3D-Render einer Spielfigur in Dreiviertelansicht, der Mund deutlich gezeichnet. Audio: ein 8-sekündiger Quest-Satz vom Synchronsprecher des Spiels. Auflösung: 2K.
Bild: ein Ölgemälde einer historischen Persönlichkeit, das Gesicht von der Seite beleuchtet. Audio: eine 30-sekündige Erzählung in der Ich-Form für eine Museumsvitrine.
Bild: ein Porträt einer Moderatorenfigur im Anime-Stil, hochformatig. Audio: ein 15-sekündiges Kanal-Intro, auf Japanisch gelesen.
Bild: ein Render einer Großmutterfigur im Knetanimations-Stil. Audio: ein 20-sekündiger Anfang einer Gutenachtgeschichte, langsam und mit warmer Stimme gelesen.
Bild: ein Porträt eines Dokumentarfilm-Sprechers in einem dunklen Studio. Audio: eine 3-minütige Erzählspur, an Absatzgrenzen in Teile unter einer Minute geschnitten, jeder Teil mit demselben Porträt gestartet.
Bild: ein Porträt einer Podcast-Moderatorin. Audio: das 40-sekündige Folgen-Intro der Moderatorin, ohne Musik.
Bild: ein Porträt eines Reiseführers auf einer Stadtstraße. Audio: dieselbe 20-sekündige Begrüßung auf Italienisch, Deutsch und Koreanisch, ein Durchlauf pro Sprache.
Bild: ein Foto einer Ärztin in einer Praxis, blickt in die Kamera. Audio: eine 30-sekündige Patienteninformation, von der Ärztin aufgenommen, Stille an beiden Enden entfernt.
Bild: eine illustrierte Geschichtenerzähler-Figur. Audio: eine 1-minütige Fabel, gelesen von einem Stimmmodell in Endless, mit ausdrucksstarken Pausen zwischen den Sätzen. Auflösung: 1080p.
von MiniMax
Ab 19 Credits pro Video
von MiniMax
Ab 84 Credits pro Video
von ByteDance
Ab 51 Credits pro Video
MiniMax H3 Max Lip-sync ist ab dem Plan Hobby verfügbar. Erstelle einen kostenlosen Workspace, teste zuerst die anderen Modelle und wechsle den Plan, wenn du ihn brauchst.