モデル・開発
MiniMax H3を発表、動画・音声生成ウェイトを公開
原題: MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities
画像・動画・音声をまとめて参照し、音声付き動画を生成
MiniMaxは7月31日、汎用マルチモーダル生成モデル「MiniMax H3」を発表しました。
テキストに加えて画像、動画、音声を組み合わせて参照し、ネイティブのステレオ音声を伴う最大15秒の動画を生成できます。
公式サービスでは最大2K出力に対応し、Hailuo AIとMiniMax Open PlatformのAPIから利用できます。
テキストからの生成、開始・終了フレーム指定、複数の画像・動画・音声を使った参照生成を一つのモデル系で扱います。
価格性能や生成品質の比較はMiniMax自身の条件による評価であり、独立した第三者評価とは区別が必要です。
ローカル配備できる範囲はH3-Base
MiniMaxは8月4日までに、H3-Baseのモデルウェイトと推論資材を公式Hugging Faceで公開しました。
公開されているのは、テキストや開始・終了フレームから音声付き動画を生成するFL2VAと、画像・動画・音声を参照するRef2VAの2チェックポイントです。
H3-Baseは768p出力をローカルで検証できます。完全な2K処理に必要なH3-Regenerate-2Kは未公開で、入力を整理するH3-Context-IRもホスト型APIとして提供されます。
そのため「2Kの完全系がすべてローカル実行できる」という提供状態ではありません。
ライセンスはMiniMax H3 Community License Agreementで、Apache 2.0やMITではありません。利用者は用途制限を確認する必要があります。