MiniMax H3 Image to Video: ผลทดสอบบนการ์ดจอ 16 GB

เนื้อหาในคลิป

สมมติฐาน: มีภาพตั้งต้นแล้วน่าจะเร็วขึ้น

คลิปนี้เป็นภาคต่อของคลิปก่อนหน้าที่ช่องทดสอบ MiniMax H3 แบบ text-to-video ผู้ทำคลิปทบทวนผลครั้งนั้นว่าคุณภาพอยู่ระดับเดียวกับ LTX 2.5 แม้ความละเอียดเริ่มต้นจะต่ำกว่า HD เล็กน้อย แต่ใช้เวลา generate นานกว่า LTX 2.5 เฉลี่ยราว 60% และดัน RTX 5060 Ti 16 GB จนเกือบสุดกำลัง เขาอธิบาย MiniMax H3 ว่าเป็นโมเดล open-weight แบบ multimodal ที่สร้างวิดีโอพร้อมเสียงสเตอริโอได้ในรอบเดียว

ข้อสันนิษฐานของคลิปคือ เมื่อป้อนภาพตั้งต้นให้แล้ว โมเดลไม่ต้องคิดตัวแบบและองค์ประกอบภาพขึ้นจากข้อความ เหลือเพียงคำนวณว่าพิกเซลจะเปลี่ยนไปอย่างไรในเฟรมถัดไป งานจึงน่าจะเบาลง ผู้ทำคลิปบอกว่าถ้าเร็วขึ้นได้สัก 20% ก็ถือว่าคุ้มแล้ว

การเตรียม prompt และภาพเฟรมแรก

ผู้ทำคลิปอ้างคู่มือ prompting ของ MiniMax สำหรับ H3 ซึ่งให้เริ่มจาก first frame alignment คือภาพอ้างอิงต้องตรงกับเฟรมแรกที่ prompt บรรยาย เขาเห็นว่าภาพตั้งต้นสำคัญเกือบเท่าตัว prompt โดยเฉพาะเรื่องรายละเอียดเล็กๆ ฉากทดสอบถูกออกแบบให้วัดการเคลื่อนไหวของสิ่งมีชีวิต ความคงรูปของชิ้นส่วนกลไก และความสมจริงทางฟิสิกส์

เนื่องจาก prompt เจาะจงมากจนหาภาพจากเว็บ stock ได้ยาก เขาจึงสร้างภาพตั้งต้นด้วย GPT-6 Astra ของ OpenAI แต่ละ prompt สั่งให้คงดีไซน์ แสง และองค์ประกอบจากภาพเดิม บรรยายการเคลื่อนไหวเป็นลำดับ กำหนดการเคลื่อนกล้อง ระบุว่าเป็นช็อตต่อเนื่องช็อตเดียว และมีส่วนบรรยายเสียงแยกต่างหาก ค่าที่ใช้คือความยาว 5 วินาที และปรับ megapixels เป็น 0.6 ได้ความละเอียด 1056×608

ผลทดสอบสามฉาก

ฉากแรกเป็นมังกรลืมตา หายใจลึก ยกหัวขึ้นจากหิน และพ่นควันกับประกายไฟ ผลลัพธ์ทำตามคำสั่งครบทุกขั้น รวมถึงเสียงครืนของภูเขาไฟตอนท้าย แต่ผู้ทำคลิปรู้สึกว่าคุณภาพภาพยังด้อยกว่า LTX 2.5 ราว 1–2% ฉากที่สองเป็นหุ่นยนต์มุมต่ำ ตาสว่างขึ้น หันหัวเข้าหากล้อง กำหมัด และปล่อยไอจากช่องระบายที่ไหล่ เขาประเมินว่าทำตาม prompt ได้แทบไม่มีที่ติและดูดีกว่าฉากมังกร

ฉากที่สามเป็นนกกระเรียน origami สีแดงกระพือปีกแล้วลอยขึ้นจากโต๊ะราว 30 ซม. ฉากนี้เพิ่มความยาวเป็น 6 วินาที ผู้ทำคลิปยกให้เป็นฉากที่ดีที่สุด และสังเกตว่าการเพิ่มหนึ่งวินาทีไม่ได้ทำให้เวลา generate ยืดออกมากเท่าตอนทำ text-to-video

ทรัพยากรเครื่องและข้อสรุปเทียบ LTX 2.5

ระหว่าง generate เครื่องใช้ RAM เกือบ 63 GB จาก 64 GB และ VRAM ราว 95% โดยมีการอัดหน้าจอ 4K ไปพร้อมกัน ผู้ทำคลิปต้องเริ่มอัดก่อนเปิดโปรแกรมเพื่อให้ทรัพยากรเหลือพอ เขาสรุปว่า image-to-video เร็วกว่า text-to-video เล็กน้อยตามที่คาดไว้ แต่ยังช้ากว่า LTX 2.5

ในมุมของเขา LTX 2.5 ทำความละเอียดสูงกว่าได้ตั้งแต่ต้นบน 16 GB ทำคลิปยาว 7–8 วินาทีได้โดยเวลาไม่เพิ่มมาก และคุณภาพภาพดีกว่าเล็กน้อย ส่วน MiniMax H3 เด่นที่ prompt adherence ฟิสิกส์ และเสียงประกอบ เขาจึงมองว่าสองโมเดลสูสีกัน ทางเลือกขึ้นกับสเปกเครื่องและความต้องการของแต่ละคน