MiniMax H3 ใน MiniMax Design: ผสมภาพ เสียง วิดีโอในคลิปเดียว

เนื้อหาในคลิป

MiniMax H3 ต่างจากโมเดลวิดีโอทั่วไปอย่างไร

ผู้ทำคลิปอธิบายว่าโมเดลสร้างวิดีโอส่วนใหญ่เริ่มจาก prompt กับภาพหนึ่งภาพ แต่ MiniMax H3 รับข้อความ ภาพ เสียง และวิดีโอเข้ามาเป็น reference พร้อมกันในการสร้างครั้งเดียว และเข้าใจว่าแต่ละชิ้นเกี่ยวข้องกันอย่างไร MiniMax เรียกความสามารถนี้ว่า Omni Reference

ตัวโมเดลสร้างวิดีโอ 2K แบบ native ยาวสูงสุด 15 วินาทีต่อคลิป มีเสียงมาในตัว ราคาเริ่มต้นประมาณ 8 เซนต์ต่อวินาทีสำหรับ 2K และออกแบบมาสำหรับงานโฆษณา e-commerce งานแบรนด์ เกม และคอนเทนต์ UI จึงจัดการข้อความ โลโก้ และรายละเอียดของแบรนด์ได้ดี

ตั้งค่าและทำความรู้จักแอป MiniMax Design

การใช้งานเริ่มจากดาวน์โหลดแอป MiniMax Design สำหรับ Mac หรือ Windows แล้วล็อกอิน ตัวแอปเป็น AI agent ที่รันบนเครื่อง ผู้ใช้พิมพ์สิ่งที่ต้องการเป็นภาษาธรรมดา จากนั้น agent จะวางแผนและสั่งสร้างให้เอง แถบด้านซ้ายใช้เริ่มงานใหม่ ดู gallery ของโปรเจกต์ หา skills กับ plugins และเชื่อมโมเดลในเครื่อง

ในช่อง prompt พิมพ์ @ เพื่อดึง asset หรือ plugin และพิมพ์ / เพื่อเรียก skill ซึ่งเป็น workflow สำเร็จรูปสำหรับงานเฉพาะแบบ เช่น โฆษณาสินค้าแนวมินิมอลหรือวิดีโอโปรโมตแบรนด์ เมนู Models ใช้เลือกโมเดลที่ทำหน้าที่คิดและวางแผน รวมถึงโมเดลวิดีโอ ภาพ และเสียง แต่ผู้ทำคลิปย้ำว่าไม่จำเป็นต้องเลือกเอง เวอร์ชัน V3 ที่ตั้งเป็นค่าเริ่มต้นช่วยให้นำ asset กลับมาใช้ข้ามบทสนทนา จัด asset ตามประเภท และย้อนกลับไปเวอร์ชันก่อนหน้าของ asset ได้ นอกจากนี้ยังเปิด use memory และจัดแชตเข้าโปรเจกต์ได้

ตัวอย่างงานที่สาธิตในคลิป

ตัวอย่างแรกใช้ข้อความล้วน ขอคลิป 16:9 ของร้านกาแฟยามเช้าที่มีป้ายกระดานดำเขียนว่า Northside Roasters open daily ผลที่ได้สะกดถูก อ่านง่าย และมีเสียงบรรยากาศร้านมาด้วย ผู้ทำคลิปแนะนำให้ระบุข้อความบนจอแบบคำต่อคำ

ตัวอย่างโฆษณาสินค้าใช้ภาพขวดน้ำกับภาพเส้นทางเดินป่าเป็น reference แล้วบอก agent ว่าแต่ละภาพใช้ทำอะไร ขวดในวิดีโอตรงกับภาพสินค้าและโลโก้คมชัดตลอดคลิป ส่วนการทำตัวละครคงเดิม ผู้ทำคลิปอัปโหลดภาพ headshot ของตัวเอง อ้างถึงด้วย @ แล้วสร้างภาพนิ่งในห้องทำงาน ตามด้วยวิดีโอบนดาดฟ้าตอนพลบค่ำ ใบหน้า ทรงผม และเสื้อผ้ายังเหมือนเดิมทั้งสองงาน

ในส่วนเสียง เขาใส่คลิปเสียงที่อัดไว้คู่กับภาพ headshot และภาพเส้นทางเดินป่า ได้วิดีโอที่ปากขยับตรงกับเสียงพูดและสีหน้าเข้ากับน้ำเสียง ส่วน motion transfer นำการเดินและการเคลื่อนกล้องจากวิดีโอต้นฉบับไปใส่ให้ตัวละครหญิงในชุดยุคกลาง การแก้ไขวิดีโอทำโดยคลิกขวาที่คลิปบน canvas เลือก add to chat แล้วสั่งเปลี่ยนแก้วกาแฟเป็นแก้ว to-go ที่มีโลโก้ โดยส่วนอื่นของฉากคงเดิม ตัวอย่างสุดท้ายสร้างคลิป 9:16 โปรโมตแอปชื่อ PulseFit จาก screenshot หน้าจอแอปกับโลโก้ ซึ่งหน้าจอยังคมและอ่านได้ระหว่างที่มือเลื่อน

จุดแข็งและข้อควรระวัง

ผู้ทำคลิปสรุปว่า H3 ทำได้ดีที่สุดกับงานที่ออกแบบมาโดยตรง คือภาพสินค้า ข้อความของแบรนด์ ตัวละครคงเดิม และการเคลื่อนไหวที่เรียบและควบคุมได้ ส่วนฉากแอ็กชันเร็วและซับซ้อน เช่น ฉากต่อสู้หรือฉากที่มีคนจำนวนมากเคลื่อนไหวพร้อมกัน อาจต้องสร้างซ้ำหลายรอบ คำแนะนำคือใช้การเคลื่อนไหวที่เรียบง่ายและเขียน prompt ให้เจาะจง การสร้างวิดีโอแต่ละคลิปในการสาธิตใช้เวลาราว 5 นาที และหากต้องการงานที่ยาวขึ้นให้ต่อฉากจากคลิปเดิมทีละช่วง