1مدل ویدیویی H3 (Hailuo 3.0)
قلب پیشنهاد MiniMax مدل ویدیویی H3 است که برای مصرفکننده با نام Hailuo 3.0 عرضه میشود. این مدل متن، تصویر، ویدیو و صدا را بهعنوان ورودی میخواند و در خروجی، ویدیویی میدهد که صدای استریوی بومی از ابتدا درون خودش ساخته شده است؛ یعنی صدا لایهای جدا نیست که بعداً روی تصویر گذاشته شود.
- کار با مرجع: میتواند از روی یک مرجع کار کند؛ از تصویر به ویدیو برسد، یا یک ویدیوی موجود را همراه با صدایش ویرایش کند.
- چند مرجع در یک نما: در یک نمای واحد، چهره، حرکت و صدا را همزمان از حداکثر 9 تصویر مرجع، 3 کلیپ ویدیویی و 3 کلیپ صوتی میگیرد و با هم نگه میدارد.
- متن و برند درون ویدیو: متن و نشانههای برند را با دقت داخل خود ویدیو رندر میکند.
- طول و وضوح: کلیپها حداکثر 15 ثانیه و با وضوح حداکثر 2K ساخته میشوند.
ادعای خود MiniMax: در بالاترین وضوح، قیمت هر ثانیهٔ ویدیو کمتر از یکسوم مدلهای ویدیویی رقیب و جریان اصلی بازار است.
از کجا به H3 برسیم؟
- اپلیکیشن Hailuo AI در نشانی hailuoai.video
- دسترسی مستقیم از راه API
- وزنهای باز مدل روی Hugging Face؛ البته برای اجرا به ظرفیت جدی GPU نیاز است.
2مدل متنی باز M3
M3 مدل متنی باز MiniMax برای استدلال عاملی، استفاده از ابزار و کارهایی از جنس کدنویسی است. پنجرهٔ زمینهٔ آن تا 1 میلیون توکن میرسد و علاوه بر متن، تصویر و ویدیو را هم میفهمد. به گفتهٔ MiniMax، M3 میتواند مستقیم با یک رایانهٔ رومیزی کار کند و در جستوجو و کار با اسناد عملکرد قدرتمندی دارد.
از کجا به M3 برسیم؟
- MiniMax Code، ایجنت کدنویسی رومیزی
- اشتراک Token Plan
- مستقیم از راه API
- وزنهای باز مدل را میتوان از راه میزبانهای دیگر هم به کار گرفت.
3ویرایش با مرجع؛ یک چهره و یک صدا در همهٔ کلیپها
ویرایش مبتنی بر مرجع را باید کمی دقیقتر دید. در این روش، همان شخص، همان حرکت و همان صدا در کلیپهای مختلف ثابت و یکدست میماند، بدون اینکه لازم باشد هر بار همهچیز را از نو با کلمات توصیف کنید. مرجع را یک بار به مدل میدهید و مدل در نماهای بعدی به همان مرجع وفادار میماند؛ همان سقفی که بالاتر گفتیم: حداکثر 9 تصویر مرجع، 3 کلیپ ویدیویی و 3 کلیپ صوتی در کنار هم.
4صدا و موسیقی؛ از شبیهسازی صدا تا یک ترانهٔ کامل
مدل گفتار
مدل گفتار MiniMax یک صدا را از حدود 10 ثانیه نمونهٔ صوتی شبیهسازی میکند، به دهها زبان سخن میگوید و برچسبهای صوتی مثل خنده و آه را هم در گفتار مینشاند.
مدل موسیقی
نسل سوم مدل موسیقی، یک ترانهٔ کامل را آهنگسازی، تنظیم و اجرا میکند؛ آواز و سازها با هم و در یک بار تولید ساخته میشوند، تا 5 دقیقه. آواز در این خروجی «اجراشده» توصیف میشود، نه ساختهشده با سینثسایزر.
5برای چه کاری از آن استفاده کنیم؟
- ویدیوی کوتاهی که به صدای واقعی و هماهنگ با تصویر نیاز دارد؛ چون صدا از ابتدا همراه تصویر ساخته میشود.
- وقتی در یک ویدیو یک چهره و یک صدای ثابت و یکدست میخواهید و آن را با مرجع نگه میدارید.
- پژوهش و استدلال طولانیتر روی M3، با پنجرهٔ 1 میلیون توکنی که متنهای بسیار بلند را یکجا میگیرد.
- استفاده از یک مدل باز، از راه هر میزبانی که با نیاز و بودجهٔ شما جور درمیآید.
6کجاها ضعیفتر است؟
- کلیپهای H3 حداکثر 15 ثانیهاند؛ پس با یک نمای کوتاه و متمرکز طرفیم، نه یک صحنهٔ بلند.
- خودمیزانی هر یک از این مدلها در مقیاس واقعی به سختافزار جدی نیاز دارد؛ برای H3، در مثالهای خود MiniMax چند GPU لازم است. به همین دلیل، اپلیکیشن یا API میزبانیشده درِ ورود منطقیتری است.
7این مدلها چطور ساخته شدهاند؟
H3 یک مدل متراکم 33 میلیارد پارامتری است؛ یعنی همهٔ پارامترها در هر کلیپ فعالاند. خروجی صوتی آن استریو با نرخ 32 kHz است و نرخ فریمها و نسبتهای تصویری گوناگونی را پشتیبانی میکند، از جمله قالب عمودی 9:16.
M3 برای رسیدن به پنجرهٔ 1 میلیون توکنی از توجه تنک (Sparse Attention) استفاده میکند و ذاتاً چندرسانهای است؛ متن، تصویر و ویدیو را از پایه با هم میفهمد.
8هفتهٔ اول؛ دو قدم ساده
- در اپلیکیشن Hailuo از روی یک عکس ثابت، یک کلیپ کوتاه بسازید و با دقت گوش کنید؛ صدا از همان ابتدا داخل کلیپ ساخته شده است.
- به M3 یک سند بلند بدهید و پرسشی بپرسید که جوابش به خواندن کل سند نیاز دارد؛ ببینید متن کامل را در یک گذر چطور مدیریت میکند.
9در کنار مدلهای دیگر
بیشتر مدلهای ویدیویی فقط تصویر تولید میکنند و صدا بعداً روی آن لایه میشود؛ صدای بومی H3 همان چیزی است که آن را جدا میکند. M3 هم در کنار دیگر مدلهای باز مینشیند و نقطهٔ قوتش پنجرهٔ زمینهٔ بسیار بزرگ آن است. در ادامهٔ همین فصل، مدلهایی مثل Kimi و Qwen و ابزارهایی مانند Muse، Cursor و ChatGPT را هم جداگانه بررسی میکنیم.
10پرسشهای پرتکرار
آیا مدل ویدیویی MiniMax صدا هم دارد؟
بله. H3 (Hailuo 3.0) صدای استریوی بومی را در همان گام و همزمان با خود ویدیو تولید میکند.
چطور به آن دسترسی پیدا کنم؟
از راه اپلیکیشن Hailuo AI در نشانی hailuoai.video یا API شرکت MiniMax. وزنهای مدل هم باز است و هر کس که توان اجرایش را داشته باشد میتواند از آنها استفاده کند.
MiniMax M3 چیست؟
یک مدل متنی باز برای استدلال، استفاده از ابزار و کارهایی از جنس کدنویسی، با پنجرهٔ زمینهٔ تا 1 میلیون توکن. راههای رسیدن به آن MiniMax Code، اشتراک Token Plan و API است.
هر کلیپ چقدر میتواند طولانی باشد؟
حداکثر 15 ثانیه، با وضوح حداکثر 2K.
آیا MiniMax میتواند صدا شبیهسازی کند یا یک ترانهٔ کامل بنویسد؟
بله. مدل گفتار از حدود 10 ثانیه نمونهٔ صوتی، یک صدا را شبیهسازی میکند و مدل موسیقی یک ترانهٔ کامل را تا 5 دقیقه آهنگسازی و اجرا میکند.
آیا میتواند یک چهره و صدا را در کلیپهای مختلف ثابت نگه دارد؟
بله؛ با ویرایش مبتنی بر مرجع. حداکثر 9 تصویر مرجع، 3 کلیپ ویدیویی و 3 کلیپ صوتی میتوانند با هم به کار بروند تا همان چهره و همان صدا در همهٔ کلیپها یکدست بماند.
مشاورهٔ رایگان 15 دقیقهای
اگر میخواهید بدانید ابزارهایی مثل MiniMax در کار روزمرهٔ یک مشاور املاک دقیقاً کجا به کار میآیند، در یک مشاورهٔ رایگان 15 دقیقهای با ال و ویکتوریا پیندر گفتوگو کنید؛ با آموزش، راهنمایی و همراهی یک جمع حرفهای فارسیزبان.