国际 AI 资讯

MiniMax开源全模态视频模型H3,支持2K超分与多语言输入

MiniMax宣布开源新一代通用视频模型MiniMax H3,该模型支持文本、图像、视频与音频混合输入,可输出4至15秒、24 FPS、32 kHz立体声内容,并可通过专用模块实现2K分辨率输出。模型已按社区许可发布,代码与资源可在Hugging Face获取。

海宇数科 · 事件日期 · 更新于 · 约 2 分钟 · 1 次阅读

MiniMax开源全模态视频模型H3,支持2K超分与多语言输入 配图
MiniMax开源全模态视频模型H3,支持2K超分与多语言输入 配图

人工智能企业MiniMax宣布开源新一代通用视频模型MiniMax H3。该模型定位为全模态生成系统,可处理由文本、图像、视频和音频组合而成的多模态上下文,并覆盖多种生成任务。

在输出规格方面,H3支持4至15秒的视频时长,帧率为24 FPS,音频为32 kHz立体声。用户可选择21:9、16:9、4:3、1:1等宽高比;常规模式下较短边默认设为768像素,借助专用方案H3-Regenerate-2K可输出2K分辨率画面。模型支持阿拉伯语、中文、英语、法德意、日韩及西葡俄等11种语言。

模型提供不同版本与输入规格。H3-Base-FL2VA首尾帧模式支持输入0至2张图像,可用于文生视频、首帧生视频、尾帧生视频及首尾帧协同生成。H3-Base-Ref2VA全模态参考模式支持最多9张图像、3段视频(总时长不超过15秒)和3段音频混合输入,文件总数上限为12个。

系统架构由三个模块组成:H3-Context-IR负责将多元指令转化为模型可理解的结构;H3-Base负责生成768p基础音视频;H3-Regenerate-2K通过回传初始结果与原始上下文完成2K超分重构。

MiniMax H3已按MiniMax H3 Community License发布,开发者可通过Hugging Face获取开源代码与资源。

← 返回AI 资讯