MiniMax H3 è disponibile: ecco di cosa si occupa

MiniMax ha rilasciato H3, un modello video che genera immagine e audio nello stesso passaggio e che sa intervenire su materiale già prodotto. Sono due caratteristiche poco appariscenti in una demo e piuttosto decisive in produzione.

Vale la pena guardare cosa fa davvero, punto per punto.

L’audio nasce insieme all’immagine

Quasi tutti i modelli video restituiscono clip mute. Poi servono un servizio per la voce, una libreria di effetti e qualcuno che sistemi la sincronia in fase di montaggio.

H3 produce dialogo, ambiente, rumori di scena e musica durante la stessa generazione dell’immagine. La sincronia non viene ottenuta dopo: è una proprietà del risultato.

La differenza si vede sul materiale difficile. Nel parlato veloce, dove le sillabe si accavallano, uno scarto di due fotogrammi diventa percepibile anche da chi non saprebbe spiegare cosa non torna. Allineare a posteriori funziona fino a un certo punto; generare insieme elimina il problema alla radice.

Quattro tipi di materiale in ingresso

Il modello accetta testo, immagini, video e audio all’interno della stessa richiesta, fino a dodici file, e li legge come un unico insieme di riferimenti.

Questo cambia il modo di dare istruzioni. Alcune fotografie fissano il volto di un personaggio o l’aspetto esatto di un prodotto. Uno spezzone video fissa il movimento, il ritmo dell’interpretazione e la traiettoria della camera. Un campione audio fissa il timbro della voce.

Si passa dal descrivere al mostrare. Chi ha provato a mantenere lo stesso personaggio su una serie di contenuti sa quanto le descrizioni scritte siano instabili da una generazione all’altra: un riferimento visivo non ha quel problema.

Modificare invece di rigenerare

È la funzione che pesa di più sul lavoro reale.

Con la sola generazione, correggere un dettaglio significa rifare tutto. E rifacendo cambia la luce, cambia l’inquadratura, cambia il volto: quello che era già stato approvato smette di esistere.

Minimax H3 interviene su persone, oggetti, ambienti, suono e ritmo all’interno di materiale già generato, lasciando fermo il resto dell’inquadratura. Si può sostituire un oggetto, cambiare uno sfondo, togliere un elemento indesiderato, correggere un movimento, oppure riscrivere una battuta e ottenere che la bocca si adatti alle nuove parole.

Su Artificial Analysis il modello è primo nella classifica di editing video, davanti a Seedance 2.0. Quella graduatoria misura quanto resta intatto ciò che non è stato toccato, ed è esattamente da questo che dipende un giro di correzioni.

Testo e interfacce che reggono il movimento

Le schermate sono state a lungo il caso peggiore per i modelli video: le interfacce si deformano, i pulsanti si moltiplicano e il testo si sfalda in segni che ricordano vagamente delle lettere non appena la camera si muove.

H3 li tiene fino a 2K. E non si limita a tenerli: compone caratteri, elementi di interfaccia ed effetti come parti di un’unica immagine progettata, invece di sovrapporre parole a un filmato.

È il motivo per cui il modello se la cava bene su trailer, materiali di gioco, dimostrazioni di prodotto e tutto ciò che è costruito su scritte in evidenza.

Undici lingue

L’uscita vocale copre undici lingue, tra cui italiano, inglese, cinese, giapponese, coreano, spagnolo, francese e tedesco.

Per chi lavora su più mercati questa è spesso la voce di spesa più pesante. Poiché il dialogo può essere sostituito all’interno di un montaggio già approvato e il timbro può essere trasferito da un riferimento, la versione per un altro paese diventa una revisione anziché una nuova produzione con doppiaggio e missaggio dedicati.

Formati e durate

Le clip vanno da quattro a quindici secondi, con risoluzione fino a 2K.

Quindici secondi sono un’inquadratura, non un film. Un pezzo finito resta un montaggio di più generazioni, e decidere ordine e ritmo continua a essere un lavoro umano: è anche la parte che determina se il risultato funziona.

Va detto che quindici secondi coprono buona parte della produzione commerciale reale: pre-roll, contenuti social, presentazioni di prodotto, spezzoni per videogiochi, dimostrazioni di interfaccia, scene di serie verticali.

Cosa non fa

Le modifiche rendono bene quando sono circoscritte. Sostituire il soggetto principale o cambiare completamente un ambiente sposta troppa parte dell’inquadratura: a quel punto conviene rigenerare.

Il file in uscita è piatto. Niente canali separati né dati di scena, quindi entra in timeline come clip finita e non come materiale che un reparto di post possa smontare.

E nessun modello fotografa un prodotto così com’è nella realtà. Dove l’autenticità è l’argomento di vendita, serve ancora una macchina da presa.

Il costo

Il prezzo al secondo si colloca sensibilmente sotto quello di modelli comparabili, Seedance 2.0 compreso. Le tariffe aggiornate sono sulla pagina Minimax h3 pricing.

Conta meno come risparmio e più come leva sulla qualità. La clip buona è quasi sempre quella sopravvissuta a diversi tentativi scartati, quindi il numero di tentativi che ci si può permettere finisce per stabilire il livello del risultato finale.

In sintesi

Un modello che legge quattro tipi di materiale insieme, produce il suono con l’immagine, corregge il girato senza distruggerlo e mantiene stabili scritte e interfacce.

Se questa combinazione serva o meno al proprio lavoro è una domanda diversa, e conviene rispondere provandolo sul proprio materiale piuttosto che su un prompt da dimostrazione.