MiniMax H3多模态能力表现如何？
以前做一个15秒的电商产品广告，流程是：文生视频出画面，TTS合成旁白，剪映套字幕，AE做产品高光和价格弹跳动画。来回切四五个软件，导出导入转格式，折腾大半天。H3把这套流程塞进了一个模型。你输入一张产品图、一段广告脚本，它一次输出就带上货架运镜、旁白配音、字幕、光影效果，每个视觉元素跟画面的空间和光线都是对齐的，不是简单叠上去。我试了它那个复杂文本保持的能力，品牌logo放到玻璃杯上它理解折射，放墙上理解曲率和纹理，镜头推拉的时候字体不会变形。这背后是Contextual Omni Representation那套东西，把文本、图像、音频、视频当成统一上下文来理解，不是各管各的。当然它也不是完美的，15秒的时长上限对很多场景还不够，复杂多模态指令偶尔会翻车，快速运动场景下画面细节还有提升空间。但方向对了，抠细节是时间问题。后续它还要融合M系列模型的能力，到时候再看。但就目前来说，一个模型吃掉PR和AE这件事，已经不再是概念了。
发布于 福建
1
1
1
未登录
友善发言
评论
加载中
