MiniMax H3多模态能力表现如何？
15秒2K+原生双声道，H3的硬指标到底怎样？说几个关键数据：输出时长4到15秒，最高2K分辨率（2560×1440），24FPS帧率，32kHz立体声音频。支持21:9、16:9、4:3、1:1等7种宽高比。稳定支持中、英、日、韩等11种语言。H3系统由三个模块组成：H3-Context-IR负责理解复杂的多模态输入并转换成模型能理解的中间表示；H3-Base负责生成768P的音视频；H3-Regenerate-2K再把结果提升到2K。输入方面，最多支持9张图、3段视频、3段音频，合计不超过12个文件。这些参数放在开源模型里算很能打了。而且它已经在Hugging Face上开放下载。对做AI视频相关产品的团队来说，值得花时间研究一下。
发布于 北京
分享
评论
赞
未登录
友善发言
评论
加载中
