MiniMax 发布 H3 视频模型并开源，主打视觉包装与后期特效

今天，被Seedance 2.0压制了整整半年，沉寂了很久的AI视频模型行业，终于又有了点新的动向了。 MiniMax，终于掏出了他们的H3模型。 并且，要开源。 AI视频，终于也开始向大模型领域看齐了。 过去这半年，AI视频行业活得很奇怪。 视频Agent应用疯狂增长，但是模型却寥寥无几。 最后绕不开的那个名字，依然是Seedance 2.0。 它就像那一堵最高的山。 以至于过去半年，AI视频行业最大的悬念，逐渐变成了： 到底还有没有人，能给Seedance 2.0一点压力？ 现在，MiniMax终于带着他们的AI视频模型来了。 我在昨天其实就已经拿到了体验资格，在做了一些测试之后，我非常坦率的讲，在很多的环节上，它确实可以跟Seedance 2.0相媲美，但是还没有达到所谓的全面超越的地步。 但H3找到了一个非常独特、非常有意思、而且我觉得极其商业的切口，那就是： 视觉包装和后期特效。 这个点，MiniMax实在是太强太强了，这块的长板强到比Seedance 2.0都要强很多。 我直接放几个case你就懂了。 H3这个模型非常的独特。 独特到一时我不知道该用什么词去形容它。 你可以让它直接生成一段带歌词的动态MV。 你也可以给它几张平面海报，它可以把排版、文字和视觉元素全部动起来，做成一支动态海报。 你也可以给它一堆照片，它能理解每张照片里的内容，自动做成有装饰、有节奏、有声音的Vlog。 你甚至可以让它直接生成电影片头、歌词VJ、时尚品牌Campaign、游戏UI、网页滚动动效和产品发布片。 只要涉及到一切跟视觉包装相关的工作，它干的都极佳。 如果说，Seedance更偏向与前期，更重影视和特效，那H3我觉得，就更偏向后期，更重广告与动效。 两者相辅相成，终于补全了整个视频制作的全流程。 网址在此：https://hailuoai.com/ 在首页上，你就能看到这次全新的H3了，也是一个原生多模态模型。 在纯粹的功能上，非常的全面，全能参考啥的也都有。 支持视频图片音频等等的各种参考，最多12个。 参数上，目前开放的直接是2K，甚至768P的都暂时还没开放，最多15s。 价格上2K的效果，1秒是12贝壳，差不多就是10块钱一条15秒的2K视频。 动作参考、指定元素替换、换背景、改写视频、实拍视频加特效、绿幕换背景、白模视频上色、视频续写延长、视频整体参考等等这些常用的功能，也都没啥问题，而且效果不错。 这次的重点，我们自然还是要回到，视觉包装上。 其实我们会发现在过去半年里面，AI视频加速的最多的是AI短剧赛道。 而传统的商业广告、宣传片、综艺等等，AI介入的好像还没有那么多。 原因特别简单，过去我们一直在做的AI视频模型更像是一台很强的虚拟摄影机，它们能够凭空创造一个世界，然后把这个世界拍下来，记录下来。 但是，摄像机拍完以后，一条真正意义上的视频，其实才刚刚开始。 因为人类最终看到的绝大多数视频，都不是现实世界原封不动的切片。 我们会剪辑，会加字幕，会设计片头，会制造转场，会用图形、文字、UI和特效重新组织信息。 这些东西，现实世界里原本都不存在。 它们全部是人类创造出来的视觉语言。 这些就是视觉包装。 最典型的就是综艺里面经常会加的花字。 这种以前AI视频几乎没有办法去处理，因为很难生成稳定加准确的文字，且很难理解文字与视频素材和视频内容之间的关系。 但是这一次，MiniMax H3可以搞定这种了。 比如一个飞行嘉宾出场，以前我们可能得做很复杂的动画，然后K很多的帧，搞得还挺麻烦的，现在，一个Prompt。 这个效果当然跟顶级综艺没有办法比，也会出现一些奇奇怪怪的数字。但是你可以看到关于人物的、氛围的、元素的设计，还有一些主体背景跟文字之间的互动，其实都已经做得很不错了。 在品牌语言上也是比较统一的。 除了综艺，还有很多很多需要做视觉包装的，比如说MV。 Prompt：15秒，16:9横版，一镜到底。生成一支极具视觉炫技感的实验MV。主角是一位银色寸头、穿纯黑长外套的中性歌手。摄影机始终围绕主角顺时针旋转，人物持续对镜头演唱，嘴型和身份稳定。 同一个废弃摄影棚随着摄影机旋转，依次转化为五种视觉世界：真实胶片、黑白报纸、彩色黏土、透明水下、像素游戏。每次变化都由主角动作和歌词触发，空间连续，不使用硬切。歌词与文字： “CHANGE THE FRAME” “KEEP THE FACE” “EVERYWORLD ISMINE” 0至3秒：真实胶片摄影棚。主角抬手唱出“CHANGE THE FRAME”，手掌扫过的位置变成黑白报纸网点，文字像报纸标题一样从墙面展开。 3至6秒：摄影机继续环绕，报纸世界被主角撕开，空间变成彩色黏土。人物仍保持真人皮肤和真实脸，周围道具与地面变成手工黏土。“KEEP THE FACE”沿主角身后弯曲出现。 6至9秒：主角跺脚，黏土地面化成透明水面。摄影机与人物同时进入水下，头发、衣服和气泡符合真实水体运动，歌声保持清晰。 9至12秒：主角拍碎水面，所有水滴变成像素方块。摄影棚加载成复古三维游戏世界，人物仍为真人。“EVERYWORLD ISMINE”形成巨大的游戏关卡入口。 12至15秒：摄影机完成一整圈环绕。所有视觉世界像多层皮肤一样从空间剥落，回到最初摄影棚。主角站在原位，伸手接住一枚同时包含五种材质的小方块。 声音：原创实验电子乐，五个世界分别拥有胶片、纸张、黏土、水下和像素音色，节奏连续。 禁止切镜头、人物换脸、服装变化、世界突然跳变、额外歌词、普通蒙版转场和水下嘴型失控。 可以看到生成出来的这个运镜效果其实非常的棒，而且文字极其准确，歌词全部都是对上的。 除了一些特别小的字，稍微大一点，几乎都没崩。 视觉包装做的非常的棒，在转场和过渡上也非常的和谐。 而且大家可以对比一下我的Prompt，H3有个非常强的特点，就是它的语义遵循能力极强，你真的就是说什么，它就能给你实现出什么，在做视觉包装的时候非常有用，因为做视觉包装很多时候就是极其精确的文字控制。 当然，这种语义遵循强的能力也带来了一些缺点，就是在某些影视级别的需要超强张力的镜头上，表现的没有Seedance效果好。 而这个case其实就能感觉到整个视觉包装的效果会更强一点，做了非常多的素材的包装和特效。 除了MV，还有我们经常会做的logo演绎的视觉包装。 H3做的也非常有意思。 比如，我就把我们公司的logo，给扔了进去，让H3给我做一个logo演绎视频。 你别说，做的还是相当酷炫的。 当然，你还可以做电商产品的某一次全新的新品宣传片。 一个AI影视节目的片头。 一个设计大会的主舞台宣传片。 还有很多很多，电商、游戏、短视频，甚至还能给Vlog做好玩的动效等等。 你不需要再去做复杂的动效，不需要再去手K素材，甚至你都不需要打开剪辑软件，把你的素材扔到H3里，然后说出你的需求。 一条经过视觉包装的视频，就可能已经做好了。 AI视频模型过去最喜欢展示的，往往是最极限的画面。 巨龙、战争、跑酷、追车、爆炸、复杂运镜。 这些东西很爽，也很适合证明模型的上限。 可真正数量巨大、每天都在被生产、每天都有人愿意付钱的视频，很多都没有这么宏大。 品牌广告、电商素材、产品介绍、App功能演示、活动预告、社交媒体短片、游戏PV、企业宣传片。 它们的生命周期很短，更新频率很高，经常还要针对不同人群、不同平台、不同尺寸，做出一大堆版本。 这种内容最需要的能力，恰好就是H3擅长的东西。 设计师和后期的价值，也会继续往上游移动。 手动拉关键帧、做素材、套转场这类执行工作的价值还会下降。 定义方向、建立审美、识别好坏、控制品牌一致性的价值，会越来越高。 生产能力越泛滥，判断力就越值钱。 而且大家不要忘了，MiniMax H3，是要开源的。 一个开源模型的生命力，往往是从发布那一天才刚刚开始。 后面一定会有人继续去给它做推理优化，给它去微调特定风格。未来我们可能会看到无数种特化的，在垂直领域继续发光发热的H3版本出来。 这个世界需要开源。 每一个愿意开源的，也都是英雄。 现在，MiniMax H3，来当那个英雄了。 我们也希望，能看到越来越多的AI视频领域的开源模型。 那才是真正的未来。