MiniMax H3 ไม่เซ็นเซอร์: โมเดล 2K เสียงสเตอริโอ และสิ่งที่มันทำกับพรอมต์ผู้ใหญ่

สิ่งที่ MiniMax ระบุไว้ในเอกสาร

บทความเปิดตัวของ MiniMax อธิบาย H3 ว่าเป็นโมเดลเปิดที่เข้าใจบริบทรวมของข้อความ ภาพ วิดีโอ และเสียง สร้างวิดีโอพร้อมเสียงสเตอริโอในตัว และให้ผลลัพธ์ยาวถึง 15 วินาทีที่ความละเอียด 2K โดยมี 768p เป็นระดับที่ถูกกว่า บริษัทอ้างว่าราคาต่อวินาทีที่ 2K ต่ำกว่าหนึ่งในสามของโมเดลกระแสหลัก และ 768p ต่ำกว่าครึ่งหนึ่งของ 720p ของกระแสหลัก การสั่งด้วยภาพอ้างอิงใช้ภาษาแบบสนทนา: “reference the camera movement from Video 1, have the character in Image 2 sing with vocals matching Audio 3” (ใช้การเคลื่อนกล้องจากวิดีโอ 1 ให้ตัวละครในภาพ 2 ร้องเพลงด้วยเสียงที่ตรงกับเสียง 3) ไวยากรณ์การอ้างอิงนี้คือเอกลักษณ์ของโมเดล

สิ่งที่ Studio เปิดให้ใช้

ความละเอียด 768P หรือ 2K ความยาว 4 ถึง 15 วินาที และอัตราส่วนเจ็ดแบบ (ปรับอัตโนมัติ, 16:9, 4:3, 1:1, 3:4, 9:16, 21:9) สำหรับข้อความเป็นวิดีโอ และแบบปรับอัตโนมัติสำหรับภาพเป็นวิดีโอ ภาพเป็นวิดีโอรับเฟรมเริ่มต้นหนึ่งภาพ อ้างอิงเป็นวิดีโอรับภาพอ้างอิงสูงสุด 9 ภาพ คลิปวิดีโอ 3 คลิป และคลิปเสียง 3 คลิป รวม 12 ไฟล์ ราคาเริ่มต้น ณ เวลาที่ตรวจสอบคือ 1,110 เครดิต MiniMax คิดค่าบริการตามวินาทีของวิดีโอทั้งขาเข้าและขาออกในอัตราของความละเอียดที่เลือก และรวมภาพอ้างอิงห้าภาพแรกไว้แล้ว คลิปอ้างอิงที่ยาวจึงทำให้ราคาสูงขึ้น

ข้อมูลเบื้องต้นด้านเนื้อหาผู้ใหญ่ ตามตรง

หกสิบวันจนถึงวันที่ 9 กันยายน 2026: งานอ้างอิงเป็นวิดีโอของ MiniMax H3 7 งานจากครีเอเตอร์ 3 คน เสร็จ 2 งาน ถูกหยุดโดยการตอบสนองด้านความปลอดภัยของเนื้อหา 4 งาน และล้มเหลวด้วยสาเหตุอื่น 1 งาน เจ็ดงานน้อยเกินไปที่จะเผยแพร่เป็นอัตรา เราจึงไม่เผยแพร่ แต่พอจะบอกได้ว่าเส้นทางต้นทางมีการตรวจเนื้อหาผู้ใหญ่จริงและเคยปฏิเสธบางส่วน เพื่อเปรียบเทียบ Wan 3.0 อ้างอิงเป็นวิดีโอเสร็จสมบูรณ์ 94% จาก 6,901 งาน และ Wan 2.2 Spicy ไม่มีการหยุดเลยใน 16,059 งาน เราจะอัปเดตส่วนนี้เมื่อ H3 มีการรันหลายร้อยครั้ง

จุดที่ H3 คุ้มค่าที่จะเลือกในวันนี้

คลิปที่นำด้วยบทพูด: เสียงสเตอริโอของ H3 สร้างในรอบเดียวกัน และไวยากรณ์การอ้างอิงทำให้ “match the voice in Audio 1” (ให้เสียงตรงกับเสียง 1) เป็นคำสั่งบรรทัดเดียว การเคลื่อนไหวที่ซิงก์กับเพลงหรือจังหวะ งานตัวละครเชิงเย้ายวนที่สวมเสื้อผ้าที่ 2K ซึ่งพื้นผิวสำคัญ และการจัดเฟรมแบบภาพยนตร์ 21:9 ระดับ 768P เป็นวิธีถูกๆ ในการลองไอเดียพร้อมเสียงก่อน แล้วจึงเรนเดอร์บรีฟเดียวกันบน Wan 3.0 ในระดับที่สูงกว่า หากเนื้อหาผู้ใหญ่โจ่งแจ้งเกินกว่าที่การตรวจของ H3 จะรับ

การกรองระดับการใช้งานและขอบเขตเนื้อหาสำหรับผู้ใหญ่

Makeartly ไม่ได้เพิ่มชั้นปฏิเสธเนื้อหาผู้ใหญ่แบบทั่วไปของตัวเองสำหรับครีเอเตอร์ผู้ใหญ่ที่ผ่านการยืนยันตัวตน ข้อความระดับการใช้งานนี้ไม่ได้หมายความว่าโมเดลทางการของผู้ให้บริการต้นทางไม่มีการเซ็นเซอร์ และไม่ได้รับประกันว่าพรอมต์จะได้รับการยอมรับ เวิร์กโฟลว์สำหรับผู้ใหญ่ใช้ได้เฉพาะผู้ใหญ่เท่านั้น CSAM และเนื้อหาทางเพศทุกรูปแบบที่เกี่ยวข้องกับผู้อายุต่ำกว่า 18 ปีเป็นสิ่งต้องห้าม ต้องมีความยินยอมและการอนุญาตให้ใช้ภาพลักษณ์ และห้ามเนื้อหาใกล้ชิดที่ไม่ได้รับความยินยอม ดีปเฟกของบุคคลจริงโดยไม่ได้รับอนุญาต และการแอบอ้างตัวตนทางเพศ

การจับคู่ที่ได้ผล

ใช้ H3 กับส่วนของโปรเจกต์ที่พึ่งเสียงและพื้นผิว 2K และคงความเป็นนัยหรือสวมเสื้อผ้า ใช้ Wan 3.0 กับฉากโจ่งแจ้งที่มีภาพอ้างอิงหลายภาพ และใช้ Wan 2.2 หรือ 2.7 Spicy กับคลิปโจ่งแจ้งจากภาพนิ่งภาพเดียว ทั้ง H3 และ Wan 3.0 อยู่ในช่วงราว 1,100 เครดิตสำหรับคลิปเริ่มต้น การเลือกจึงขึ้นอยู่กับว่าบรีฟของคุณจะผ่านการตรวจของฝั่งไหน และคุณต้องการ 30 วินาที (Wan) หรือเสียงสเตอริโอที่ 2K (H3)

ตัวอย่างการใช้งาน: คลิป 12 วินาทีที่เธอพูดสองประโยคใส่กล้องแบบสเตอริโอ

MiniMax H3 เป็นเครื่องมือที่แข็งแกร่งที่สุดบนแพลตฟอร์มสำหรับงานนี้ ให้ใช้ภาพอ้างอิงที่สวมเสื้อผ้า และใส่ประโยคพูดในเครื่องหมายคำพูด

สถานการณ์: ฉากโจ่งแจ้งที่มีภาพอ้างอิงหลายภาพ

ใช้ Wan 3.0 อ้างอิงเป็นวิดีโอ การตรวจฝั่งต้นทางของ H3 ปฏิเสธงานผู้ใหญ่ไปแล้วในช่วงสัปดาห์แรกๆ

ทำการทดสอบเพื่อยอมรับผลลัพธ์ของ H3 ที่ 768P ด้วยภาพอ้างอิงที่สวมเสื้อผ้า

รันคลิป 768P ยาว 5 วินาทีหนึ่งคลิปเป็นการทดสอบเพื่อยอมรับผลลัพธ์ เปรียบเทียบเสียงและพื้นผิวระดับ 2K กับการเรนเดอร์บรีฟเดียวกันบน Wan 3.0 หยุดทันทีที่ถูกปฏิเสธจากการตรวจครั้งแรก แล้วเลือก Wan 3.0 สำหรับส่วนโจ่งแจ้งที่เหลือของโปรเจกต์

ข้อมูลผู้ใหญ่ของ H3 ในหน้านี้มีเพียงเจ็ดงาน ให้ถือว่าทุกข้ออ้างเรื่องความผ่อนปรนของมัน รวมถึงของเราด้วย เป็นข้อมูลชั่วคราว วินาทีของวิดีโออ้างอิงถูกคิดเงิน: MiniMax คิดวินาทีของวิดีโอขาเข้าเช่นเดียวกับขาออก คลิปอ้างอิงยาว 15 วินาทีจึงทำให้ราคาของการเรนเดอร์ 15 วินาทีเพิ่มขึ้นราวสองเท่า