MiniMax H3 Geliştirici Rehberi: Mimari, 3 Kullanım Modu ve 2K İş Akışı

MiniMax H3, evrensel tam modalite video oluşturma sistemidir. Metin, resim, video ve sesleri tek bir bağlam olarak alır, aralarındaki ilişkileri anlar ve 2K, 15 saniyelik, yerel stereo sesli bir video üretir. Mimari, kullanıcıların çoğunun hiç görmediği ancak MiniMax'ın son on iki ayda yaptığı her kararı açıklayan kısımdır. Bu rehber, üç aşamalı işlem hattını, içindeki 33B yoğun H3-Base Omni Dönüştürücüyü, üç kullanım modunu (T2VA, FL2VA, Ref2VA) ve yerel oluşturma ile bulut yeniden oluşturmayı birleştiren tam 2K iş akışını adım adım inceler.

Eğer bir makine öğrenimi uygulayıcısı değilseniz, kullanım modları bölümünden sonra durabilir ve gerisini videobao ile yapabilirsiniz. Eğer H3'ü kendiniz entegre ediyorsanız, makalenin geri kalanı sizin için.

Üç Aşamalı İşlem Hattına Genel Bakış

H3, tek bir model değildir. Üç modülün birbirine bağlanmasıyla oluşur: H3-Context-IR, H3-Base ve H3-Regenerate-2K. İşlem hattı soldan ham çoklu modalite talimatlarını alır ve sağda senkronize sesli 2K bir video üretir.

H3-Context-IR, modele ne atarsa atsın, onu ayrıştırır. Metin, resim, video, ses veya bunların herhangi bir kombinasyonu. Çıktı, aşağı akış aşamalarının tüketebileceği yapılandırılmış bir Bağlam Ara Sunumudur. H3-Base daha sonra bu sunumdan 768p bir video ve ses üretir ve H3-Regenerate-2K 768p çıktıyı orijinal bağlamla yeniden birleştirir ve 2K'de yeniden işler. Yeniden oluşturma adımı, 2K'nin yukarı ölçeklendirilmiş gibi değil, keskin hissettirmesini sağlar, çünkü model detayları yeniden oluştururken orijinal bağlamın tamamına sahiptir.

Bunu üç adımlı bir tarif gibi düşünün: talimatları anla, düşük çözünürlüklü bir taslak oluştur, ardından talimatlar hâlâ görünürken tam çözünürlükte yeniden taslağını çıkar. Aynı model, film yapımı ve tasarımda da işe yarar. H3 sadece bunu tek bir API çağrısı haline getirir.

H3-Base'in İçinde: 33B Yoğun, Tek Akış, Birleşik Video-Ses Düzeltme

H3-Base, sistemin kalbidir. 33 milyar parametreli yoğun bir dönüştürücüdür ve tek bir akışta video ve ses latislerini düzeltir, ortak bir DiT omurgası kullanır ve 50 katmandan oluşur.

Onu besleyen üç kodlayıcı vardır. H3 Kodlayıcı, Qwen3-VL-32B tabanlıdır ve 50. katmanda metin belirteçleri üretir. Görsel VAE Kodlayıcı, zamansal nedensellik ve 2x2x1 parçalama ile 16x16x24'te çalışır ve görsel referans latisleri üretir. Ses VAE Kodlayıcı, d=32, stereo, 32 kHz, 40 Hz belirteçlerinde çalışır. Dört belirteç akışı, gürültülü video ve gürültülü ses latisleri eklenmiş tek bir bağlam içi sıraya paketlenir. Dönüştürücü, bu tek sırayı düzeltir.

Önemli mimari seçim, ortak omurganın üzerindeki modaliteye özgü bileşenlerdir. Temel DiT, video ve ses arasında paylaşılır, bu nedenle model, ekstra bir hizalama modülü olmadan iki modu senkronize tutabilir. İki kod çözücü hala ayrıdır: video latislerini RGB çerçevelere geri eşleyen Görsel VAE Kod Çözücü ve ses latislerini stereo dalga biçimine eşleyen Ses VAE Kod Çözücü. Çıktı, senkronize video artı stereo ses çiftidir, tek bir geçişte üretilir.

Üç Kullanım Modu: T2VA, FL2VA, Ref2VA

H3, her biri farklı bir kullanım moduna göre ayarlanmış iki açık kaynaklı kontrol noktası sunar. Her ikisi de BF16 hassasiyetinde sesli 768p video üretir. Fark, kabul ettikleri girdiye dayanır.

H3-Base-FL2VA, ilk/son kare modudur. Metin artı sıfır, bir veya iki referans resmi kabul eder. Sıfır resim, metin-ten-audio-video (T2VA) anlamına gelir. Bir resim, bir başlangıç karesi (bir baş kareden I2VA) veya bir son kare olabilir. İki resim, ilk ve son kare arası geçiş anlamına gelir. Kullanıcının belirgin bir başlangıç ve bitiş karesi olduğunda ve modelin arasındaki hareketi doldurmasını istediğinde FL2VA kullanın.

H3-Base-Ref2VA, referansa dayalı moddur. Metin artı en fazla 9 referans resmi, en fazla 3 referans video klibi (her biri 2-15 saniye, toplamı 15 saniyeyi geçmeyen), ve en fazla 3 referans ses klibi (her biri 2-15 saniye, toplamı 15 saniyeyi geçmeyen) kabul eder. Ses, bir resim veya video ile eşleştirilmelidir - tek başına duramaz. Tüm giriş türleri genelinde toplam 12 dosya ile sınırlıdır. Ref2VA, karakter tutarlılığı, ses klonlama, sahne transferi ve mevcut görüntülerin parçalarını yeniden kullanmak istediğiniz karmaşık düzenlemeler için moddur.

Tam 2K İş Akışı: Yerel Temel artı Bulut Yeniden Oluşturma

H3-Base'in 768p çıktısı, yerel, tam açık kaynaklı yoldur. 2K yolu, yerel H3-Base'i iki bulut API'si ile birleştirir: H3-Context-IR ve H3-Regenerate-2K. Her ikisi de MiniMax tarafından barındırılır.

Üç aşama, işlem hattı diyagramıyla uyumludur. İlk olarak, H3-Context-IR, kullanıcı girişini alır ve H3-Base ve H3-Regenerate-2K'ın tüketeceği genişletilmiş bir prompt üretir. İkinci olarak, yerel olarak dağıtılan H3-Base, bu genişletilmiş prompttan 768p video ve ses oluşturur. Üçüncü olarak, H3-Regenerate-2K, 768p sonucu base_video olarak alır, onu genişletilmiş prompt ve orijinal kullanıcı bağlamı ile yeniden birleştirir ve 2K'de yeniden işler. Yeniden oluşturma adımı, orijinal semantik bağlamı yüksek çözünürlüklü geçişe taşıdığı için, 2K çıktı, yukarı ölçeklendirme değil, bir yenileme gibi hissettirir.

Resmi model kartında üç 2K durum vardır: T2VA (sadece metin, tam zincir), I2VA (metin artı bir baş kare, tam zincir), ve Ref2VA (metin artı referans klipler, tam zincir). Her durum için model kartı, yerel sadece 768p çalıştırma ve API ile 2K çalıştırma sağlar, böylece geliştirici, yerel yolun bilinen referans çıktıda bulut yoluyla eşleştiğini doğrular.

Üretim için: örnek kodda, yerel H3-Base çıktısı base64 olarak Data URL olarak kodlanır ve H3-Regenerate-2K'a geçirilir. Gerçek bir dağıtımda, 768p videoyu herhangi bir genel URL'ye yüklersiniz ve base_video olarak URL'yi geçersiniz. Bu, örnek ve üretim arasındaki tek önemli borulama değişikliğidir.

Özellik Kılavuzu

Çıkış süresi: 4 ila 15 saniye. En boy oranları: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16. Çözünürlük: varsayılan olarak 768p; 2K, H3-Regenerate-2K ile. Kare hızı: 24 FPS. Ses: 32 kHz stereo, modele özgü.

Stabil dil desteği 11 dili kapsar: Arapça, Çince, İngilizce, Fransızca, Almanca, İtalyanca, Japonca, Korece, Portekizce, Rusça ve İspanyolca. Diğer diller kısmi destek alır. Lisans: MiniMax H3 Topluluk Lisansı (açık kaynak, ancak Apache anlamında izin verici değil - üzerine ticari bir ürün çıkarmadan önce model kartını okuyun).

Ağırlıkları nereden alınır: Hugging Face'de huggingface.co/MiniMaxAI/MiniMax-H3 ve ModelScope'da modelscope.cn/models/MiniMax/MiniMax-H3. Tam istek parametreleri, H3-Context-IR promptu ve yeniden oluşturma kodu, Hugging Face model kartında bulunur.

Videobao'da: Ne Var, Ne Olacak

H3, bugün videobao'da canlı. Entegre kullanım modları tüm H3-Base yüzeyini kapsar: metinden videoya; ilk kare, son kare veya ilk+son kare görüntüden videoya; ve en fazla 5 referans görseli ve isteğe bağlı referans video ve ses klipleri ile referans odaklı mod. Brief'e uygun modu seçin, kareleri veya referansları ekleyin, 2K klip oluşturun ve gönderin. Fiyatlandırma, yerel 2K için saniye başına 7 kredi, 4 ila 15 saniye süre aralığı. H3, videobao'da premium seviyededir, çünkü 2K oluşturma, 1080p'den önemli ölçüde daha pahalıdır.

Üç mod da aynı oluşturma akışının arkasında geliyor. Referansa dayalı mod, kareler arası karakter tutarlılığı, ürün reklamları için ses klonlama ve karmaşık çoklu kaynaklı düzenlemeleri açan şeydir ve ilk/son kare yollarıyla birlikte zaten videobao'da canlı; bu nedenle aynı prompt-artı-referanslar modeli, bugün H3 kullanıyor olsanız veya yarın bu modlardan herhangi birini kullanıyor olsanız da çalışır.

Yerel Dağıtım, Kaynaklar ve Ne Okumalı

Yerel dağıtım için çoklu GPU kutunuz olması gerekir. 33B yoğun dönüştürücü, 2026 sınır standartlarına göre küçük olsa da, ciddi VRAM ister. Model kartı, tam inferans yapılandırmasını, vLLM tarzı hizmet kurulumunu ve BF16 hassasiyet varsayımlarını adım adım anlatır. Dağıtım hedefine karar vermeden önce model kartını baştan sona okuyun.

Kaynaklar: Hugging Face model kartı, gerçek kaynaktır (huggingface.co/MiniMaxAI/MiniMax-H3). ModelScope, Çinli kullanıcılar için ağırlıkları yansıtır (modelscope.cn/models/MiniMax/MiniMax-H3). MiniMax platform belgeleri, platform.minimaxi.com/docs/api-reference'de H3-2K Direct, H3-Context-IR ve H3-Regenerate-2K için bulut API'lerini kapsar. Temel laboratuvar için, hailuoai.com, tüketicilerin giriş noktasıdır.

Eğer H3'ü sadece üretim çalışması için ihtiyaç duyuyorsanız ve barındırmak istemiyorsanız, videobao entegrasyon paneli en hızlı yoldur. Eğer yerel dağıtımın tam kontrolünü istiyorsanız, model kartı ve platform belgeleri, bir günde 2K işlem hattına ulaşmanı sağlar.