Компания MiniMax представила мультимодальную модель H3, предназначенную для синтеза видеоряда и звукового сопровождения в едином процессе. В отличие от традиционных пайплайнов, где видео и аудио обрабатываются отдельными нейросетями, H3 принимает единый контекст — до 12 входных файлов, включая изображения, видеоклипы и аудиодорожки — и генерирует ролики со встроенным стереозвуком длительностью от 4 до 15 секунд в разрешении 2K.
Архитектура модели поддерживает несколько режимов работы: генерацию по текстовому описанию (text-to-video), интерполяцию между ключевыми кадрами, синтез на основе референсов, а также точечное редактирование готовых видеофрагментов. Пользователь может изменить объект, обновить надпись или скорректировать освещение без полной перегенерации ролика.
Практическая ценность такого подхода заключается в снижении трудозатрат при монтаже продуктовых роликов и рекламных клипов, где требуется сохранять внешность персонажей и синхронность звука. При этом разработчик еще не опубликвал полную спецификацию и условия API, поэтому реальное качество локального редактирования требует проверки на собственных материалах.
