VIBEPAPER JOURNAL / AI CREATION
MiniMax H3 en VibePaper: cómo asignar funciones a referencias mixtas, planificar el sonido junto con la imagen y dónde todavía falla
VibePaper · Actualizado el
MiniMax H3 toma texto, imágenes, video y audio como un único contexto creativo y genera una escena con imagen y sonido sincronizados. La diferencia práctica frente a un endpoint de texto a video es que cada archivo que añades es una decisión: tiene que responder a una pregunta sobre el plano o solo añade ruido. Este artículo explica cómo lee H3 las referencias mixtas, cómo asignar funciones, cómo se planifica el sonido junto con la imagen, qué publica MiniMax sobre sus pasadas a 768p y 2K, y qué pasó cuando intentamos generar en Paper Gen. Cuando un dato viene de MiniMax, lo indicamos.
- MiniMax H3
- generación de video con IA
- referencias mixtas
- generación audiovisual
- VibePaper
De un vistazo
| Capacidad | Cifra o comportamiento publicado | Qué significa en Paper Gen |
|---|---|---|
| Duración del clip | De 4 a 15 segundos por generación | Paper Gen usa 5 segundos por defecto. Ajústalo antes de enviar, porque define el trabajo. |
| Resolución | Generación base a 768p; hasta 2K mediante la pasada de regeneración | Paper Gen usa 768p por defecto. Itera a 768p y reserva la resolución más alta para un resultado que ya hayas aprobado. |
| Fotogramas y audio | Video a 24 FPS, audio estéreo nativo de 32 kHz, una sola pasada | Escribe los diálogos y el ambiente en el prompt, junto a la imagen a la que pertenecen. |
| Referencias mixtas | Hasta 9 imágenes, 3 videos y 3 clips de audio; 12 archivos en total | Añádelas en el modo Reference, con una sola función por archivo. |
| Control de fotogramas | Primer fotograma, último fotograma o ambos | Usa First / last frame cuando la imagen inicial o final ya esté aprobada. |
| Relación de aspecto | Horizontal, cuadrada y vertical | Paper Gen usa 16:9 por defecto. Elige la forma del encuadre antes de enviar. |
Un contexto, varias fuentes
La mayoría de los modelos de video leen un prompt y devuelven un clip. H3 lee un conjunto de material e intenta construir una escena a partir de él. MiniMax describe la entrada como un único contexto creativo, de modo que los sujetos, el movimiento, el lenguaje de cámara, las voces, el ambiente y el ritmo pueden venir cada uno de un archivo distinto, en lugar de salir todos de la frase que escribes.
Esa es la gran diferencia de H3, y cambia la forma de trabajar. Antes de añadir nada, decide para qué sirve cada archivo. Una referencia que no responde a una pregunta sobre el plano añade ruido y puede alejar el resultado de la única función que querías que cumpliera.
Asignar una función a cada referencia
Estas funciones se derivan de lo que puede aportar cada tipo de entrada. Son nuestra forma de planificar un trabajo antes de abrir Paper Gen; no son una lista de interruptores de la interfaz.
| Tipo de referencia | La pregunta que responde | Ejemplo de función en un plano |
|---|---|---|
| Imagen | Quién o qué aparece en el encuadre, y qué aspecto tiene | La cara y el vestuario del personaje, o los materiales de la habitación |
| Video | Cómo se mueve algo y cómo se mueve la cámara | Un acercamiento de cámara, un gesto de la mano, el ritmo de un giro |
| Audio | Cómo suena la escena y quién habla | Una voz, el sonido ambiente de la sala, el ritmo de un corte |
| First / last frame | Cómo empieza y cómo se resuelve el plano | La composición del primer y el último fotograma del clip |
Planificar el sonido junto con la imagen
H3 genera imagen y sonido a la vez. Según MiniMax, los espacios latentes de video y audio están separados, pero la generación se ejecuta dentro del mismo sistema, y el audio se produce en estéreo a partir de los canales izquierdo y derecho, que se procesan por separado y se vuelven a combinar. En la práctica, esto significa que el sonido pertenece al plano, no a una capa añadida después.
Así que escribe el sonido en el mismo momento que la imagen a la que pertenece. «El torno zumba mientras las manos van más despacio» le da al modelo un acontecimiento que sincronizar; «añade sonido ambiente» no le da ninguno.
Una restricción que conviene conocer antes de empezar: una referencia de audio no puede ser la única entrada. El audio tiene que ir acompañado de una referencia de imagen o de video, y cada archivo de video o audio debe durar entre 2 y 15 segundos, con un máximo de 15 segundos en total por tipo.
Itera a 768p y luego regenera a 2K
MiniMax describe dos pasadas. H3-Base produce la secuencia audiovisual a 768p. H3-Regenerate-2K vuelve a introducir ese resultado y el contexto original en H3 y lo regenera a mayor resolución. No es un simple reescalado: como el modelo puede volver a consultar las instrucciones y referencias de origen, MiniMax afirma que recupera detalles que una ampliación basada solo en píxeles no puede recuperar.
De ahí sale el flujo práctico. Usa 768p para probar la composición, el movimiento y el sonido. Cuando una toma funcione, regenera solo esa toma a mayor resolución. No esperes que la pasada a 2K arregle un plano que ya estaba mal a 768p.
Dos checkpoints detrás del modelo
MiniMax publica H3-Base como dos checkpoints. H3-Base-FL2VA cubre la generación de texto a video con control opcional del primer fotograma, del último o de ambos. H3-Base-Ref2VA gestiona las referencias mixtas. Los dos se han publicado para su despliegue y ajuste fino.
El alcance importa. La capa de orquestación Context-IR alojada, H3-Regenerate-2K y la implementación nativa de atención dispersa no forman parte de esa publicación abierta, así que el pipeline oficial completo a 2K sigue dependiendo de los servicios de MiniMax. Paper Gen te ofrece el flujo de trabajo alojado, no los checkpoints en bruto.
Cómo crear un clip con MiniMax H3 en VibePaper
- 01Abre el modo Video y elige MiniMax H3En Paper Gen, cambia de Image a Video, abre el selector de modelos, ve al grupo Minimax y elige MiniMax H3. En el mismo grupo también está Hailuo 2.3 Fast.
- 02Ajusta la relación de aspecto, la resolución y la duraciónH3 usa por defecto 16:9, 768p y 5 segundos. Confirma los tres valores antes de escribir el prompt, ya que definen el trabajo.
- 03Asigna una función a cada archivoDecide qué referencia controla al personaje, el movimiento, el sonido o el encuadre. Descarta cualquier archivo que no responda a una pregunta sobre el plano.
- 04Escribe el prompt como un plano con sonidoSujeto, una acción, un movimiento de cámara, la luz y, después, el ambiente y los diálogos, cada uno ligado al momento en que ocurre.
- 05Genera y revisa el resultado o el errorLos trabajos que se inician aparecen en Your creations. Un trabajo fallido muestra el motivo debajo de la fila de ajustes, así que puedes copiar el mensaje exacto para enviarlo a soporte.
Dónde está cada control
Los controles que definen un trabajo de H3 están en dos sitios: el selector de modo de entrada, encima del cuadro del prompt, y la fila de ajustes, debajo.
Así se ve la interfaz
Primero, el modelo. En el selector, MiniMax tiene su propio grupo con H3 en primer lugar, junto a Hailuo 2.3 Fast. Las relaciones de aspecto, las duraciones y las reglas de referencia dependen del modelo, así que elígelo antes que el resto de ajustes.
Límites y fallos con los que nos topamos
Una lista de funciones publicada dice para qué está diseñado un modelo. Son los límites los que deciden si encaja en tu trabajo, así que esto es lo que encontramos y lo que aún no hemos podido verificar.
- La generación falló el día de la prueba. Un trabajo de H3 a 16:9, 768p y 5 segundos devolvió «Could not start generation. Please try again. Nexra API returned HTTP 404». Al reintentarlo tras una breve espera, apareció el mismo error. Lo hemos notificado y no mostramos un resultado de H3 que no obtuvimos.
- Cuando lo comprobamos, el botón Generate no mostraba el precio de H3, así que no pudimos confirmar el coste antes de enviar. Revisa el botón Generate antes de cada trabajo en lugar de suponer el precio a partir de otro modelo.
- Las duraciones de las referencias son estrictas. Las referencias de video y de audio deben durar entre 2 y 15 segundos cada una, y una referencia de audio no puede ser la única entrada. Comprueba las duraciones antes de subir los archivos.
- Los derechos siguen aplicándose. Cualquier imagen de una persona, voz, logotipo o elemento protegido por derechos de autor que subas necesita autorización, sea cual sea el modelo.
Una lista de comprobación del prompt para tu primer intento
Plano medio corto: las manos mojadas de una ceramista dan forma a un cuenco de barro en un torno que gira, en un taller soleado. Acercamiento lento, poca profundidad de campo. Luz suave de ventana, polvo flotando en el haz. Sonido: el torno zumba mientras las manos van más despacio y caen gotas de agua en un cubo de metal. Sin diálogo, sin texto, sin logotipos.Preguntas que nos hacen sobre MiniMax H3
¿Cuánto puede durar un clip de MiniMax H3?
MiniMax publica de 4 a 15 segundos por generación. Paper Gen usa 5 segundos por defecto. Para una secuencia más larga, planifica varios clips con una lista de planos para cada uno.
¿H3 genera sonido además de imagen?
Sí. MiniMax publica audio estéreo nativo de 32 kHz generado junto con la imagen en una sola pasada. Escribe el sonido en el mismo momento que la imagen a la que pertenece.
¿Puedo usar H3 sin referencias?
Sí. Funciona de texto a video, y el control del primer o el último fotograma es opcional. Las referencias se justifican cuando un personaje, un movimiento, una voz o un ritmo concretos tienen que mantenerse a lo largo del clip.
¿Por qué falló mi trabajo de H3?
Paper Gen muestra el motivo debajo de la fila de ajustes. El día de nuestra prueba, el motivo fue «Nexra API returned HTTP 404», un error del servicio y no un problema del prompt. Copia el mensaje exacto y vuelve a intentarlo más tarde, o envíalo a soporte.
Referencias y alcance
Los conceptos técnicos siguen las fuentes oficiales y primarias que se citan abajo. Las sugerencias de flujo de trabajo y los ejemplos son análisis editorial, no una garantía de resultados.
- MiniMax-H3 model card, MiniMax on Hugging FaceFuente de los checkpoints H3-Base-FL2VA y H3-Base-Ref2VA, de las duraciones de 2 a 15 segundos para referencias de video y audio, y de las partes que quedan fuera de la publicación abierta: Context-IR, H3-Regenerate-2K y la implementación de atención dispersa.