VIBEPAPER JOURNAL / AI CREATION
MiniMax H3 在 VibePaper 裡：給混合參考分配角色、與畫面一起規劃聲音，以及目前還卡在哪
VibePaper · 更新於
MiniMax H3 把文本、圖片、影片和音頻理解為同一個創作上下文，然後生成音畫同步的場景。它和文生影片接口最實際的區別是：你掛上的每一個檔案都是一個決定，要麼回答鏡頭裡的一個問題，要麼只會添亂。這篇文章講清楚 H3 如何讀取混合參考、怎樣分配角色、聲音如何與畫面一起規劃、MiniMax 公佈的 768p 與 2K 兩個階段是什麼，以及我們在 Paper Gen 裡嘗試生成時發生了什麼。凡是來自 MiniMax 的說法，我們都會註明。
- MiniMax H3
- AI 影片生成
- 混合參考
- 音畫同步
- VibePaper
一覽
| 能力 | 官方數字或表現 | 在 Paper Gen 裡意味著什麼 |
|---|---|---|
| 單次時長 | 每次生成 4–15 秒 | Paper Gen 預設 5 秒。提交前先設好，它定義了這次任務。 |
| 分辨率 | 768p 為基礎生成；通過再生成流程可到 2K | Paper Gen 預設 768p。先在 768p 上迭代，已確認的結果再提升分辨率。 |
| 畫面與聲音 | 24 FPS 影片，原生 32 kHz 立體聲，一次生成 | 對白和環境聲要寫進提示詞，並放在它們對應的畫面旁邊。 |
| 混合參考 | 最多 9 張圖片、3 段影片、3 段音頻；合計 12 個檔案 | 在「參考」模式裡添加，每個檔案只承擔一項任務。 |
| 畫面控制 | 首幀、尾幀，或兩者都用 | 開場或結尾畫面已經定稿時，用「首尾幀」。 |
| 畫幅比例 | 橫屏、方形、直屏 | Paper Gen 預設 16:9。提交前先選好畫幅。 |
一個上下文，多種來源
大多數影片模型讀取一段提示詞，返回一段片段。H3 讀取的是一組素材，並嘗試從中搭出一個場景。MiniMax 把輸入描述為一個統一的創作上下文，所以主體、動作、鏡頭語言、聲音、環境和節奏，可以分別來自不同的檔案，而不必全都寫在你輸入的那句話裡。
這是 H3 最主要的不同，也改變了工作方式。掛上任何檔案之前，先想清楚每個檔案用來做什麼。不能回答鏡頭裡某個問題的參考，只會增加噪音，還可能把結果帶離你想讓它承擔的那個角色。
給每個參考分配角色
這些角色來自每種輸入能承載什麼。它們是我們在打開 Paper Gen 之前規劃任務的方法，並不是介面上的開關。
| 參考類型 | 它回答的問題 | 鏡頭裡的角色示例 |
|---|---|---|
| 圖片 | 畫面裡是誰或什麼，長什麼樣 | 角色的面部和服裝，或房間的材質 |
| 影片 | 什麼在動，鏡頭怎麼動 | 一次推近、一個手部動作、轉身的節奏 |
| 音頻 | 場景聽起來是什麼樣，誰在說話 | 一個聲音、室內的環境音、切點的節奏 |
| 首幀 / 尾幀 | 鏡頭如何開始、如何收束 | 片段首尾兩幀的構圖 |
與畫面一起規劃聲音
H3 把畫面和聲音一起生成。MiniMax 表示，視覺與音頻的潛空間是分開的，但生成發生在同一個系統裡，音頻由左右兩個聲道分別處理、再合成為立體聲。實際意味著：聲音屬於這個鏡頭，而不是事後疊上去的一層。
所以要把聲音寫進它所屬畫面的同一個節拍裡。「手慢下來的時候陶輪發出嗡鳴」給了模型一個可以同步的事件；「加入環境音」則沒有給它任何可同步的東西。
開始前要知道一個約束：音頻參考不能作為唯一輸入。音頻必須和圖片或影片參考放在一起；每段影片或音頻需要 2–15 秒，每類的總時長上限為 15 秒。
先在 768p 迭代，再在 2K 上再生成
MiniMax 描述了兩個階段。H3-Base 生成 768p 的音畫序列。H3-Regenerate-2K 把這個結果和原始上下文一起送回 H3，按更高分辨率重新生成。它不是簡單放大：因為模型可以重新讀取原始指令和參考，MiniMax 認為它能恢復純像素放大無法得到的細節。
實際的循環由此而來：用 768p 檢驗構圖、動作和聲音；某一條成立後，只把這一條再生成到更高分辨率。不要指望 2K 階段去修正 768p 時就錯了的鏡頭。
模型背後的兩個權重
MiniMax 把 H3-Base 公開為兩個權重。H3-Base-FL2VA 支援文生影片，並可選首幀、尾幀或首尾幀控制；H3-Base-Ref2VA 負責混合參考。兩者都已開放用於部署和微調。
範圍很重要。託管的 Context-IR 編排層、H3-Regenerate-2K 以及原生稀疏注意力實現不在這次開放範圍內，所以完整的官方 2K 流程仍依賴 MiniMax 的服務。Paper Gen 提供的是託管的工作流，而不是原始權重。
在 VibePaper 裡做一段 MiniMax H3 影片
- 01打開影片模式，選擇 MiniMax H3在 Paper Gen 裡從「圖片」切到「影片」，打開模型選擇器，進入 Minimax 分組並選擇 MiniMax H3。同一分組裡還有 Hailuo 2.3 Fast。
- 02設定比例、分辨率和時長H3 預設 16:9、768p 和 5 秒。寫提示詞前先確認這三項，它們定義了任務本身。
- 03給每個檔案分配角色確定哪個參考控制角色、動作、聲音或構圖。不能回答鏡頭裡某個問題的檔案，直接去掉。
- 04把提示詞寫成帶聲音的鏡頭主體、一個動作、一種運鏡、光線，然後是環境聲和對白，每一項都掛在它發生的那一刻。
- 05生成，然後看結果或錯誤任務開始後會出現在「你的創作」裡。任務失敗時，原因會顯示在設置欄下方，方便你複製準確的錯誤訊息發給支援人員。
各項設置在哪裡
影響 H3 任務的設置分佈在兩處：提示詞框上方的輸入模式切換，以及下方的設置欄。
介面長什麼樣
先選模型。在模型選擇器裡，MiniMax 有自己的分組，H3 排在最前，旁邊是 Hailuo 2.3 Fast。比例、時長和參考規則都跟著模型走，所以要先選模型，再動其他設置。
我們遇到的限制和尚未驗證的部分
官方功能列表只說明模型設計上能做什麼。限制才決定它適不適合你的工作，所以下面是我們實際碰到的情況，以及還沒驗證的部分。
- 測試當天生成失敗。H3 任務按 16:9、768p、5 秒提交，返回「Could not start generation. Please try again. Nexra API returned HTTP 404」。稍等後重試，同樣的錯誤。我們已經回饋給技術同事，不會展示我們沒有拿到的 H3 結果。
- 我們檢查時，H3 的「生成」按鈕上沒有顯示價格，所以提交前無法確認花費。每次提交前都要看一下生成按鈕，不要參照其他模型的價格。
- 參考素材的長度限制很嚴格：影片和音頻參考各自需要 2–15 秒，音頻不能單獨作為唯一輸入。上傳前先核對長度。
- 版權要求同樣適用。任何上傳的人像、聲音、標誌或受版權保護的元素，無論用哪個模型，都需要確認授權。
第一次嘗試的提示詞清單
中近景：一雙濕潤的手在陽光充足的工作室裡，於旋轉的陶輪上塑造一隻陶碗。緩慢推近，淺景深。柔和的窗光，光束裡有浮塵飄動。聲音：手慢下來時陶輪發出嗡鳴，水滴落進金屬桶裡。無對白、無文字、無標誌。關於 MiniMax H3 的常見問題
MiniMax H3 單次生成最長多久？
MiniMax 公佈的是每次 4 到 15 秒。Paper Gen 預設 5 秒。想要更長的序列，請規劃成幾段，每段配一份分鏡清單。
H3 會同時生成聲音嗎？
會。MiniMax 公佈的是原生 32 kHz 立體聲，與畫面一次生成。把聲音寫進它所屬畫面的同一個節拍裡。
不用參考素材可以嗎？
可以。文生影片可以直接用，首幀和尾幀控制都是可選的。需要特定角色、動作、聲音或節奏貫穿整段片段時，參考素材才有明顯用處。
為什麼我的 H3 任務失敗了？
Paper Gen 會把原因顯示在設置欄下方。我們測試當天的原因是「Nexra API returned HTTP 404」，屬於伺服器端錯誤，而不是提示詞的問題。請複製完整的錯誤訊息，稍後重試，或發給支援人員。
參考資料與本文範圍
技術概念以下列官方資料與原始來源為準。文中的工作流程建議和示例屬於編輯分析，並不保證效果。
- MiniMax-H3 模型卡，MiniMax 在 Hugging Face 的發佈頁來源：H3-Base-FL2VA 與 H3-Base-Ref2VA 兩個檢查點、影片和音頻參考各 2–15 秒的長度，以及未開源的部分：Context-IR、H3-Regenerate-2K 和稀疏注意力實現。