Natywny dźwięk MiniMax H3: dialog, muzyka i synchronizacja
Naucz się pisać prompty pod natywny dźwięk stereo w MiniMax H3 — dialog, tło, muzyka, referencje głosowe i synchronizacja — z powtarzalnym planem testów produkcyjnych.
Natywny dźwięk MiniMax H3 zamienia ścieżkę dźwiękową w część briefu generowania zamiast w plik, który odruchowo dokładasz po zamknięciu obrazu. MiniMax twierdzi, że H3 rozumie wspólnie tekst, obrazy, wideo i dźwięk, a potem generuje wideo z natywnym dźwiękiem stereo. Zakres treningu traktuje też głos, efekty dźwiękowe i muzykę jako jedną dziedzinę audio, a nie osobne narzędzia.
To istotna zmiana w przebiegu pracy, ale nie obietnica, że każda kwestia zostanie idealnie wypowiedziana, każdy krok wyląduje na właściwej klatce, a każdy miks stereo będzie gotowy do publikacji. Ten przewodnik oddziela udokumentowane możliwości H3 według MiniMax (Otwiera się w nowej karcie) od testów produkcyjnych, które twórcy powinni przeprowadzić sami. Daje praktyczną strukturę briefu dźwiękowego, przebieg pracy z referencjami audio, pięć szablonów promptów i powtarzalną kartę oceny, bez podawania oficjalnych materiałów demonstracyjnych jako niezależnych wyników.
Co MiniMax oficjalnie dokumentuje na temat dźwięku w H3#
MiniMax opisuje H3 jako uniwersalny multimodalny model wideo, a nie generator niemego wideo z osobnym przebiegiem dźwiękowym. Materiały premierowe firmy mówią, że model generuje natywny dźwięk stereo i modeluje wspólnie głos, efekty dźwiękowe i muzykę. MiniMax pokazuje też prompt łączący ruch kamery z wideo, postać z obrazu i wokal dopasowany do referencji audio.
Oficjalny przewodnik po generowaniu wideo H3 (Otwiera się w nowej karcie) definiuje obecne granice API:
| Udokumentowana możliwość | Co to znaczy dla twórcy |
|---|---|
| Natywny dźwięk stereo | H3 może zwrócić dwukanałową ścieżkę dźwiękową razem z wygenerowanym wideo |
| Dźwięk jako kontekst multimodalny | Klip audio może sterować głosem, ruchem, rytmem montażu albo inną relacją opisaną w prompcie |
| Do trzech referencji audio | Każdy klip może mieć 2–15 sekund, przy maksymalnie 15 sekundach łącznie dla wszystkich referencji audio |
| Mieszane referencje | Dźwięk można łączyć z obrazami i wideo w jednym żądaniu referencja na wideo |
| Wejście WAV i MP3 | Referencyjny dźwięk musi używać jednego z udokumentowanych formatów wejściowych |
| Wynik 4–15 sekund | H3 zaprojektowano do krótkich klipów, a nie do pełnej długiej ścieżki dźwiękowej w jednym generowaniu |
Są trzy ważne ograniczenia. Referencji audio nie da się wysłać samodzielnie; MiniMax wymaga przynajmniej jednego obrazu albo wideo obok niej. Pliki audio są ograniczone do 15 MB każdy, a całe żądanie z mieszanymi referencjami do 12 plików. Trybu referencji nie da się też połączyć z trybem pierwszej albo ostatniej klatki w tym samym żądaniu, więc zdecyduj, czy przy tym ujęciu ważniejsze są dokładne klatki brzegowe, czy szersze sterowanie multimodalne.
Uwaga
Stereo to nie to samo co dźwięk przestrzenny. MiniMax dokumentuje natywny wynik stereo, ale jego obecne publiczne materiały nie obiecują dźwięku dookólnego, ambisonicznego, obiektowego ani określonego poziomu dokładności pozycjonowania. Oceń rozmieszczenie lewo-prawo na słuchawkach, zanim nazwiesz wynik przestrzennym.
Zbuduj brief dźwiękowy, zanim napiszesz prompt#
Najbardziej użyteczny prompt do H3 to nie długa lista dźwięków. To zwięzły plan dźwiękowy, który mówi modelowi, co ma prowadzić, co ma to wspierać, a co musi wydarzyć się w widocznym momencie. Napisz ten plan w pięciu przejściach.
1. Ustal akcję wizualną i rytm#
Synchronizacja dźwięku zależy od widocznych zdarzeń. Zacznij od ujęcia, akcji tematu, ruchu kamery i sekwencji taktów. „A spoon hits the saucer as the camera settles” daje modelowi wspólne zdarzenie audiowizualne. „Add a cup sound” nie mówi, kiedy zdarzenie następuje ani co powinno je wywołać.
Dla dziesięciosekundowego klipu prosta mapa taktów może wyglądać tak:
- 0–3 sekundy: ustanowienie pomieszczenia i tematu
- 3–7 sekund: dialog albo główna akcja
- 7–10 sekund: odsłonięcie produktu i finalna wskazówka dźwiękowa
Traktuj te czasy jako kierunek, a nie znaczniki montażowe co do klatki. Test produkcyjny powinien zmierzyć, jak blisko wynik trzyma się tego planu.
2. Nazwij jedną główną warstwę dźwiękową#
Wybierz dźwięk, który widownia musi zauważyć pierwszy: dialog, interakcję z produktem, hak muzyczny albo element dźwięku otoczenia. Daj mu najbardziej klarowne sformułowanie i chroń wokół niego miejsce.
Jeśli główny jest dialog, napisz dokładną kwestię w cudzysłowie i podaj jedną wskazówkę wykonawczą. Jeśli główny jest dźwięk produktu, opisz fizyczną akcję, która go wytwarza. Jeśli główna jest muzyka, podaj tempo, instrumentację, nastrój i miejsce, w którym aranżacja ma się zmienić.
3. Dodaj tło jako miejsce akustyczne#
Tło ma wyjaśniać, gdzie żyje ujęcie. Zamiast „café sounds” opisz cichy syk ekspresu za osobą mówiącą, niską rozmowę w sali i dzwonek drzwi w oddali. Przy czystym spocie produktowym poproś o kontrolowany ton studia, a nie o ciszę — chyba że cisza jest świadomym wyborem twórczym.
Używaj słów o odległości i materiale, które da się zastosować i do obrazu, i do dźwięku:
- blisko, sucho, kameralnie i z lekkim pogłosem
- daleko, przytłumione przez szybę albo poza kadrem po lewej
- kroki po płytkach, ruch tkaniny, deszcz na metalu albo szklanka stawiana na drewnie
4. Zdecyduj, czy muzyka to ilustracja, czy źródło#
Ilustracja siedzi poza sceną; muzyka źródłowa pochodzi z przedmiotu albo miejsca wewnątrz niej. Powiedz, którą masz na myśli. „A restrained electronic score under the dialogue” prosi o warstwę tła, a „music playing quietly from the café radio, slightly muffled” daje jej źródło akustyczne w kadrze.
Kiedy muzyka nie jest potrzebna, napisz no music. To ułatwia ocenę testu dialogu albo efektów. Kiedy jest potrzebna, zostaw zapas dla głosu, zamiast prosić, by każda warstwa była głośna i dramatyczna.
5. Podaj wykluczenia#
Negatywne sterowanie dźwiękiem jest użyteczne, kiedy chroni brief. Przykłady to no narration, no crowd cheering, no added melody i no exaggerated whooshes. Trzymaj listę wykluczeń krótko; zbyt wiele ograniczeń może rywalizować z akcją, o którą naprawdę ci chodzi.
Jak używać referencji audio bez mieszania ich ról#
System referencji H3 jest najbardziej użyteczny, kiedy każdy plik ma jedno zadanie. Referencyjny klip audio może dostarczyć barwy i kadencji głosu, energii muzycznej, faktury dźwiękowej albo rytmu montażu. Nie zakładaj, że model wie, którą właściwość ma zapożyczyć.
Napisz mapę plików przed finalnym promptem:
| Plik | Przypisane zadanie | Co nie powinno się przenieść |
|---|---|---|
| Obraz postaci | Tożsamość, ubiór i umiejscowienie produktu | Tło i światło |
| Wideo ruchu | Gest i rytm kamery | Tożsamość postaci i dialog |
| Audio głosu | Charakter głosu, kadencja i energia emocjonalna | Oryginalne słowa i szum tła |
| Audio muzyki | Tempo, gęstość aranżacji i rytm montażu | Rozpoznawalna melodia albo tekst |
Potem opisz te relacje w języku naturalnym. Własny przykład H3 od MiniMax używa zdania, które przypisuje ruch kamery referencji wideo, wykonawcę referencji obrazowej, a wokal referencji audio. Numerowane etykiety plików różnią się w zależności od interfejsu, a API używa typowanej zawartości i ról referencji, więc zastąp etykiety w poniższych szablonach dokładną notacją widoczną w twoim przebiegu pracy.
Ostrzeżenie
Używaj cudzego głosu albo wykonania jako referencji tylko wtedy, gdy masz zgodę. Referencja głosowa nie jest dowodem, że masz prawa do tożsamości osoby mówiącej, do nagrania, do muzyki ani do publikacji wygenerowanej imitacji.
Czyste referencje dają czystsze eksperymenty. Przytnij ciszę, usuń niepowiązaną muzykę tła, unikaj przesterowania i zadbaj, żeby istotny fragment wokalny albo muzyczny był dobrze słyszalny. Użyj krótkiego wycinka pokazującego właściwość, o którą ci chodzi, zamiast domyślnie wgrywać maksymalną długość.
Pięć szablonów promptów pod natywny dźwięk MiniMax H3#
To briefy wyjściowe, a nie deklarowane wyniki testów. Uruchom każdy prompt więcej niż raz i oceń wyniki protokołem z następnej sekcji.
1. Dialog jednej osoby z tonem pomieszczenia#
Użyj tego szablonu do oceny poprawności mowy, podania emocjonalnego, ruchu ust i tego, czy tło zostaje za kwestią.
2. Warstwowe tło ze zsynchronizowanym Foley#
Ten brief izoluje tło, realizm materiałów, separację lewo-prawo i synchronizację kontaktu.
3. Odsłonięcie produktu prowadzone muzyką#
Planowanie wizualne pod konkretny produkt, poza samą ścieżką dźwiękową, opisuje przebieg pracy od zdjęcia do wideo produktowego.
4. Dozwolona referencja głosowa z nowym dialogiem#
Sprawdź, czy zamierzone właściwości głosu przenoszą się bez niezamierzonego skopiowania szumu, frazowania albo treści z nagrania źródłowego. Opisz pożądane cechy słowami, żeby instrukcja pozostała użyteczna nawet wtedy, gdy wierność wobec referencji się waha.
5. Referencja rytmu do montażu na social media#
To oddziela sterowanie rytmem od kopiowania muzyki i daje trzy widoczne punkty synchronizacji do sprawdzenia.
Powtarzalny plan oceny dźwięku w H3#
Jedno dopracowane oficjalne demo nie odpowie na pytanie, czy model pasuje do twojego przebiegu pracy. Użyj tego samego briefu w co najmniej trzech generowaniach, trzymaj czas trwania i referencje bez zmian i oceniaj każdy wynik, zamiast wybierać tylko najmocniejszy.
Najpierw przetestuj warstwy osobno#
Zacznij od czterech kontrolowanych promptów:
- Sam dialog i cichy ton pomieszczenia
- Tło i trzy widoczne zdarzenia Foley, bez mowy i muzyki
- Muzyka instrumentalna z dwoma zaplanowanymi akcentami wizualnymi
- Jedna dozwolona referencja audio w parze z prostą referencją obrazową albo wideo
Dopiero gdy te przejdą pomyślnie, łącz dialog, tło, Foley i muzykę w jednej zatłoczonej scenie. Dzięki temu porażki dają się diagnozować: rozpoznasz, czy problem wynika z wymowy, rytmu, przeniesienia referencji, czy gęstości miksu.
Używaj karty oceny, a nie wrażenia#
| Wymiar | Pytanie, na które odpowiadasz | Prosta miara |
|---|---|---|
| Poprawność dialogu | Czy żądane słowa zostały wypowiedziane poprawnie? | Poprawne słowa podzielone przez żądane |
| Synchronizacja ust | Czy widoczne zamknięcia ust i akcenty sylab się zgadzają? | Ocena 1–5 i pierwszy widoczny rozjazd |
| Synchronizacja zdarzeń | Czy dźwięki kontaktu lądują z pokazaną akcją? | Klatki przed lub po przy trzech planowanych punktach |
| Spójność głosu | Czy osoba mówiąca pozostaje rozpoznawalna przez całą kwestię? | Oceń początek, środek i koniec osobno |
| Kontrola referencji | Czy żądana właściwość przeniosła się bez zbędnego bagażu? | Wypisz przeniesienia zamierzone i niezamierzone |
| Obraz stereo | Czy rozmieszczenie lewo-prawo jest użyteczne i stabilne? | Odsłuch na słuchawkach plus kontrola przebiegu kanałów |
| Hierarchia miksu | Czy główna warstwa jest wyraźnie zrozumiała? | Ocena 1–5 przy normalnym poziomie odtwarzania |
| Powtarzalność | Jak często klip nadaje się do użytku bez naprawy dźwięku? | Użyteczne wyniki podzielone przez wszystkie przebiegi |
Obejrzyj wyeksportowany plik w edytorze wideo albo stacji audio. Potwierdź, że są dwa kanały, posłuchaj problemów fazowych w mono i porównaj przebiegi wokół planowanych zdarzeń kontaktu. Nie wnioskuj o jakości dźwięku z podglądu na platformie społecznościowej, która może rekompresować albo przemapować ścieżkę.
Wskazówka
Zachowaj nieudane generowania. Poprawka promptu jest ulepszeniem tylko wtedy, gdy podnosi odsetek użytecznych wyników w powtarzanych przebiegach, a nie gdy daje jeden szczęśliwy klip.
Ograniczenia, które trzeba wziąć pod uwagę#
Własny post premierowy MiniMax mówi, że H3 wciąż ma pole do poprawy, i wskazuje detal wizualny jako jeden z obszarów przyszłej pracy. Jeśli chodzi o produkcję dźwięku, obecna publiczna dokumentacja zostawia też kilka pytań otwartych. Nie publikuje gwarancji dotyczących współczynnika błędu słów, dokładności synchronizacji ust, głośności, częstotliwości próbkowania, układu kanałów poza stereo, pokrycia językowego, podobieństwa do referencji głosowej ani sterowania wskazówkami co do kodu czasowego.
Planuj wokół tych praktycznych granic:
- Krótki wynik: 4–15 sekund pasuje do ujęć, reklam i klipów na social media, ale ciągłość w długiej formie wymaga montażu z wielu generowań.
- Krótki kontekst referencyjny: dozwolone są maksymalnie trzy klipy audio, ale ich łączny czas nie może przekroczyć 15 sekund.
- Brak żądania z samą referencją audio: referencyjny klip audio musi mieć w parze przynajmniej jeden obraz albo wideo.
- Rytm w języku naturalnym to nie zablokowana oś czasu: traktuj czasy taktów jako intencję, dopóki powtarzane testy nie udowodnią potrzebnej ci precyzji.
- Stereo wymaga weryfikacji: dwa kanały nie tworzą automatycznie wiarygodnego kierunku, głębi ani zgodności z mono.
- Gęste miksy potrafią ukryć błędy: dialog, efekty, tło i muzyka mogą być modelowane razem, ale prostszy brief łatwiej kontrolować i naprawiać.
- Prawa do referencji wciąż obowiązują: możliwości modelu nie dają zgody na imitowanie głosu ani na wykorzystanie chronionej muzyki.
MiniMax H3 jest dostępny przez PixVerse w OmniArt od subskrypcji Creator. Tryby Wideo, Przejście i Referencja obsługują filmy o długości 5–15 sekund w 768p lub 1440p (2K). Tryb referencyjny obsługuje do 9 obrazów, 3 filmów i 3 plików audio. Referencje dźwiękowe wymagają co najmniej jednego obrazu lub filmu. Dokumentacja dostawcy opisuje dźwięk stereo, ale OmniArt nie wystawia osobnej kontrolki dźwięku dla H3. Referencyjny dźwięk może sterować przebiegiem tylko wtedy, gdy żądanie zawiera też przynajmniej jedną referencję wizualną. Sprawdź dostarczony plik, zanim uznasz dźwięk za część planu produkcyjnego. H3 kosztuje 8 kredytów za sekundę wyniku w 768p albo 12 kredytów za sekundę w 2K. W trybie Reference referencyjne wideo używa tej samej wybranej stawki na sekundę; pierwsze pięć obrazów referencyjnych jest wliczonych, każdy kolejny obraz kosztuje 4 kredyty, a referencyjny dźwięk nie dolicza kredytów. oficjalną stronę cennika pay-as-you-go (Otwiera się w nowej karcie) przewodnik po cenniku i specyfikacji H3
Zbuduj resztę ścieżki dźwiękowej w OmniArt#
Natywny dźwięk może ograniczyć przekazywanie plików między narzędziami, ale nie odbiera wartości osobnym narzędziom dźwiękowym. Jeśli podejście H3 ma dobry obraz i słabą narrację, zachowaj obraz i zbuduj kontrolowaną ścieżkę głosową. Jeśli dialog działa, ale pomieszczeniu brakuje faktury, dołóż warstwę tła albo Foley zamiast generować całe ujęcie od nowa.
OmniArt łączy przebiegi pracy nad wideo, mową, dźwiękiem i muzyką w jednej twórczej przestrzeni. Użyj przewodnika po generatorze efektów dźwiękowych AI, żeby zaprojektować zastępczy Foley i tło, albo porównaj podejście do promptów z przewodnikiem po dźwięku przestrzennym w Veo 3.1. Celem nie jest wciśnięcie każdego dźwięku w jedno generowanie. Chodzi o to, żeby zachować natywną ścieżkę tam, gdzie działa, i wymienić tylko tę warstwę, która nie działa.
Gotowy, aby tworzyć?
Zacznij generować świetne treści z AI
Zacznij za darmo