คู่มือเสียงเนทีฟ MiniMax H3: บทสนทนา ดนตรี และการซิงก์

เสียงเนทีฟของ MiniMax H3 เปลี่ยน soundtrack ให้เป็นส่วนหนึ่งของบรีฟการสร้าง แทนที่จะเป็นไฟล์ที่คุณเพิ่มโดยอัตโนมัติหลังภาพเสร็จ MiniMax ระบุว่า H3 เข้าใจข้อความ ภาพ วิดีโอ และเสียงร่วมกัน แล้วสร้างวิดีโอพร้อมเสียงสเตอริโอเนทีฟ ขอบเขตการฝึกยังมองเสียงพูด sound effects และดนตรีเป็นโดเมนเสียงเดียวกัน ไม่ใช่เครื่องมือแยกจากกัน

นี่เป็นการเปลี่ยนแปลงเวิร์กโฟลว์ที่มีความหมาย แต่ไม่ใช่คำสัญญาว่าทุกประโยคจะพูดได้สมบูรณ์ ทุกฝีเท้าจะลงในเฟรมที่ถูกต้อง หรือทุกมิกซ์สเตอริโอจะพร้อมเผยแพร่ คู่มือนี้แยกความสามารถ H3 ที่ MiniMax มีเอกสารรองรับออกจากการทดสอบการผลิตที่ผู้สร้างควรรัน พร้อมให้โครงสร้าง sound brief ที่ใช้งานได้จริง เวิร์กโฟลว์เสียงอ้างอิง เทมเพลตพรอมต์ห้าแบบ และ scorecard ประเมินผลที่ทำซ้ำได้ โดยไม่เสนอเดโมทางการเป็นผลลัพธ์อิสระ

สิ่งที่ MiniMax มีเอกสารอย่างเป็นทางการเกี่ยวกับเสียง H3

MiniMax อธิบาย H3 ว่าเป็นโมเดลวิดีโอมัลติโหมดอเนกประสงค์ ไม่ใช่ตัวสร้างวิดีโอเงียบที่มีขั้นตอนเสียงแยกต่างหาก เอกสารเปิดตัวของบริษัทระบุว่าโมเดลสร้างเสียงสเตอริโอเนทีฟและจำลองเสียงพูด sound effects และดนตรีร่วมกัน MiniMax ยังสาธิตพรอมต์ที่รวมการเคลื่อนกล้องจากวิดีโอ ตัวละครจากภาพ และเสียงร้องที่จับคู่กับเสียงอ้างอิง

คู่มือสร้างวิดีโอ H3 อย่างเป็นทางการกำหนดขอบเขต API ปัจจุบัน:

มีข้อจำกัดสำคัญสามข้อ เสียงอ้างอิงส่งเดี่ยว ๆ ไม่ได้ MiniMax ต้องมีภาพหรือวิดีโออย่างน้อยหนึ่งรายการร่วมด้วย ไฟล์เสียงจำกัดไฟล์ละ 15 MB และคำขอข้อมูลอ้างอิงผสมทั้งหมดจำกัด 12 ไฟล์ โหมดอ้างอิงยังใช้ร่วมกับโหมดเฟรมแรกหรือเฟรมสุดท้ายในคำขอเดียวกันไม่ได้ ดังนั้นให้ตัดสินใจว่าช็อตต้องการเฟรมขอบเขตที่แม่นยำ หรือ multimodal conditioning ที่กว้างกว่ามากกว่ากัน

สร้าง sound brief ก่อนเขียนพรอมต์

พรอมต์ H3 ที่มีประโยชน์ที่สุดไม่ใช่รายชื่อเสียงยาว ๆ แต่เป็นแผนเสียงกระชับที่บอกโมเดลว่าสิ่งใดควรนำ สิ่งใดควรสนับสนุน และสิ่งใดต้องเกิดขึ้นในช่วงเวลาที่มองเห็น เขียนแผนเป็นห้ารอบ

1. ล็อกแอ็กชันภาพและจังหวะเวลา

การซิงก์เสียงขึ้นกับเหตุการณ์ที่มองเห็น เริ่มด้วยช็อต แอ็กชันของตัวแบบ การเคลื่อนกล้อง และลำดับ beat “ช้อนกระทบจานรองขณะที่กล้องหยุดนิ่ง” ทำให้โมเดลมีเหตุการณ์ภาพและเสียงร่วมกัน “เพิ่มเสียงแก้ว” ไม่ได้บอกว่าเหตุการณ์เกิดเมื่อใดหรืออะไรเป็นสาเหตุ

สำหรับคลิป 10 วินาที แผน beat ง่าย ๆ อาจเป็น:

• 0–3 วินาที: สร้างฉากห้องและตัวแบบ
• 3–7 วินาที: บทสนทนาหรือแอ็กชันหลัก
• 7–10 วินาที: เผยผลิตภัณฑ์และสัญญาณเสียงสุดท้าย

ถือว่าเวลานั้นเป็นทิศทาง ไม่ใช่ marker ตัดต่อที่แม่นระดับเฟรม การทดสอบการผลิตควรวัดว่าเอาต์พุตทำตามได้ใกล้เพียงใด

2. ตั้งชื่อเลเยอร์เสียงหลักหนึ่งอย่าง

เลือกเสียงที่ผู้ชมต้องสังเกตเป็นอย่างแรก: บทสนทนา ปฏิสัมพันธ์กับผลิตภัณฑ์ musical hook หรือส่วนหนึ่งของเสียงสิ่งแวดล้อม ให้ถ้อยคำที่ชัดที่สุดและกันพื้นที่รอบมัน

หากบทสนทนาเป็นหลัก ให้เขียนประโยคที่แน่นอนในเครื่องหมายคำพูดและกำหนดทิศทางการแสดงหนึ่งอย่าง หากเสียงผลิตภัณฑ์เป็นหลัก ให้อธิบายแอ็กชันทางกายภาพที่สร้างเสียงนั้น หากดนตรีเป็นหลัก ให้ระบุ tempo เครื่องดนตรี mood และจุดที่ arrangement ควรเปลี่ยน

3. เพิ่มบรรยากาศในฐานะสถานที่ทางเสียง

บรรยากาศควรอธิบายว่าช็อตอาศัยอยู่ที่ใด แทน “เสียงคาเฟ่” ให้บรรยายเสียงเครื่อง espresso เบา ๆ ด้านหลังผู้พูด การสนทนาในห้องระดับต่ำ และเสียงกริ่งประตูไกล ๆ สำหรับโฆษณาผลิตภัณฑ์ที่สะอาด ขอ studio room tone ที่ควบคุมได้แทนความเงียบ เว้นแต่ความเงียบคือทางเลือกสร้างสรรค์โดยเจตนา

ใช้คำเรื่องระยะและวัสดุที่ใช้ได้ทั้งภาพและเสียง:

• ใกล้ แห้ง ใกล้ชิด และ reverberant เล็กน้อย
• ไกล อู้อี้ผ่านกระจก หรืออยู่นอกกล้องด้านซ้าย
• ฝีเท้าบนกระเบื้อง การขยับผ้า ฝนบนโลหะ หรือวางแก้วบนไม้

4. ตัดสินใจว่าดนตรีเป็น score หรือ source

Score อยู่ภายนอกฉาก; source music มาจากวัตถุหรือสถานที่ภายในฉาก ระบุว่าคุณหมายถึงแบบใด “ดนตรี electronic ที่ยับยั้งอยู่ใต้บทสนทนา” ขอเลเยอร์พื้นหลัง ขณะที่ “เพลงเล่นเบา ๆ จากวิทยุในคาเฟ่ อู้อี้เล็กน้อย” ให้แหล่งกำเนิดเสียงในภาพ

เมื่อไม่ต้องการดนตรี ให้ระบุ no music วิธีนี้ทำให้ประเมินบทสนทนาหรือ Foley ได้ง่ายขึ้น เมื่อจำเป็น ให้เหลือ headroom สำหรับเสียงพูดแทนขอให้ทุกเลเยอร์ดังและดรามาติก

5. ระบุสิ่งที่ต้องไม่เอา

คำสั่งเสียงเชิงลบมีประโยชน์เมื่อปกป้องบรีฟ ตัวอย่างคือ no narration, no crowd cheering, no added melody และ no exaggerated whooshes ให้รายการข้อยกเว้นสั้นเกินไป ข้อจำกัดมากเกินไปอาจแข่งกับแอ็กชันที่คุณต้องการจริง

ใช้เสียงอ้างอิงโดยไม่สับสนเรื่องบทบาท

ระบบข้อมูลอ้างอิงของ H3 มีประโยชน์ที่สุดเมื่อทุกไฟล์มีงานเดียว คลิปเสียงอ้างอิงอาจให้ timbre และ cadence ของเสียงพูด พลังดนตรี texture เสียง หรือจังหวะตัดต่อ อย่าสันนิษฐานว่าโมเดลรู้ว่าต้องยืมคุณสมบัติใด

เขียนแผนผังไฟล์ก่อนสรุปพรอมต์:

จากนั้นอธิบายความสัมพันธ์เหล่านั้นด้วยภาษาธรรมชาติ ตัวอย่าง H3 ของ MiniMax เองใช้ประโยคที่มอบการเคลื่อนกล้องให้วิดีโออ้างอิง ผู้แสดงให้ภาพอ้างอิง และเสียงร้องให้เสียงอ้างอิง ป้ายไฟล์แบบมีหมายเลขแตกต่างกันไปตามอินเทอร์เฟซ ขณะที่ API ใช้ content แบบมี type และ reference roles ดังนั้นให้แทนป้ายในเทมเพลตด้านล่างด้วยรูปแบบที่แน่นอนที่เวิร์กโฟลว์ของคุณแสดง

ข้อมูลอ้างอิงสะอาดทำให้การทดลองสะอาดขึ้น ตัดความเงียบ ตัดดนตรีพื้นหลังที่ไม่เกี่ยวข้อง หลีกเลี่ยง clipping และให้ช่วงเสียงพูดหรือดนตรีที่เกี่ยวข้องได้ยินง่าย ใช้ช่วงสั้นที่แสดงคุณสมบัติที่ต้องการ แทนการอัปโหลดระยะเวลาสูงสุดโดยอัตโนมัติ

เทมเพลตพรอมต์เสียงเนทีฟ MiniMax H3 ห้าแบบ

นี่คือบรีฟตั้งต้น ไม่ใช่ผลทดสอบที่กล่าวอ้าง รันแต่ละพรอมต์มากกว่าหนึ่งครั้งและให้คะแนนเอาต์พุตด้วย protocol ในส่วนถัดไป

1. บทสนทนาผู้พูดคนเดียวพร้อม room tone

Close-up of a chef at the pass in a quiet restaurant kitchen after service. The camera makes a slow push-in as she looks toward a colleague off-camera and says, “We try it again tomorrow.” Delivery: tired but quietly optimistic, natural pace, one short breath before “tomorrow.” Her voice is the primary audio layer, close and dry. Low ventilation hum and occasional metal cooling sounds remain distant. No music, no narration, no other voices.

ใช้เทมเพลตนี้ประเมินความแม่นยำของคำพูด การส่งอารมณ์ การเคลื่อนไหวปาก และว่าบรรยากาศอยู่หลังประโยคหรือไม่

2. บรรยากาศเป็นชั้นพร้อม Foley ที่ซิงก์

Wide shot inside a nearly empty laundromat at night, fluorescent light reflecting on the tiled floor. A person moves a wet jacket from a washer to a rolling basket; the metal door clicks shut exactly when their hand closes it, then the basket wheels rattle softly across tile. Foreground: fabric movement and the door click. Mid-ground: steady washer rotation. Background: rain against the front window and one distant car passing outside. Native stereo mix, no dialogue, no music.

บรีฟนี้แยกบรรยากาศ ความสมจริงของวัสดุ การแยกซ้าย-ขวา และการซิงก์เสียงสัมผัสออกมาตรวจได้

3. การเผยผลิตภัณฑ์ที่นำด้วยดนตรี

Ten-second vertical product film for a translucent coral sports bottle on a lilac studio surface. Start with a macro shot of condensation, then orbit as the bottle rises into the hero position. Original minimal electronic score at 100 BPM: soft pulse for the opening, a clean percussive accent when the logo faces camera, then a short resolved final note. Add subtle droplets and one controlled placement sound. Music supports the product sounds rather than masking them. No voice and no stock-style cinematic boom.

สำหรับการวางแผนภาพของผลิตภัณฑ์เพิ่มเติมนอกเหนือจาก soundtrack ใช้เวิร์กโฟลว์ภาพเป็นวิดีโอผลิตภัณฑ์

4. เสียงอ้างอิงที่ได้รับอนุญาตพร้อมบทสนทนาใหม่

Use voice reference 1 only for the narrator's vocal timbre, speaking pace, and warm conversational energy. Do not reuse its words or background noise. The person from image reference 1 stands beside the window and says, “The first draft is only the beginning.” Keep the spoken line intelligible and synchronized to the visible speaker. Add a quiet residential room tone and soft rain outside. No music. The voice recording is authorized for this use.

ทดสอบว่าคุณสมบัติเสียงที่ตั้งใจถ่ายโอนโดยไม่ได้คัดลอก noise ถ้อยวลี หรือเนื้อหาจากไฟล์บันทึกต้นทางโดยไม่ตั้งใจหรือไม่ บรรยายคุณสมบัติที่ต้องการด้วยคำเพื่อให้คำสั่งยังมีประโยชน์ แม้การยึดตามข้อมูลอ้างอิงจะแปรผัน

5. ข้อมูลอ้างอิงจังหวะสำหรับ social edit

Create a 12-second montage of a ceramic artist shaping, glazing, and placing a finished cup on a shelf. Use audio reference 1 only for tempo, rhythmic energy, and edit pacing. Compose an original percussive track with different melody and sound design. Cut the visual action on the major rhythmic changes: clay lands on the wheel, brush touches glaze, cup reaches the shelf. Preserve natural wheel rotation, brush texture, and the final ceramic tap beneath the music. No dialogue.

วิธีนี้แยก rhythmic conditioning ออกจากการคัดลอกดนตรี และให้คุณมีจุดซิงก์ที่มองเห็นสามจุดเพื่อตรวจ

แผนประเมินเสียง H3 ที่ทำซ้ำได้

เดโมทางการที่ขัดเงาเพียงหนึ่งชิ้นตอบไม่ได้ว่าโมเดลเหมาะกับเวิร์กโฟลว์การผลิตของคุณหรือไม่ ใช้บรีฟเดียวกันอย่างน้อยสาม generation คงระยะเวลาและข้อมูลอ้างอิงไว้ และให้คะแนนทุกเอาต์พุตแทนเลือกเพียงผลลัพธ์ที่ดีที่สุด

ทดสอบแต่ละเลเยอร์แยกกันก่อน

เริ่มด้วยพรอมต์ควบคุมสี่แบบ:

1. บทสนทนาและ room tone เงียบ ๆ เท่านั้น
2. บรรยากาศและเหตุการณ์ Foley ที่มองเห็นสามเหตุการณ์ โดยไม่มีคำพูดหรือดนตรี
3. ดนตรีบรรเลงพร้อม accent ภาพที่วางแผนไว้สองจุด
4. เสียงอ้างอิงที่ได้รับอนุญาตหนึ่งรายการจับคู่กับภาพหรือวิดีโออ้างอิงแบบง่าย

หลังจากส่วนเหล่านั้นผ่านแล้วเท่านั้นจึงรวมบทสนทนา บรรยากาศ Foley และดนตรีในฉากที่หนาแน่นหนึ่งฉาก วิธีนี้ทำให้วิเคราะห์ความล้มเหลวได้: คุณบอกได้ว่าปัญหามาจากการออกเสียง จังหวะเวลา การถ่ายโอนข้อมูลอ้างอิง หรือความหนาแน่นของมิกซ์

ใช้ scorecard ไม่ใช่ความประทับใจ

ตรวจไฟล์ที่ export ใน video editor หรือ audio workstation ยืนยันว่ามีสองช่องสัญญาณ ฟังปัญหา phase ใน mono และเปรียบเทียบ waveform รอบเหตุการณ์สัมผัสที่วางแผนไว้ อย่าสรุปคุณภาพเสียงจาก preview บน social platform ซึ่งอาจ recompress หรือ remap soundtrack

ข้อจำกัดที่ต้องวางแผนรับมือ

โพสต์เปิดตัวของ MiniMax เองระบุว่า H3 ยังมีพื้นที่ให้ปรับปรุง และชี้รายละเอียดภาพเป็นหนึ่งในด้านสำหรับงานอนาคต สำหรับการผลิตเสียง เอกสารสาธารณะปัจจุบันก็ยังเปิดคำถามหลายข้อ ไม่ได้เผยแพร่การรับประกันเรื่อง word error rate ความแม่นยำ lip-sync loudness sample rate โครงสร้างช่องสัญญาณนอกเหนือจากสเตอริโอ ขอบเขตภาษา ความคล้ายของเสียงอ้างอิง หรือการควบคุม cue ระดับ timecode

วางแผนตามขอบเขตในทางปฏิบัติเหล่านี้:

• เอาต์พุตสั้น: 4–15 วินาทีเหมาะกับช็อต โฆษณา และคลิป social แต่ความต่อเนื่อง long-form ต้องตัดต่อข้ามหลาย generation
• บริบทอ้างอิงสั้น: อนุญาตคลิปเสียงสูงสุดสามคลิป แต่ระยะเวลารวมต้องไม่เกิน 15 วินาที
• ไม่มีคำขออ้างอิงแบบเสียงล้วน: คลิปเสียงอ้างอิงต้องจับคู่กับภาพหรือวิดีโออย่างน้อยหนึ่งรายการ
• จังหวะเวลาด้วยภาษาธรรมชาติไม่ใช่ไทม์ไลน์ที่ล็อก: ถือ beat timing เป็นเจตนาจนการทดสอบซ้ำพิสูจน์ความแม่นยำที่คุณต้องการ
• สเตอริโอต้องยืนยัน: สองช่องสัญญาณไม่ได้สร้างทิศทาง ความลึก หรือความเข้ากันได้กับ mono ที่น่าเชื่อโดยอัตโนมัติ
• มิกซ์หนาแน่นอาจซ่อนข้อผิดพลาด: บทสนทนา effects บรรยากาศ และดนตรีอาจจำลองร่วมกันได้ แต่บรีฟที่เรียบง่ายควบคุมและแก้ไขง่ายกว่า
• สิทธิ์ข้อมูลอ้างอิงยังมีผล: ความสามารถโมเดลไม่ได้ให้สิทธิ์เลียนแบบเสียงหรือใช้ดนตรีที่ได้รับการคุ้มครองซ้ำ

MiniMax H3 พร้อมใช้งานผ่าน PixVerse บน OmniArt ตั้งแต่แพ็กเกจ Creator ขึ้นไป โหมดวิดีโอ การเปลี่ยนผ่าน และอ้างอิงรองรับวิดีโอยาว 5–15 วินาทีที่ 768p หรือ 1440p (2K) โหมดอ้างอิงรองรับภาพสูงสุด 9 ภาพ วิดีโอ 3 ไฟล์ และเสียง 3 ไฟล์ เสียงอ้างอิงต้องใช้คู่กับภาพหรือวิดีโออย่างน้อยหนึ่งรายการ ขณะนี้ OmniArt ไม่มีตัวควบคุมเสียง H3 แยกต่างหาก เสียงอ้างอิงใช้เป็นแนวทาง แต่ไม่ได้รับประกันว่าทุกผลลัพธ์จะมีแทร็กเสียงพร้อมใช้ โปรดตรวจสอบไฟล์ที่ได้รับจริง ใช้ 8 (768p) / 12 (2K) เครดิตต่อวินาทีเอาต์พุต ใน Reference วิดีโออ้างอิงเพิ่ม 8 (768p) / 12 (2K) เครดิตต่อวินาทีที่ปัดขึ้น ภาพห้าภาพแรกอยู่ในราคาแล้ว ภาพถัดไปภาพละ 4 เครดิต และเสียงอ้างอิงไม่เพิ่มเครดิต หน้าราคา pay-as-you-go ทางการ คู่มือราคา H3

สร้าง soundtrack ส่วนที่เหลือใน OmniArt

เสียงเนทีฟลดการส่งต่องานได้ แต่ไม่ได้ลดคุณค่าของเครื่องมือเสียงแยกต่างหาก หากช็อต H3 ได้ภาพถูกต้องแต่ narration อ่อน ให้เก็บภาพไว้และสร้าง voice track ที่ควบคุมได้ หากบทสนทนาใช้ได้แต่ห้องขาด texture ให้เพิ่มเลเยอร์ ambience หรือ Foley แทนสร้างช็อตทั้งหมดใหม่

OmniArt รวมเวิร์กโฟลว์วิดีโอ เสียงพูด เสียง และดนตรีไว้ในพื้นที่ทำงานสร้างสรรค์เดียว ใช้คู่มือเครื่องมือสร้าง sound effect ด้วย AIเพื่อออกแบบ Foley และ ambience ทดแทน หรือเปรียบเทียบวิธีเขียนพรอมต์กับคู่มือ spatial audio ของ Veo 3.1 เป้าหมายไม่ใช่บังคับทุกเสียงให้อยู่ในการสร้างเดียว แต่คือเก็บแทร็กเนทีฟไว้เมื่อใช้ได้ และแทนที่เฉพาะเลเยอร์ที่ใช้ไม่ได้

สร้างด้วย MiniMax H3 บน OmniArt