Посібник із нативного звуку MiniMax H3: діалоги, музика й синхронізація

Нативний звук MiniMax H3 робить саундтрек частиною брифу на генерацію, а не файлом, який ви автоматично додаєте, коли картинка вже готова. MiniMax каже, що H3 спільно розуміє текст, зображення, відео та аудіо, а потім генерує відео з нативним стерео. Її навчальний обсяг також трактує голос, звукові ефекти й музику як одну аудіодоменну область, а не як окремі інструменти.

Це справді помітна зміна процесу, але не обіцянка, що кожна репліка буде вимовлена бездоганно, кожен крок ляже в потрібний кадр, а кожне стереозведення буде готовим до публікації. Цей посібник відділяє задокументовані можливості H3 від MiniMax від виробничих тестів, які авторам варто провести самим. Він дає практичну структуру звукового брифу, процес роботи з аудіореференсами, п’ять шаблонів промптів і повторювану картку оцінок — і не видає офіційні демо за незалежні результати.

Що MiniMax офіційно документує про звук H3

MiniMax описує H3 як універсальну мультимодальну відеомодель, а не як генератор німого відео з окремим звуковим проходом. Матеріали до запуску кажуть, що модель генерує нативний стереозвук і спільно моделює голос, звукові ефекти та музику. MiniMax також показує промпт, який поєднує рух камери з відео, персонажа із зображення й вокал, підігнаний під аудіореференс.

Офіційний посібник із генерації відео H3 окреслює поточні межі API:

Є три важливі обмеження. Аудіореференс не можна подати сам по собі: MiniMax вимагає щонайменше одне зображення чи відео поруч із ним. Аудіофайли обмежені 15 МБ кожен, а весь запит зі змішаними референсами — 12 матеріалами. Режим референсів також не можна поєднати в одному запиті з режимом першого чи останнього кадру, тож вирішіть, що для кадру важливіше: точні межові кадри чи ширше мультимодальне кондиціонування.

Складіть звуковий бриф до того, як писати промпт

Найкорисніший промпт для H3 — це не довгий перелік звуків. Це компактний звуковий план, який каже моделі, що має вести, що підтримувати і що мусить статися у видимий момент. Пишіть план у п’ять проходів.

1. Зафіксуйте візуальну дію й тайминг

Синхронізація звуку тримається на видимих подіях. Почніть із кадру, дії об’єкта, руху камери й послідовності акцентів. «A spoon hits the saucer as the camera settles» дає моделі спільну аудіовізуальну подію. «Add a cup sound» не каже ні коли подія стається, ні що її спричиняє.

Для десятисекундного кліпа проста карта акцентів може виглядати так:

• 0–3 секунди: показати приміщення й персонажа
• 3–7 секунд: діалог або основна дія
• 7–10 секунд: показ товару й фінальний звуковий акцент

Сприймайте ці тривалості як режисуру, а не як покадрові монтажні мітки. Виробничий тест має виміряти, наскільки точно результат за ними йде.

2. Назвіть один головний звуковий шар

Оберіть звук, який глядач має помітити першим: діалог, взаємодію з товаром, музичний гачок або частину середовища. Опишіть його найясніше й лишіть навколо нього простір.

Якщо головне — діалог, пропишіть точну репліку в лапках і задайте одну вказівку щодо виконання. Якщо головне — звук товару, опишіть фізичну дію, що його породжує. Якщо головне — музика, вкажіть темп, інструменти, настрій і місце, де аранжування має змінитися.

3. Додайте ембієнс як акустичне місце

Ембієнс має пояснити, де живе кадр. Замість «café sounds» опишіть тихе шипіння еспресо-машини за спиною мовця, приглушену розмову в залі та дзвіночок на дверях удалині. Для чистого товарного ролика просіть контрольований студійний тон приміщення, а не тишу, — якщо тільки тиша не є свідомим творчим рішенням.

Користуйтеся словами про відстань і матеріал, які працюють і для картинки, і для звуку:

• близько, сухо, інтимно й із легкою реверберацією
• далеко, приглушено крізь скло або за кадром ліворуч
• кроки по плитці, рух тканини, дощ по металу або склянка, поставлена на дерево

4. Вирішіть, музика — це саундтрек чи джерело в кадрі

Саундтрек живе поза сценою; джерельна музика йде від об’єкта чи місця всередині неї. Скажіть, що саме ви маєте на увазі. «A restrained electronic score under the dialogue» просить фоновий шар, а «music playing quietly from the café radio, slightly muffled» дає їй акустичне джерело в кадрі.

Коли музика не потрібна, напишіть no music. Так тест діалогу чи фолі оцінювати легше. Коли вона потрібна, лишіть запас для голосу, а не просіть, щоб кожен шар був гучним і драматичним.

5. Пропишіть винятки

Заборонні вказівки щодо звуку корисні, коли захищають бриф. Наприклад: no narration, no crowd cheering, no added melody, no exaggerated whooshes. Тримайте список винятків коротким: забагато обмежень можуть конкурувати з тією дією, якої ви насправді хочете.

Як користуватися аудіореференсами, не плутаючи їхню роль

Система референсів H3 найкорисніша, коли в кожного матеріалу одна робота. Референсний аудіокліп може дати тембр і манеру мовлення, музичну енергію, звукову фактуру або ритм монтажу. Не припускайте, що модель сама знає, яку властивість запозичити.

Перед фінальним промптом складіть карту матеріалів:

Далі опишіть ці зв’язки природною мовою. Власний приклад H3 від MiniMax використовує речення, яке віддає рух камери відеореференсу, виконавця — референсному зображенню, а вокал — аудіореференсу. Нумеровані підписи матеріалів різняться залежно від інтерфейсу, а API користується типізованим контентом і ролями референсів, тож у шаблонах нижче замінюйте підписи на ту нотацію, яку показує ваш процес.

Чисті референси дають чистіші експерименти. Обріжте тишу, приберіть сторонню фонову музику, уникайте перевантаження й тримайте потрібний вокальний чи музичний фрагмент добре чутним. Беріть короткий відрізок, який демонструє потрібну властивість, замість вивантажувати максимальну тривалість за звичкою.

П’ять шаблонів промптів для нативного звуку MiniMax H3

Це стартові брифи, а не заявлені результати тестів. Проженіть кожен промпт більше одного разу й оцініть результати за протоколом із наступного розділу.

1. Діалог одного мовця з тоном приміщення

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.

Цим шаблоном оцінюють точність мовлення, емоційну подачу, рух рота й те, чи ембієнс лишається позаду репліки.

2. Багатошаровий ембієнс із синхронним фолі

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.

Цей бриф ізолює ембієнс, достовірність матеріалів, розділення ліворуч-праворуч і синхронізацію по контакту.

3. Показ товару, ведений музикою

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.

Про планування самої картинки для товарних роликів, поза саундтреком, читайте процес «фото → відео товару».

4. Дозволений голосовий референс із новим діалогом

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.

Перевірте, чи потрібні вокальні якості переносяться без ненавмисного копіювання шуму, фразування чи змісту з вихідного запису. Описуйте потрібні якості словами, щоб інструкція лишалася корисною навіть тоді, коли слухняність до референсу різниться.

5. Ритмічний референс для монтажу в соцмережі

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.

Це відділяє ритмічне кондиціонування від копіювання музики й дає три видимі точки синхронізації для перевірки.

Повторюваний план оцінювання звуку H3

Одне вилизане офіційне демо не відповість, чи пасує модель вашому виробничому процесу. Візьміть той самий бриф щонайменше для трьох генерацій, тримайте тривалість і референси незмінними та оцінюйте кожен результат, а не обирайте лише найсильніший.

Спершу тестуйте шари окремо

Почніть із чотирьох контрольованих промптів:

1. Лише діалог і тихий тон приміщення
2. Ембієнс і три видимі події фолі, без мовлення й музики
3. Інструментальна музика з двома запланованими візуальними акцентами
4. Один дозволений аудіореференс у парі з простим зображенням чи відео

Лише коли ці пройдуть, поєднуйте діалог, ембієнс, фолі й музику в одній насиченій сцені. Так поламки стають діагностованими: ви бачите, чи проблема в вимові, таймингу, перенесенні з референсу чи щільності зведення.

Користуйтеся карткою оцінок, а не враженням

Перевіряйте експортований файл у відеоредакторі чи аудіостанції. Переконайтеся, що каналів справді два, послухайте на фазові проблеми в моно й порівняйте хвилі навколо запланованих подій контакту. Не робіть висновків про якість звуку з прев’ю в соцмережі, яке може перестиснути чи перекласти доріжку.

Обмеження, які варто врахувати

Власний допис MiniMax до запуску каже, що H3 ще має куди рости, і називає візуальну деталізацію одним із напрямів подальшої роботи. Для виробництва звуку поточна публічна документація також лишає кілька питань відкритими. Вона не публікує гарантій щодо частки помилок у словах, точності синхронізації губ, гучності, частоти дискретизації, розкладки каналів понад стерео, покриття мов, схожості з голосовим референсом чи керування акцентами на рівні таймкоду.

Плануйте навколо цих практичних меж:

• Короткий вихід: 4–15 секунд пасують кадрам, рекламі та роликам для соцмереж, але довгі формати потребують монтажу з кількох генерацій.
• Короткий контекст референсів: дозволено до трьох аудіокліпів, але їхня сумарна тривалість не може перевищувати 15 секунд.
• Немає запиту лише з аудіореференсом: референсний аудіокліп має бути в парі щонайменше з одним зображенням чи відео.
• Тайминг природною мовою не є жорстким таймлайном: сприймайте тривалість акцентів як намір, доки повторні тести не доведуть потрібну вам точність.
• Стерео потребує перевірки: два канали не створюють автоматично переконливого напрямку, глибини чи сумісності з моно.
• Щільні зведення ховають помилки: діалог, ефекти, ембієнс і музику модель може вести разом, але простіший бриф легше контролювати й ремонтувати.
• Права на референси лишаються чинними: можливості моделі не дають дозволу імітувати голос чи перевикористовувати захищену музику.

MiniMax H3 тепер доступна користувачам OmniArt на тарифі Creator і вище в режимах Video, Transition і Reference, з виходом 5–15 секунд у 1440p. Режим Reference приймає до дев’яти зображень, трьох відео й трьох аудіокліпів, але не більше 12 матеріалів загалом; референсне аудіо має бути в парі щонайменше з одним зображенням чи відео. OmniArt бере 9 кредитів за секунду виходу плюс 9 кредитів за кожну округлену вгору секунду референсного відео. Перші п’ять референсних зображень безкоштовні, кожне наступне коштує 2 кредити, а референсне аудіо не тарифікується додатково. Нативний звук є частиною виходу H3, і поточна поверхня OmniArt не показує окремого перемикача звуку. Для бюджетування офіційного API поза OmniArt дивіться офіційну сторінку цін pay-as-you-go та посібник із цін і характеристик H3; не підставляйте ставку стороннього хостингу замість власної ціни MiniMax.

Доберіть решту саундтреку в OmniArt

Нативний звук може скоротити кількість передач між інструментами, але не скасовує користі окремих звукових інструментів. Якщо в дублі H3 картинка правильна, а закадровий голос слабкий, лишіть картинку й зберіть контрольовану голосову доріжку. Якщо діалог працює, а приміщенню бракує фактури, додайте шар ембієнсу чи фолі замість перегенерації всього кадру.

OmniArt зводить процеси для відео, мовлення, звуку й музики в один творчий простір. Скористайтеся посібником із ШІ-генератора звукових ефектів, щоб зробити замінне фолі та ембієнс, або порівняйте підхід до промптів із посібником із просторового звуку Veo 3.1. Мета не в тому, щоб запхати кожен звук в одну генерацію. Мета — лишити нативну доріжку там, де вона працює, і замінити лише той шар, який не працює.

Створити з MiniMax H3 в OmniArt