Hướng dẫn âm thanh gốc MiniMax H3: thoại, nhạc và đồng bộ

Âm thanh gốc MiniMax H3 biến soundtrack thành một phần của brief tạo, thay vì file bạn mặc định thêm sau khi hình đã xong. MiniMax nói H3 hiểu chung văn bản, ảnh, video và âm thanh, rồi tạo video kèm âm thanh stereo gốc. Phạm vi huấn luyện cũng coi giọng, hiệu ứng âm thanh và nhạc là một domain âm thanh duy nhất thay vì các công cụ tách rời.

Đó là thay đổi workflow có ý nghĩa, nhưng không phải lời hứa rằng mọi câu sẽ được nói hoàn hảo, mọi bước chân sẽ rơi đúng khung hình, hay mọi mix stereo sẽ sẵn sàng xuất bản. Hướng dẫn này tách khả năng H3 đã được MiniMax ghi nhận khỏi các bài kiểm sản xuất creator nên chạy. Nó cho bạn cấu trúc sound-brief thực tế, workflow tham chiếu âm thanh, năm template prompt, và scorecard đánh giá lặp lại được mà không trình bày demo chính thức như kết quả độc lập.

MiniMax ghi nhận chính thức gì về âm thanh H3

MiniMax mô tả H3 như mô hình video đa phương thức đa năng, không phải generator video im lặng với pass âm thanh riêng. Tài liệu ra mắt của công ty nói mô hình tạo âm thanh stereo gốc và mô hình hóa chung giọng, hiệu ứng âm thanh và nhạc. MiniMax cũng demo một prompt kết hợp chuyển động máy từ video, nhân vật từ ảnh, và vocal khớp với tham chiếu âm thanh.

Hướng dẫn tạo video H3 chính thức định nghĩa ranh giới API hiện tại:

Có ba ràng buộc quan trọng. Tham chiếu âm thanh không thể gửi một mình; MiniMax yêu cầu ít nhất một ảnh hoặc video kèm theo. File âm thanh giới hạn 15 MB mỗi file, và yêu cầu tham chiếu hỗn hợp hoàn chỉnh giới hạn 12 asset. Chế độ tham chiếu cũng không thể kết hợp với chế độ first-frame hoặc last-frame trong cùng yêu cầu, nên quyết định xem khung biên chính xác hay điều kiện đa phương thức rộng hơn quan trọng hơn cho shot.

Xây sound brief trước khi viết prompt

Prompt H3 hữu ích nhất không phải danh sách dài các âm thanh. Mà là kế hoạch âm thanh gọn bảo mô hình cái gì nên dẫn, cái gì hỗ trợ, và cái gì phải xảy ra tại khoảnh khắc nhìn thấy được. Viết kế hoạch qua năm pass.

1. Khóa hành động hình ảnh và timing

Đồng bộ âm thanh phụ thuộc sự kiện nhìn thấy. Bắt đầu với shot, hành động chủ thể, chuyển động máy, và chuỗi beat. “Muỗng chạm đĩa khi máy dừng” cho mô hình sự kiện audiovisual chung. “Thêm tiếng cốc” không nói sự kiện xảy ra khi nào hay cái gì gây ra nó.

Cho clip 10 giây, beat map đơn giản có thể là:

• 0–3 giây: thiết lập phòng và chủ thể
• 3–7 giây: thoại hoặc hành động chính
• 7–10 giây: product reveal và cue âm thanh cuối

Coi các timing đó là chỉ đạo, không phải marker edit chính xác từng khung. Bài kiểm sản xuất nên đo đầu ra bám sát chúng thế nào.

2. Đặt tên một lớp âm thanh chính

Chọn âm thanh khán giả phải chú ý trước: thoại, tương tác sản phẩm, hook nhạc, hoặc một mảnh âm thanh môi trường. Cho nó wording rõ nhất và bảo vệ khoảng trống quanh nó.

Nếu thoại là chính, viết đúng câu trong dấu ngoặc kép và chỉ định một hướng diễn. Nếu âm thanh sản phẩm là chính, mô tả hành động vật lý tạo ra nó. Nếu nhạc là chính, nêu tempo, instrumentation, mood, và chỗ arrangement nên đổi.

3. Thêm ambience như nơi có âm học

Ambience nên giải thích shot sống ở đâu. Thay vì “tiếng quán cà phê,” mô tả tiếng rít máy espresso êm phía sau người nói, trò thoại phòng thấp, và chuông cửa từ xa. Với spot sản phẩm sạch, yêu cầu room tone studio có kiểm soát thay vì im lặng trừ khi im lặng là lựa chọn sáng tạo có chủ đích.

Dùng từ khoảng cách và chất liệu có thể áp dụng cho cả hình và âm thanh:

• gần, khô, thân mật, và vang nhẹ
• xa, nghẹt qua kính, hoặc ngoài máy bên trái
• bước chân trên gạch, chuyển động vải, mưa trên kim loại, hoặc ly đặt lên gỗ

4. Quyết định nhạc là score hay source

Score nằm ngoài cảnh; source music đến từ vật thể hoặc địa điểm trong cảnh. Nêu rõ bạn muốn cái nào. “Score điện tử kiềm chế dưới thoại” yêu cầu lớp nền, trong khi “nhạc phát êm từ radio quán, hơi nghẹt” cho nó nguồn âm học trên màn hình.

Khi không cần nhạc, viết no music. Điều này giữ bài kiểm thoại hoặc Foley dễ đánh giá hơn. Khi cần, chừa headroom cho giọng thay vì yêu cầu mọi lớp đều to và kịch tính.

5. Nêu các loại trừ

Chỉ đạo âm thanh phủ định hữu ích khi nó bảo vệ brief. Ví dụ gồm no narration, no crowd cheering, no added melody, và no exaggerated whooshes. Giữ danh sách loại trừ ngắn; quá nhiều ràng buộc có thể cạnh tranh với hành động bạn thực sự muốn.

Cách dùng tham chiếu âm thanh mà không làm rối vai trò

Hệ thống tham chiếu của H3 hữu ích nhất khi mỗi asset có một việc. Clip âm thanh tham chiếu có thể cung cấp timbre và cadence vocal, năng lượng nhạc, texture âm thanh, hoặc nhịp dựng. Đừng giả định mô hình biết thuộc tính nào cần mượn.

Viết bản đồ asset trước prompt cuối:

Rồi mô tả các quan hệ đó bằng ngôn ngữ tự nhiên. Ví dụ H3 của chính MiniMax dùng câu gán chuyển động máy cho tham chiếu video, performer cho tham chiếu ảnh, và vocal cho tham chiếu âm thanh. Nhãn asset đánh số khác theo giao diện, trong khi API dùng content có kiểu và role tham chiếu, nên thay nhãn trong các template bên dưới bằng ký hiệu chính xác hiển thị trong workflow của bạn.

Tham chiếu sạch tạo thí nghiệm sạch hơn. Cắt im lặng, bỏ nhạc nền không liên quan, tránh clipping, và giữ đoạn vocal hoặc nhạc liên quan dễ nghe. Dùng đoạn ngắn thể hiện thuộc tính bạn muốn thay vì mặc định tải thời lượng tối đa.

Năm template prompt âm thanh gốc MiniMax H3

Đây là brief khởi đầu, không phải kết quả kiểm thử được tuyên bố. Chạy mỗi prompt nhiều hơn một lần và chấm các đầu ra theo protocol ở mục tiếp theo.

1. Thoại một người với room tone

Cận cảnh một đầu bếp ở bàn ra món trong căn bếp nhà hàng yên tĩnh sau giờ phục vụ. Máy quay tiến chậm khi cô ấy nhìn về phía một đồng nghiệp ngoài khung hình và nói: “Ngày mai chúng ta thử lại.” Cách thể hiện: mệt nhưng lạc quan một cách lặng lẽ, nhịp độ tự nhiên, một hơi thở ngắn trước từ “ngày mai”. Giọng của cô ấy là lớp âm thanh chính, gần và khô. Tiếng ù thông gió thấp và âm thanh kim loại nguội dần thỉnh thoảng xuất hiện vẫn ở xa. Không nhạc, không thuyết minh, không giọng nói khác.

Dùng template này để đánh giá độ chính xác lời nói, truyền đạt cảm xúc, chuyển động miệng, và liệu ambience có ở lại phía sau câu thoại không.

2. Ambience xếp lớp với Foley đồng bộ

Góc rộng trong một tiệm giặt gần như trống vào ban đêm, ánh đèn huỳnh quang phản chiếu trên nền gạch. Một người chuyển áo khoác ướt từ máy giặt sang giỏ có bánh xe; cửa kim loại khép lại với tiếng tách đúng lúc tay họ đóng cửa, rồi bánh xe giỏ lăn lạch cạch nhẹ trên nền gạch. Tiền cảnh: chuyển động của vải và tiếng tách của cửa. Trung cảnh: máy giặt quay đều. Hậu cảnh: mưa đập vào cửa sổ phía trước và một chiếc xe xa xa đi ngang bên ngoài. Bản phối stereo gốc, không thoại, không nhạc.

Brief này cô lập ambience, thực tế chất liệu, tách trái–phải, và đồng bộ tiếp xúc.

3. Product reveal dẫn bởi nhạc

Phim sản phẩm dọc dài 10 giây cho một bình thể thao màu coral trong mờ trên bề mặt studio màu lilac. Bắt đầu bằng cảnh macro hạt ngưng tụ, rồi quay vòng khi bình nâng lên vị trí chính. Nhạc nền điện tử tối giản nguyên bản ở 100 BPM: nhịp đập nhẹ cho phần mở đầu, một điểm nhấn bộ gõ rõ nét khi logo hướng về máy quay, sau đó là một nốt kết ngắn gọn, trọn vẹn. Thêm các giọt nước tinh tế và một âm thanh đặt vật có kiểm soát. Nhạc hỗ trợ âm thanh của sản phẩm thay vì che lấp chúng. Không giọng nói và không tiếng bùng nổ điện ảnh kiểu stock.

Với lập kế hoạch hình ảnh sản phẩm ngoài soundtrack, dùng workflow ảnh sang video sản phẩm.

4. Tham chiếu giọng được phép với thoại mới

Chỉ dùng tham chiếu giọng 1 cho âm sắc giọng, nhịp nói và năng lượng trò chuyện ấm áp của người thuyết minh. Không dùng lại lời nói hoặc tiếng ồn nền của bản tham chiếu. Người trong tham chiếu ảnh 1 đứng cạnh cửa sổ và nói: “Bản nháp đầu tiên chỉ là khởi đầu.” Giữ câu nói rõ ràng và đồng bộ với người nói đang xuất hiện. Thêm room tone yên tĩnh của một căn nhà và tiếng mưa nhẹ bên ngoài. Không nhạc. Bản ghi giọng nói được cho phép dùng cho mục đích này.

Kiểm xem các phẩm chất giọng mong muốn có chuyển qua mà không vô tình sao chép noise, phrasing, hoặc nội dung từ bản ghi nguồn không. Mô tả phẩm chất mong muốn bằng lời để chỉ dẫn vẫn hữu ích ngay cả khi độ bám tham chiếu thay đổi.

5. Tham chiếu nhịp cho social edit

Tạo một montage dài 12 giây về một nghệ nhân gốm tạo hình, tráng men và đặt chiếc cốc hoàn thiện lên kệ. Chỉ dùng tham chiếu âm thanh 1 cho nhịp độ, năng lượng tiết tấu và tốc độ dựng. Soạn một bản nhạc bộ gõ nguyên bản với giai điệu và thiết kế âm thanh khác. Cắt hành động hình ảnh tại các thay đổi nhịp lớn: đất sét chạm bàn xoay, cọ chạm men, cốc chạm kệ. Giữ chuyển động quay tự nhiên của bàn xoay, chất liệu âm thanh của cọ và tiếng gốm chạm nhẹ cuối cùng dưới nền nhạc. Không thoại.

Điều này tách điều kiện nhịp khỏi sao chép nhạc và cho bạn ba điểm đồng bộ nhìn thấy được để kiểm.

Kế hoạch đánh giá âm thanh H3 lặp lại được

Một demo chính thức bóng bẩy không trả lời được mô hình có khớp workflow sản xuất của bạn không. Dùng cùng brief cho ít nhất ba lần tạo, giữ thời lượng và tham chiếu cố định, và chấm mọi đầu ra thay vì chỉ chọn kết quả mạnh nhất.

Kiểm các lớp riêng trước

Bắt đầu với bốn prompt có kiểm soát:

1. Chỉ thoại và room tone êm
2. Ambience và ba sự kiện Foley nhìn thấy, không lời nói hay nhạc
3. Nhạc instrumental với hai accent hình ảnh đã lên kế hoạch
4. Một tham chiếu âm thanh được ủy quyền ghép với tham chiếu ảnh hoặc video đơn giản

Chỉ sau khi những cái đó pass mới kết hợp thoại, ambience, Foley và nhạc trong một cảnh đông. Điều này làm thất bại chẩn đoán được: bạn biết vấn đề đến từ phát âm, timing, chuyển tham chiếu, hay mật độ mix.

Dùng scorecard, không phải ấn tượng

Kiểm file xuất trong video editor hoặc audio workstation. Xác nhận có hai kênh, nghe vấn đề phase ở mono, và so waveform quanh các sự kiện tiếp xúc đã lên kế hoạch. Đừng suy ra chất lượng âm thanh từ preview nền tảng mạng xã hội, vốn có thể nén lại hoặc remap soundtrack.

Giới hạn cần lập kế hoạch quanh

Bài ra mắt của chính MiniMax nói H3 vẫn còn chỗ cải thiện và nêu chi tiết hình ảnh là một hướng công việc tương lai. Với sản xuất âm thanh, tài liệu công khai hiện tại cũng để mở vài câu hỏi. Nó không công bố đảm bảo cho word error rate, độ chính xác lip-sync, loudness, sample rate, layout kênh ngoài stereo, phủ ngôn ngữ, độ tương tự tham chiếu giọng, hay kiểm soát cue cấp timecode.

Lập kế hoạch quanh các ranh giới thực tế này:

• Đầu ra ngắn: 4–15 giây phù hợp shot, quảng cáo và clip mạng xã hội, nhưng continuity dài form cần dựng qua nhiều lần tạo.
• Ngữ cảnh tham chiếu ngắn: Tối đa ba clip âm thanh được phép, nhưng tổng thời lượng không vượt 15 giây.
• Không yêu cầu tham chiếu chỉ-âm-thanh: Clip âm thanh tham chiếu phải ghép với ít nhất một ảnh hoặc video.
• Timing ngôn ngữ tự nhiên không phải timeline khóa: Coi timing beat là ý định cho đến khi kiểm lặp chứng minh độ chính xác bạn cần.
• Stereo cần xác minh: Hai kênh không tự động tạo hướng tin cậy, chiều sâu, hay tương thích mono.
• Mix dày có thể che lỗi: Thoại, hiệu ứng, ambience và nhạc có thể được mô hình hóa cùng nhau, nhưng brief đơn giản dễ kiểm soát và sửa hơn.
• Quyền tham chiếu vẫn áp dụng: Khả năng mô hình không cấp quyền bắt chước giọng hay tái sử dụng nhạc được bảo vệ.

Tình trạng sẵn có, điều khiển giao diện và billing cũng có thể đổi. Bảng giá chính thức hiện tại của MiniMax liệt kê tài liệu tham chiếu âm thanh không có phí đầu vào riêng, trong khi đầu ra video và một số tài liệu tham chiếu khác được tính theo quy tắc riêng. Kiểm trang giá pay-as-you-go chính thức trước khi lập ngân sách sản xuất API; đừng thay mức giá host bên thứ ba cho giá của chính MiniMax. Hướng dẫn giá và thông số H3 đi qua mức giá chính thức của MiniMax và chi phí tài liệu tham chiếu. Catalog mô hình OmniArt hiện tại không xác lập tình trạng sẵn có của H3, nên hướng dẫn này không tuyên bố H3 đã có thể tạo trong OmniArt.

Xây phần còn lại của soundtrack trong OmniArt

Âm thanh gốc có thể giảm handoff, nhưng không xóa giá trị của công cụ âm thanh riêng. Nếu take H3 có hình đúng và lời thoại yếu, giữ hình và dựng track giọng có kiểm soát. Nếu thoại ổn nhưng phòng thiếu texture, thêm lớp ambience hoặc Foley thay vì tạo lại toàn shot.

OmniArt gom workflow video, speech, âm thanh và nhạc vào một workspace sáng tạo. Dùng hướng dẫn generator hiệu ứng âm thanh AI để thiết kế Foley và ambience thay thế, hoặc so cách tiếp cận prompt với hướng dẫn spatial audio Veo 3.1. Mục tiêu không phải ép mọi âm thanh vào một lần tạo. Mà là giữ track gốc khi nó ổn và chỉ thay lớp không ổn.

Khám phá workflow tạo video trên OmniArt