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 tài sản. 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 tài sản 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 tài sản 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 tài sản 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

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.

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

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.

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

3. Product reveal dẫn bởi nhạc

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.

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

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.

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

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.

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.

MiniMax H3 có trên OmniArt qua PixVerse từ gói Creator trở lên. Các chế độ Video, Chuyển tiếp và Tham chiếu hỗ trợ đầu ra 5–15 giây ở 768p hoặc 1440p (2K). Chế độ tham chiếu hỗ trợ tối đa 9 ảnh, 3 video và 3 tệp âm thanh. Âm thanh tham chiếu phải đi kèm ít nhất một ảnh hoặc video. OmniArt hiện không hiển thị điều khiển âm thanh H3 riêng. Âm thanh tham chiếu chỉ dùng để hướng dẫn, không bảo đảm mọi kết quả đều có bản âm thanh sẵn sàng sản xuất; hãy kiểm tra tệp nhận được. H3 tốn 8 (768p) / 12 (2K) tín dụng cho mỗi giây đầu ra. Trong Reference, video tham chiếu cộng 8 (768p) / 12 (2K) tín dụng cho mỗi giây làm tròn lên; năm ảnh đã được tính trong giá, mỗi ảnh sau đó tốn 4 tín dụng và âm thanh tham chiếu không thêm tín dụng. trang giá pay-as-you-go hướng dẫn giá H3

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.

Tạo với MiniMax H3 trên OmniArt