MiniMax stellt H3 für KI-Videos mit 2K und Stereo-Ton vor

Das chinesische KI-Unternehmen MiniMax hat mit H3 ein Modell vorgestellt, das Text, Bilder, Videos und Audio in einer Anfrage verarbeiten kann. Nach Angaben des Unternehmens erstellt H3 Videos mit einer Länge von bis zu 15 Sekunden, 2K-Auflösung und nativem Stereo-Ton. Das Modell soll außerdem bestehende Inhalte bearbeiten und Bewegungen aus Referenzvideos übernehmen können.

Mit dem Schritt tritt MiniMax stärker gegen chinesische Wettbewerber wie ByteDance und Kuaishou an. Reuters berichtet, dass MiniMax vor allem kommerzielle Anwendungen in Werbung, E-Commerce, Produktgestaltung und Spielen adressiert. In diesen Bereichen wächst der Bedarf an Werkzeugen, die unterschiedliche Vorlagen in einem Arbeitsablauf zusammenführen.

MiniMax zufolge können Anwender die Beziehung zwischen mehreren Eingaben in normaler Sprache beschreiben. Denkbar ist etwa ein Video als Vorlage für die Kamerabewegung, ein Bild als Vorlage für eine Figur und eine Audiodatei für Gesang. H3 soll daraus ein neues Video erzeugen, das diese Vorgaben verbindet.

Text, Bild, Video und Ton in einem Arbeitsablauf

H3 steht für einen Ansatz, der viele bisher getrennte Aufgaben zusammenführt. Frühere KI-Werkzeuge waren oft auf einzelne Funktionen spezialisiert. Dazu zählen Text-zu-Video, Bild-zu-Video, Figurenreferenzen, Videoschnitt oder die Erzeugung von Musik und Sprache.

MiniMax erklärt, H3 sei auf eine breitere Palette solcher Aufgaben trainiert worden. Das gilt auch für die Tonerzeugung. Sprache, Musik und Geräusche behandelt das Unternehmen nicht als getrennte Bereiche. Stattdessen soll das Modell sie gemeinsam mit dem Video erzeugen und Stereo-Ton ausgeben.

Eine weitere Funktion nennt MiniMax „generalized reference and editing“. Gemeint ist, dass Nutzer Bilder, Videos und Audiodateien in verschiedenen Kombinationen als Referenzen einsetzen können. Die gewünschte Bearbeitung wird dann per Textanweisung beschrieben.

Für Kreativ- und Content-Teams könnte dies weniger Wechsel zwischen Spezialwerkzeugen bedeuten. Ein Werbemittel ließe sich etwa mit einem vorhandenen Produktbild, einer Bewegungsreferenz und einem Musikbeispiel vorbereiten. Die Angaben zu Qualität und Leistungsfähigkeit stammen allerdings vom Unternehmen selbst und sind in den vorliegenden Quellen nicht unabhängig geprüft.

MiniMax hebt besonders die genaue Umsetzung von Anweisungen, die Darstellung von Text und Markenelementen sowie die Übertragung von Bewegungen zwischen Videos hervor. Gerade bei kommerziellen Produktionen sind diese Punkte wichtig. Lesbare Schrift und ein konsistenter Markenauftritt entscheiden oft über die praktische Nutzbarkeit eines Clips.

Frei verfügbare Weights sollen folgen

MiniMax plant, die Modellgewichte von H3 in den kommenden Tagen zu veröffentlichen, soweit dies rechtlich zulässig ist. Modellgewichte (model weights) sind die zentralen Dateien eines KI-Modells. Sie ermöglichen Entwicklern, ein System selbst auszuführen, anzupassen oder weiterzutrainieren.

Wenn die Veröffentlichung erfolgt, würde H3 den Trend zu offen verfügbaren Modellgewichten auch im Bereich KI-Video verstärken. Viele leistungsstarke Videomodelle werden bislang nur als geschlossene Dienste angeboten.

Das Unternehmen betont zudem, H3 sei für den Einsatz auf unterschiedlicher Hardware ausgelegt, darunter auch Chips chinesischer Hersteller. Dies passt zu den Bemühungen vieler chinesischer KI-Firmen, ihre Abhängigkeit von US-Halbleitern zu verringern.

Auch beim Preis stellt MiniMax einen Vorteil in Aussicht. Die Erzeugung von 2K-Video koste pro Sekunde weniger als ein Drittel vergleichbarer etablierter Angebote, teilt das Unternehmen mit. Für 768p nennt MiniMax weniger als die Hälfte des Preises gängiger Modelle mit 720p-Ausgabe. Eine detaillierte Vergleichsliste oder konkrete Preise nennt die Ankündigung nicht.

Die technische Grundlage sieht MiniMax in einem neuen Tokenizer namens H3-VAE sowie in einer Architektur, die das Verstehen der Eingaben und die eigentliche Generierung getrennt organisiert. Nach Unternehmensangaben steigt dadurch der Trainingsdurchsatz um fast 30 Prozent. Für die 2K-Ausgabe nutzt H3 zudem eine erneute Generierung auf Basis des ursprünglichen Kontexts, statt allein auf ein herkömmliches Hochskalierungsverfahren zu setzen.

MiniMax kündigt einen ausführlicheren technischen Bericht an. Künftige H-Modelle sollen multimodale Eingaben besser verstehen, größere Modelle nutzen und die Bilddetails weiter verbessern.

Quellen

• MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities – MiniMax Research
• China’s MiniMax releases H3 video model – Reuters