MiniMax H3: Funktionen und Fähigkeiten
MiniMax H3 läuft je nach Quelle auch unter Hailuo 3.0 oder Hailuo 03. Es ist das multimodale KI-Videomodell von MiniMax, dessen Gewichte offen veröffentlicht sind.
Bisher brauchte eine Produktion drei Werkzeuge: eines zum Generieren, eines zum Bearbeiten, eines für Referenzen. H3 legt diese Schritte zusammen. Text, Bild, Video und Ton laufen in einen gemeinsamen Kontext, und zurück kommt ein fertiger Clip mit Bild und Ton.
Für Agenturen und Marketing-Teams im DACH-Raum zählt vor allem der zweite Punkt: weniger Übergaben zwischen Tools, und ein Ergebnis, das sich vorher beschreiben und hinterher nachvollziehen lässt.
| Funktion | Was sie macht | Am besten für |
|---|---|---|
| Omni-Referenz | Liest bis zu 9 Bilder, 3 Videoclips und 3 Audiodateien als ein Briefing | Gesicht, Bewegung und Stimme in einem Schritt festlegen |
| Nativer Stereo-Ton | Erzeugt Dialog, Effekte und Raumton direkt mit dem Bild | Drama, Werbung und Titelsequenzen mit Ton |
| Anweisungsbasiertes Editing | Ändert nur das benannte Element, der Rest des Bilds bleibt stehen | Einen guten Take korrigieren, ohne neu zu würfeln |
| Stimmklonen und -übertragung | Überträgt eine Stimme aus einer Referenzaufnahme auf eine Figur | Synchronisation, neu besetzte Zeilen, Sprachwechsel |
| Mehrere Einstellungen in einem Clip | Bündelt mehrere Shots in einer Generierung von 5 bis 15 Sekunden | Titelsequenzen, Schuss-Gegenschuss-Montagen |
| 2K bei 24 fps | Kurze Bildkante mit 1440 Pixeln, in der Bildrate klassischer Filmproduktion | Lieferung ohne zusätzlichen Upscaling-Schritt |
Omni-Referenzen
Hier ändert sich die Arbeitsweise am deutlichsten. Eine Generierung nimmt bis zu 9 Bilder, 3 Videoclips und 3 Audiodateien auf, zusammen höchstens 12 Dateien.
Jede Datei bekommt eine eigene Rolle. Ein Bild setzt die Figur, ein zweites den Ort. Ein Video liefert die Bewegung oder den Schnittrhythmus, eine Audiodatei die Stimme.
Für Video- und Audioreferenzen gelten zwei Grenzen: 2 bis 15 Sekunden je Datei, 15 Sekunden in Summe. Audio allein wird abgelehnt. Mindestens ein Bild oder Video muss danebenliegen.
Nativer Stereo-Ton
Ton ist kein zweiter Arbeitsschritt. Jede Generierung liefert Stereo-Audio aus demselben Durchgang wie das Bild.
Die Szene kommt entsprechend fertig zurück: die Zeile gesprochen, die Schritte hörbar, der Raum klingt bereits wie ein Raum.
Damit wird Ton zur Regieentscheidung. Wer Instrumente, Effekte und den Einsatzpunkt benennt, bekommt ein anderes Ergebnis als wer das Feld leer lässt.
Anweisungsbasiertes Editing
Stört an einem Clip nur ein Detail, dann benennen Sie genau dieses Detail.
Ein Motiv ersetzen, ein Objekt entfernen, den Hintergrund tauschen, von Tag auf Nacht umlichten, einen Effekt ergänzen, eine Dialogzeile neu sprechen lassen: Nur das benannte Element bewegt sich, der Rest des Bilds bleibt stehen.
Mehrere Änderungen passen in eine Anweisung. Das geht schneller als ein Neustart, und der Take, den Sie bereits abgenommen haben, überlebt die Korrektur.
Stimmklonen und -übertragung
Eine Referenzaufnahme gibt einer Figur eine Stimme, die sie im Clip nie hatte. Eine vorgegebene Zeile ersetzt das ursprünglich Gesagte, die Performance zieht mit.
Zusammen mit einem Identitätsbild reicht das, um eine Figur über eine ganze Sequenz wiedererkennbar zu halten, im Gesicht wie im Klang. Für Synchronisation und Voice-over ist das der praktisch nutzbare Teil.
Bildformat und Finishing
Text-zu-Video- und Referenz-Durchläufe bieten sechs Seitenverhältnisse, von 21:9 bis 9:16. Dazu kommt ein Auto-Modus für den Fall, dass die Referenzen die Einstellung vorgeben. First-und-Last-Frame-Durchläufe übernehmen schlicht das Verhältnis des hochgeladenen Bilds.
Die Ausgabe liegt bei 1440p und 24 fps, gemessen an der kurzen Bildkante. Ein 21:9-Master landet damit bei rund 2976 mal 1248 Pixeln.
Angekündigt ist außerdem ein 768p-Modus, dessen Ausgabe sich auf 1440p hochskalieren lässt. Als Entwurfsstufe wäre das der naheliegende Einsatz. Alle diese Werte sind öffentlich dokumentiert, sodass sich eine Lieferung vorab kalkulieren lässt.
MiniMax H3: Anwendungsfälle
Markenfilme und Werbespots
Spots und hochwertige Markenfilme, wie sie Agenturen für Kundenmarken produzieren. Ein Referenz-Set legt Darstellerin, Produkt und Schlussbild fest. Die Filmtextur wird bestimmt, nicht dem Zufall überlassen.
Vertikales Drama und Dialoge
Kurzform-Drama im Format 9:16, gebaut aus engen Einstellungen und Schuss-Gegenschuss-Schnitten. Die Zeile wird im selben Durchgang gesprochen wie das Bild entsteht. Performance und Sprachduktus kommen deshalb gemeinsam zurück.
Erklärvideos und Titelsequenzen
Schulungs- und Erklärinhalte, bei denen Typografie als eigene Ebene arbeitet. Diagramme bauen sich auf, Bauchbinden tippen sich ein, der Musik-Einsatz sitzt auf dem benannten Beat. Nichts davon muss nachträglich angelegt werden.
Produktfilme für Shop und Messe
Produktfilme aus einem Standbild des realen Objekts, für Shop-Listings ebenso wie für den Messestand. Der Clip läuft von der vollen Ansicht über das Makrodetail bis zur gehaltenen Totalen. Das Produktbild sichert die Form, Kamera und Licht übernehmen den Verkauf.
Interface- und Spielkonzepte
Menüs, HUDs und Interaktionsdemos, Beat für Beat über den Clip getaktet. Panels gleiten, eine Auswahl trifft ein, die Welt lädt. Die Reihenfolge legen Sie fest, statt sie das Modell raten zu lassen.
Stilisierte und animierte Arbeiten
Papierschnitt, Stop-Motion und stilisierte Figurenarbeit. Eine Identitätsreferenz hält das Design über mehrere Einstellungen. Kostüm, Proportionen und Finish bleiben von Schnitt zu Schnitt gleich.
So holen Sie das Beste aus MiniMax H3
H3 belohnt ein Briefing, das wie ein Produktionsdokument aussieht, nicht wie ein einzelner Satz. Das Prompt-Feld fasst bis zu 7.000 Zeichen, und die Referenzbeispiele des Modells schöpfen diesen Raum weitgehend aus. Ein paar Gewohnheiten tragen den größten Teil der Qualität:
- Geben Sie jeder Referenz eine Aufgabe. „Bild 1 setzt Stimmung und Filmtextur, Bild 2 ist die Darstellerin, Bild 3 das Produkt“ bringt mehr als vier Bilder auf gut Glück.
- Versehen Sie die Beats mit Zeitangaben. 0 bis 2 Sekunden, 2 bis 5 Sekunden, und so weiter: Damit hat das Modell eine Reihenfolge für alle 15 Sekunden.
- Sagen Sie, was fest bleibt. Eine Maske, eine Frisur, ein Kostüm. Benannte Konstanten verhindern das Abdriften mitten im Clip.
- Schreiben Sie Ausschlüsse aus. Keine Untertitel, keine Wasserzeichen, keine moderne Kleidung, keine weichen Blenden. Vorgaben wirken nur, wenn sie dastehen.
- Führen Sie den Ton als eigene Spur. Nennen Sie Instrumente, konkrete Geräusche und den Einsatzpunkt. Das Audio entsteht ohnehin, also bestimmen Sie es.
- Benennen Sie die Übergänge. Wipe, harter Schnitt, Whip-Pan, Match-Cut auf eine Form. Ohne diese Angabe wird der Schnitt glatt und beliebig.
- Beschreiben Sie die Aufnahme, nicht nur die Szene. Handkamera-Zittern, atmende Belichtung, nachziehender Autofokus, Korn. Daran erkennt ein Auge gefilmt statt gerendert.
- Spezifizieren Sie die Typo-Animation. Einstieg, Dauer und Verbotsliste festlegen, dann hören Titel auf zu rotieren und zu hüpfen.
- Korrigieren Sie über das Ziel. Sagen Sie, was sich ändert und was bleibt. Wer die ganze Einstellung neu würfelt, verliert den guten Take.
- Planen Sie das Referenz-Budget. 12 Dateien sind die Obergrenze, Video und Audio zusammen 15 Sekunden, und Audio zählt nur mit einem Bild oder Video daneben.
Die vollständige Liste der Fähigkeiten und Spezifikationen finden Sie auf der MiniMax-H3-Modellseite.
MiniMax-H3-Prompt-Guide
Ein starkes H3-Briefing besteht aus fünf Blöcken. Gehen Sie sie vor dem Absenden durch. Danach ist entschieden, was das Modell sonst raten müsste.
| Block | Enthält | Beispiel |
|---|---|---|
| Rollen | Wofür jede angehängte Referenz steht | Bild 1 setzt die Werkhalle, Bild 2 ist die Meisterin |
| Beats | Der Ablauf über den Clip, mit Zeitangaben | 0 bis 5s tritt sie an die Werkbank, 5 bis 11s fällt die Frage |
| Look | Stil, Palette, Licht und Filmtextur | 16-mm-Korn, gedeckte Farben, hartes Oberlicht |
| Sound | Dialog, Effekte, Musik und ihr Einsatzpunkt | Durchgehend Hallenrauschen, ein Akzent beim Titel |
| Grenzen | Was fest steht und was nicht vorkommen darf | Garderobe halten, keine Untertitel, kein Wasserzeichen |
Schwache vs. starke Prompts
Der Unterschied liegt fast immer in der Genauigkeit bei Zeit, Referenzrollen und Ton.
| Fokus | Schwach | Stark |
|---|---|---|
| Referenzrollen | Nutze diese Bilder | Bild 1 setzt die Filmtextur, Bild 2 ist die Meisterin, Bild 3 das Werkstück in ihrer Hand |
| Timing | Sie nimmt das Werkstück | 0 bis 5s geht sie durch die Halle, 5 bis 10s hebt sie das Werkstück ins Licht, 10 bis 15s legt sie es ab |
| Ton | Etwas Musik dazu | Durchgehend Maschinensummen und Regen auf dem Hallendach, eine gehaltene Cellonote, während das Licht durchfällt |
Häufige Fehler
- Referenzen anhängen, ohne ihre Aufgabe zu nennen. Dann rät das Modell, welches Bild die Szene führt.
- Ein Standbild beschreiben statt einer Handlung, die über die volle Clip-Länge läuft.
- Das Audio unbeschrieben lassen und den zurückkommenden Ton anschließend dem Modell anlasten.
- Eine Audioreferenz allein schicken. Ohne begleitendes Bild oder Video wird sie abgelehnt.
- Die ganze Einstellung für ein einzelnes Objekt neu würfeln, obwohl eine Editing-Anweisung den Rest des Takes erhalten hätte.
