视频模型沉寂了大半年，最近突然热闹了起来。
一天内，Seedance 推出 2.5，升级新版本，而 MiniMax 也发布了新模型 H3。
这操作属实不常见，世超看了看 Articifial Analysis 的三个视频榜，发现 MiniMax H3 直接凑了个 1，2，3。
好家伙，隔这儿收集奖杯呢？
而且更牛的是，这模型还是开源的，在海外创作者里也引起了不小的讨论，大伙儿纷纷下场测试。
有说它指令遵循精准的，视频模型终于能在黑板上正确写字了。
还有说它一致性出色的，电影叙事和商品广告的效果很好。
搞这么热闹，那我得尝尝味道如何了。
搓了一堆视频后，先省流一波，这模型确实有点东西，2k 画质下，细节和稳定性都很在线。
尤其是它 AI 后期的效果，美术风格确实带感，一度让我惊讶这种文字加排版的复杂视频，居然是模型搓出来的。
还有定价，768P 分辨率五毛一秒，2K 则是八毛，大概是之前一些旗舰模型三分之一的价格，性价比这块儿相当能打了。
话不多说，咱先跑一下刚刚的案例验验货，只给一句话，让它写个欧拉公式看看成色。
这任务听着简单，就画几个符号的事儿，但实际上无数视频模型都翻过车，不是不晓得公式为何物，就是还没落笔，字儿就凭空出现了。
这次 MiniMax H3 的表现不赖，你不能说它完美，但这物理因果基本是对的。
起码手，粉笔，字迹看上去合理，不漂移，粉笔写出来的质感和敲击黑板的配音也都没毛呲。
接下来再瞅瞅光影表现，甩给它一张 3A 射击游戏的截图，让它还原一下战场氛围。
看这效果，你不说我以为又开了一把了呢，这光追我平时搁自己电脑上都舍不得开。。。
大伙儿也可以关注一些细节，比如左上角的小地图，在人物转动视角的时候，它是会跟着一起转的。还有开枪的时候，枪声和抛壳的频率也是一致的。
这就是原生多模态的好处了，它能更逼真地模仿物理世界，画面声音和物理规律会相对统一，不容易穿帮。
不过右下角的备弹数量还是漏了点马脚，这些小纰漏或许等模型能力再迭代几轮才能搞定。
当然，多模态还有个好处，就是生视频的时候，你有啥素材只管往里丢就行，什么图片，视频，音频，都能当参考。
比如这里来个大杂烩，先放个视频当运镜参考，再来点人物和分镜图，最后加俩音频当他们说的话，可以说是能喂的都喂了。
视频里它倒也能接得住，猫狗的毛发都挺有质感，一致性也稳到了最后。
尤其是指令遵循上，提示词里五花八门的要求基本都满足了，切镜，神态，以及精准卡点的一声叫，都很带感。
唯一的遗憾是我忘加背景 BGM 了，为了省点儿积分，手动加了一下，味道更足了，进军二创视频指日可待。。。
但话说回来，整活儿只是稍带的，MiniMax 更强的地方其实是视频编辑，别忘了，编辑相关的跑分它干到了 AA 榜的第一位。
我直接对着桌面来了个实拍，配合中年帕金森的轻微手抖，看看它能怎么拯救视频效果。
结果相当 Amazing 啊，虽然没什么炫酷的特效，但加的这个手绘小玩意儿还挺灵动。
它从空中飞到鼠标上，顺着镜头爬了两圈，一个蓄力跳到了键盘上，跳跃的动作跟手抖的部分正好吻合，也是让我运上镜了。
接下来我又试了试多模态的编辑，说人话就是把音频也放进来一起处理。之前可能就需要另外找个音频模型，先提取音色，然后生成配音，最后再回到视频模型这儿融合。
但 H3 处理起来要简单些，克隆声音就顺手的事儿。咱素材复用，让写公式的老教授开口念几句诗，把一段美式口音丢进去让他克隆，再换成英音朗诵。
老教授台风很稳，扎好架子就开读，声音克隆的很还原，正宗老伦敦读莎士比亚，味道就是正，口型没毛病，肢体小动作也是话剧演讲的那套，镜头一拉很专业好吧。
测试到这儿，也能感觉出来，MiniMax H3 真正值得聊的，其实不在于能不能搓个以假乱真的镜头。
因为真实感是个慢工出细活儿的差事，需要大量数据和算力喂养，一眼看不到尽头。
它或许是视频生成模型的主线，但肯定不是唯一，因为一条真正拿去用的视频，除了画面真实感，还要有文字排版，剪辑转场，乃至音效和独特的视觉风格，这些都得打磨。
而 MiniMax H3 的特别之处就在于，它试图参与到片子的后期制作当中。先是点了多模态的技能，又在文字一致性上下功夫，配合不俗的世界知识，整体的编辑可控性比起之前就强了太多。
所以接下来，我准备从基础的文字开始，一步步加码，看看它到底能把 AI 后期做到什么程度。
先看文字，直接扔一段歌曲进去，让它做一段歌词的 MV。
以前老模型做这种视频，先不说字体字形的准确性，一旦运动起来，即使前面几帧对了，后面也有可能模糊掉。
但 MiniMax H3 的处理精准的多，它提取了 Prompt 中的主要描述词，先统了一下风格，明确要搞成旧杂志拼贴的样式。
然后将歌词，人像和线条融合进报纸碎片中，文字不只是字幕，会参与进视觉设计，随着音乐缩放。背景也不是无关元素的堆砌，词里有蓝色，报纸上是真会甩几滴蓝色油漆。
再细点看的话，倒是有一处拼写错误，刚开始的「try」它拼成了「ttr」，得微调一下，不过整体文字的动态排版还是挺靠谱的。
作为歌词的 MV，这套东西完全可以批量合成，演唱的时候就能直接放大屏幕上，维持风格的同时每场还能整点花活儿。
文字站稳后，我又给他上了一张橙子汽水的静态海报。
这次，我想看它在稳定文字的基础上，能不能往专业剪辑的方向靠，给产品加动态镜头，处理好空间关系。
成片效果不错，汽水罐从平面中央逐渐靠近，罐体，冰块，水花冲出原本的海报画框。
这个前后景的对比很取巧，它不是那种简单的图片转动图，而是用线框划分开空间，突脸给你来个 3D 效果，既维持了原来的视觉特征，又能把汽水的冲击力渲染出来。
不过，一张海报再怎么冲出屏幕，本质上还是一个镜头。真正的广告片，还得会组织多个画面。
我们请出编辑部老员工火锅 （ 幼年版 ） 当模特，拿起汽水罐，做一条逻辑完整的汽水广告试试。
设计是这样的，开头让火锅打开汽水喝一小口，然后给特写，人物不断换装，然后整体的元素随主题变换。考验的是 H3 的资产调度和多镜头的连续性。
来看成片，15 秒的时间叠加了 4 套主题，但无论怎么转场，火锅以及橙子汽水罐的特征都没变形，整套橙色视觉系统也延续了下来。
特别是动效组合的不错，汽水罐旋转时有变速，周围配饰以及上方字体弹出也有惯性，配合 BGM 相当丝滑。
这种效果比起拿 AE 手搓可能差点细节，但都这个速度了，还要啥自行车。
况且我也就抽了一次，一批两个视频，第一个汽水罐是上下转的，第二个则是左右转，考虑的还挺全。。。
当然，说到 AE，比较常见的就是 MG 动画，这个其实是更偏后期的视频类型。
它比看上去要难得多，因为上面的宣传视频有角色和产品可以当现实参考，但 MG 动画里，文字怎么拆，粒子怎么飞，怎么组合都得自己来设计。
咱直接拿差评前沿部的 Logo 交给它，让 MiniMax H3 做个动画瞧瞧。
你别说，整得还挺花里胡哨，整体特效围绕粒子和线条构成，先散开延展出去，然后在三维空间中旋转，最后又收束重组回来。
21:9 的宽幅比例下，视觉重心也没跑偏，尤其中间一闪而过的黑白效果，看着还挺酷炫的。
最后，咱把前面这些东西打包塞一起，给它上个更难的任务，让它模拟一下游戏的菜单选人界面。
结果视频效果非常利索，整体街头涂鸦的风格很耐看，跟友情客串的火锅也正好匹配。
菜单文字没跑偏，光标点击也有反馈，甚至还能换装，安装不同配件，这些变化都会实时反馈在火锅本体上。
菜单到游戏的转场也很流畅，报纸糊住屏幕再撕开，火锅就蹿到了街区上。
虽然这本质还是段动画，但对于游戏制作而言，这玩意儿已经能被拿去当概念设计，或者提案的 Demo 了，应用价值非常明确。
一堆测试跑下来，MiniMax H3 的长板其实已经很清楚了，就是它非常来劲的 AI 后期能力。
除了生成漂亮的镜头，它还想帮你剪完整的片子。
虽然没强到指哪打哪，但它缩短了普通人跟成片之间的距离，你不用学太多剪辑技巧， 靠描述也能搓个及格的作品出来。
22 年的时候，Stable Diffusion 1.5 模型的开源引爆了 AI 绘画的热潮，社区里大伙儿 DIY 得火朝天，各种微调工具层出不穷。
而这次的 H3 视频模型也选择了开源，那它未来会被大家折腾成什么样子呢？
这个我是真想看看。。。
撰文 ：风华
编辑：江江&面线
美编：素描
图片、资料来源 ：
Artificial Analysis，X，MiniMax官网，海螺AI；
汽水转场动画灵感参考BV1QGKb6EE1d；
模特火锅友情贡献数字形象。
热门跟贴