MiniMax: Hailuo 2.3

MiniMax: Hailuo 2.3 to model generowania wideo od MiniMax, wymieniony na api14 w kategorii wideo. Jest zbudowany do zamiany opisów tekstowych i zdjęć referencyjnych na krótkie klipy wideo i należy do linii Hailuo generatywnych modeli mediów MiniMax. Jeśli Twój produkt musi tworzyć materiał wideo na podstawie promptu, a nie edytować istniejące wideo, to właśnie na taki model wskazuje wpis w katalogu.

Model przyjmuje tekst i obrazy jako dane wejściowe i zwraca wideo jako jedyne dane wyjściowe. Oznacza to, że obsługiwane są dwa główne przepływy pracy: tekst na wideo, gdzie sam prompt steruje wynikiem, oraz obraz na wideo, gdzie zdjęcie jest używane jako punkt wyjścia. Dane wyjściowe są generowane w rozdzielczości 1080p w proporcji 16:9, a klipy mogą mieć 6 lub 10 sekund. Obraz pierwszej klatki można dostarczyć jako klatkę referencyjną dla uruchomień obraz na wideo. Generowanie dźwięku nie jest częścią tego modelu, więc wszelki potrzebny dźwięk trzeba dodać na dalszym etapie. Dla tego wpisu nie podano długości kontekstu.

Te możliwości przekładają się na dość konkretny zestaw zadań. Zespoły marketingu i mediów społecznościowych mogą generować krótkie spoty 16:9 na podstawie linijki scenariusza lub zdjęcia produktu. Prace nad storyboardem i prewizualizacją korzystają ze ścieżki obraz na wideo, ponieważ klatkę koncepcyjną można ożywić w 6 lub 10 sekundowe ujęcie w 1080p. Twórcy gier i aplikacji mogą tworzyć zapętlone lub przejściowe materiały wideo bez zdjęć. Ponieważ klipy są krótkie, a dźwięk nie jest generowany, model nadaje się do produkcji na poziomie ujęć, a nie do samodzielnego montażu długometrażowego.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "minimax/hailuo-2.3". Obsługiwane parametry żądania to max_tokens, temperature i top_p, więc możesz kształtować zachowanie próbkowania i długość danych wyjściowych w taki sam sposób jak w przypadku innych modeli w bramie. Ponieważ schemat jest zgodny z formatem OpenAI, istniejące biblioteki klienckie i ścieżki kodu zasadniczo działają po zmianie jedynie identyfikatora modelu, promptu i dowolnego obrazu referencyjnego. Należy zauważyć, że maxOutput jest podany jako 0 dla tego wpisu, a stałe ustawienia rozdzielczości, proporcji, czasu trwania i danych wejściowych pierwszej klatki pochodzą z konfiguracji samego modelu, a nie z dodatkowych parametrów.

Nie ma tu zapisanej długości kontekstu i nie jest generowana żadna ścieżka audio. Jeśli potrzebujesz dźwięku generowanego razem z obrazem, lepiej pasować będzie inny model. Jeśli Twoja praca dotyczy wideo długometrażowego lub wymaga proporcji innych niż 16:9, albo rozdzielczości większych niż 1080p, wymienione opcje tego modelu tego nie obejmą. W przypadku krótkich, niemych klipów 1080p tworzonych na podstawie promptu lub klatki początkowej jest to bezpośrednie dopasowanie.