MiniMax H3 ouvre ses poids pour la vidéo-audio unifiée

Un projet vidéo court commence généralement comme une course de relais : un outil trouve l’apparence du personnage, un autre crée le mouvement, un troisième fournit l’audio, puis une personne réaligne le tout après chaque modification du prompt. MiniMax H3 est conçu pour supprimer cette transmission. Lancé ce mois-ci avec ses poids ouverts sur Hugging Face, le modèle accepte le texte, l’image, la vidéo et l’audio comme contexte et peut générer jusqu’à 15 secondes en 2K avec un audio double canal natif.

Deux checkpoints, ou variantes du modèle, répartissent les principaux cas d’usage. FL2VA prend en charge la génération texte vers audio-vidéo ainsi que le conditionnement par la première et la dernière image. Ref2VA utilise des références multimodales, notamment des prompts image, vidéo et audio. Les checkpoints Base en 768p peuvent fonctionner sur un GPU grand public local, avec un seuil pratique d’environ 12 gigaoctets de VRAM (la mémoire graphique utilisée par la carte) et quelques minutes de traitement.

La vitesse est exploitable plutôt qu’instantanée. Un créateur utilisant une RTX 5070 Ti avec 32 gigaoctets de mémoire et 64 gigaoctets de mémoire virtuelle a rapporté environ 160 secondes pour un clip 480p de 5 secondes et environ 560 secondes en 720p. Des révisions récentes ont ramené une génération de 10 secondes à environ 318 secondes, selon les premiers utilisateurs. Work-Fisher, un contributeur d’une communauté chinoise, a intégré le modèle à un workflow ComfyUI dans un téléchargement Quark Drive en un clic.

Concrètement, le changement élargit donc l’espace de recherche créative des créateurs individuels. Au lieu d’explorer quelques directions par jour, un créateur peut lancer des dizaines de variantes en parallèle, puis consacrer son temps à évaluer les clips qui méritent d’être conservés. Des outils d’orchestration de type Codex pourraient étendre ce processus à des centaines de clips courts générés pendant la nuit à partir de la description d’un seul projet. Le goulet d’étranglement se déplace de la recherche et de l’alignement des ressources vers la rédaction de prompts utiles et la sélection des résultats.

Les limites restent visibles. Le plafond officiel est fixé à 15 secondes en 2K, tandis que l’usage local sur des machines grand public se concentre sur les checkpoints Base en 768p ; les temps rapportés proviennent également de premiers utilisateurs et non d’un test indépendant. MiniMax Design propose une solution hébergée à ceux qui ne souhaitent pas installer les checkpoints en local, avec des générations 2K de 10 secondes démarrant à environ 0,6 dollar par clip. Les poids ouverts offrent un contrôle aux développeurs et aux prosumers, mais H3 ne supprime pas à lui seul chaque élément du processus de production fragmenté.