Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A short video project usually begins as a relay race: one tool finds the character's look, another creates motion, a third supplies audio, and a person realigns everything after a prompt changes. MiniMax H3 is designed to collapse that handoff. Released this month with its weights open on Hugging Face, the model accepts text, image, video and audio as context and can generate up to 15 seconds at 2K with native dual-channel audio.
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.
Two checkpoints, or model variants, divide the main use cases. FL2VA handles text-to-audio-video generation and first/last-frame conditioning. Ref2VA uses multimodal references, including image, video and audio prompts. The 768p Base checkpoints can run on a local consumer GPU, with a practical threshold of around 12 gigabytes of VRAM (the graphics memory used by the card) and a few minutes of processing.
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.
The speed is usable rather than instantaneous. One creator running an RTX 5070 Ti with 32 gigabytes of memory and 64 gigabytes of virtual memory reported about 160 seconds for a 5-second 480p clip and about 560 seconds at 720p. Recent revisions brought a 10-second generation to roughly 318 seconds, according to early users. Work-Fisher, a Chinese community contributor, has packaged the model with a ComfyUI workflow in a one-click Quark Drive download.
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.
So, concretely, the change is a larger creative search space for individual creators. Instead of researching a few directions per day, a creator can launch dozens of branches in parallel, then spend time judging which clips are worth keeping. Codex-style orchestration tools could extend that process to hundreds of short clips overnight from one project description. The bottleneck moves from finding and aligning assets to writing useful prompts and selecting results.
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.
The limits remain visible. The official ceiling is 15 seconds at 2K, while local consumer use centers on the 768p Base checkpoints; the reported timings also come from early users rather than an independent test. MiniMax Design offers a hosted route for people who do not want to install local checkpoints, with 10-second 2K generations starting at around 0.6 dollars per clip. Open weights provide control for developers and prosumers, but H3 does not by itself remove every piece of the fragmented production process.
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.