MiniMax H3 — โมเดลวิดีโอสาย omni ที่สร้างคลิป 2K พร้อมเสียงในตัว และเตรียมปล่อย open weights

H3 คือโมเดลรุ่นใหม่จาก MiniMax ที่ต่อยอดมาจากสายผลิตวิดีโอเดิม (โค้ดเนม Hailuo) แต่คราวนี้ขยับเป็นโมเดลแบบ omni-modal เต็มตัว พูดง่าย ๆ คือแทนที่จะรับแค่ข้อความหรือรูปเดี่ยว ๆ มันรับ input ได้หลายชนิดพร้อมกันในบริบทเดียว — พิมพ์บทมา แปะรูปอ้างอิง ใส่คลิปตั้งต้น หรือใส่ไฟล์เสียง แล้วให้มันประกอบออกมาเป็นงานภาพหนึ่งชิ้น

จุดที่คนทำคอนเทนต์จะรู้สึกทันทีคือ "เสียงมาในตัว" รุ่นก่อนได้ภาพเงียบ ๆ ความละเอียดระดับ 1K แล้วต้องไปหาเสียงประกอบมาใส่เอง ส่วน H3 ดันขึ้นเป็น 2K และมีเสียงสเตอริโอที่เจนมาพร้อมกับภาพเลย รวมถึงแก้ไขงานเดิมและย้ายการเคลื่อนไหวจากคลิปอ้างอิงไปยังงานใหม่ได้ตามคำสั่ง

สิ่งที่เปลี่ยนจากรุ่นก่อนอย่างชัดเจนคือกระโดดจาก 1K เงียบ ๆ ไปเป็น 2K ที่มีเสียงในตัว และเพิ่มความสามารถด้านการตัดต่อ/แก้งานภาพ ซึ่งเป็นมุมที่ MiniMax ชูว่าทำได้ดี ในตารางจัดอันดับของสำนักวิเคราะห์อิสระเจ้าหนึ่ง H3 ติดกลุ่มหัวแถวด้านการสร้างวิดีโอ และโดดเด่นเรื่องการแก้ไขงานภาพเป็นพิเศษ

สำหรับคนทำคอนเทนต์หรือทีมการตลาด นี่คือหมุดหมายที่โมเดลวิดีโอสาย "เปิด" เริ่มไล่ตามของปิดที่แพงกว่า จุดขายจริงคือเสียงมาในตัว ซึ่งตัดขั้นตอนหาเสียงประกอบออกไป และต้นทุนต่อชิ้นที่ถูกลง ทำให้ลองทำ B-roll หรือคลิปสั้นแบบ iterate ไว ๆ ได้โดยไม่เจ็บกระเป๋า

ฟันธง: ถ้าทำงานสายภาพ/โฆษณา อันนี้ "ลองได้เลย" ผ่าน API แต่ให้ถือเป็นเครื่องมือช่วยดราฟต์ ไม่ใช่ตัวตัดสินสุดท้าย — งานที่ปล่อยสู่ลูกค้าควรมี Human Gate ตรวจทั้งความถูกต้องของภาพและลิขสิทธิ์เสียง/หน้าตาคนก่อนใช้จริงเสมอ ส่วนใครเน้นรันในเครื่องหรือคุมข้อมูลเอง ให้รอจังหวะที่ weights เปิดแล้วค่อยเอามาเข้าworkflow ของทีม