不是，这个会后期的MiniMax H3居然是开源的？

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。 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。 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。 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。 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。 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。 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。 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。 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。 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。