MiniMax H3 视频生成 V2 发布：Ref2VA 多模态参考引导新范式
MiniMax 在最新的技术更新中正式推出了其 H3 视频生成模型的 V2 版本，并重点发布了 Reference-to-Video (Ref2VA) 模式。这一更新标志着视频生成领域从简单的“图生视频”或“文生视频”，迈向了更精细化的“多模态参考引导”阶段。开发者可以通过图片、视频和音频等多种参考源，更精准地控制生成视频的外观、运动轨迹、镜头语言甚至声音特征。
核心突破：Ref2VA 与 FL2VA 的双模架构
H3 视频生成 V2 API 将参考模式分为两类，开发者需根据需求选择：
- FL2VA (First/Last Frame to Video)：适用于需要严格锁定首帧或末帧的场景。例如，要求视频必须从一张特定的图片开始，或结束于另一张特定的图片。此模式将参考图片视为固定的“检查点”（Checkpoint）。
- Ref2VA (Reference-to-Video)：适用于需要利用多源素材引导视频属性，但不作为固定端点的场景。在此模式下，开发者可以将图片、视频、音频分配不同的“工作角色”（Job）。
关键区别：官方明确指出，Ref2VA 与 FL2VA 在 API 请求中是互斥的。开发者不能在一个请求中同时混合使用“端点帧角色”和“参考媒体角色”。
多模态素材的“单一职责”原则
Ref2VA 的核心哲学是 “给每个参考源分配一个明确的单一任务”。官方文档建议，不同类型的素材应承担不同的职责：
- 图片 (Picture)：负责定义外观、构图、空间布局或光照。它不应被期望承担运动或时间结构的责任。
- 视频 (Video)：负责引导运动模式、运镜路径、剪辑节奏或时间结构。它不应被期望承担像素级复制或物理一致性。
- 音频 (Audio)：负责定义音色、节奏、对话信号或音效特征。它不应被期望承担完美口型同步（Lip-sync）或作为唯一的本地输入。
推荐的工作流：素材任务清单
在编写提示词之前，开发者应使用官方提供的“参考任务清单”（Reference Job Sheet）进行规划：
- 明确角色：为每个上传的素材（如图片 1、视频 1）定义其 Primary Job（主要任务）和 Secondary Job（次要任务）。
- 冲突解决：当多个素材对同一属性有不同指示时（例如，图片 1 显示银色瓶盖，图片 2 显示黑色瓶盖），必须在提示词中明确优先级，指定哪个素材控制该属性。
- 保留与转移：明确哪些属性需要“保留”（Retain，如几何形状），哪些需要“转移”（Transfer，如环境色调），哪些需要“改变”（Change）。
技术规格与限制
MiniMax 为 Ref2VA 模式设定了严格的本地与 API 限制，以确保推理效率与质量：
- 图片限制：最多支持 9 张 参考图片。
- 视频限制：最多支持 3 段 参考视频，每段 2-15 秒，总时长不超过 15 秒。
- 音频限制：最多支持 3 段 参考音频，每段 2-15 秒，总时长不超过 15 秒。
- 总文件数：本地混合 Ref2VA 媒体文件总数不得超过 12 个。
- 音频规则：音频必须伴随图片或视频使用，不能单独作为输入。
- API 格式：参考图片支持 JPG, PNG, WEBP, HEIC 等格式；视频支持 MP4, MOV；音频支持 WAV, MP3。
开发者建议：从素材筛选到提示词规划
官方强调，高质量的生成结果始于高质量的素材筛选。在上传前，建议进行“五步过滤”：
- 权限检查：确保拥有素材的使用权或版权。
- 相关性：素材是否清晰展示了你想要引导的属性？
- 清晰度：主体、运动或声音事件是否易于识别？
- 兼容性：素材是否符合当前的 API 或本地推理限制？
- 优先级：当不同素材存在冲突时，你能明确指定谁说了算吗？
此外，官方还推荐在收集素材前进行 AI 故事板规划，将构图、动作和运镜决策在动画开始前分离开来，从而避免生成过程中的逻辑混乱。
MiniMax 的这一更新不仅丰富了 H3 模型的表达能力，更为复杂商业场景（如产品视频生成、角色一致性维护）提供了标准化的技术解决方案。
