Ngày 20/8, MiniMax ra mắt MiniMax Design, một nền tảng sáng tạo đa phương thức được xây dựng quanh mô hình video tự phát triển H3. Người dùng chỉ cần mô tả bằng ngôn ngữ tự nhiên điều họ muốn, hệ thống sẽ tự tách kịch bản, sắp xếp phân cảnh, tạo khung hình chính, xuất video, phối nhạc, thêm phụ đề và dựng phim, đi hết chặng đường tới thành phẩm.
Sản phẩm được ghép từ nhiều phần: canvas quy trình làm việc, bàn đạo diễn 3D, trung tâm tài nguyên, thư viện Skills và một nhóm Agent phân công nhau. Canvas giữ lại mối quan hệ giữa tư liệu và các cảnh quay trên cùng một mặt phẳng, sửa một chỗ không cần làm lại từ đầu, cũng có thể tách ra phiên bản mới để tiếp tục. Cách làm của bàn đạo diễn 3D trực quan hơn — sắp nhân vật, chỉnh góc máy và tư thế trong không gian ba chiều, dựng ra tham chiếu phân cảnh rồi giao cho mô hình tạo sinh. Thư viện Skills chứa sẵn các mẫu phong cách như cắt dán giấy, thủy mặc, hoạt hình khoa học phổ thông, cũng có thể trò chuyện để tự tạo một Skill tùy chỉnh. Tư liệu tự động lưu về máy, một cú nhấp là lưu vào trung tâm tài nguyên. Quy trình ComfyUI có thể nhập trực tiếp vào.
Khoảng cách giữa 15 giây và 3 phút
Giới hạn tạo sinh một lần của H3 là 15 giây. Trong các ví dụ MiniMax công bố có đoạn phim ngắn 42 giây, MV dài 1 phút, phim tài liệu dài 3 phút. Tính sơ qua, 3 phút nghĩa là ít nhất mười hai cảnh quay nối đuôi nhau, mỗi cảnh phải khớp về ngoại hình nhân vật, trang phục, ánh sáng, ngôn ngữ điện ảnh, còn phải sắp xếp theo trình tự tường thuật vào một dòng thời gian.
Đây chính là điều Design thực sự đang giải quyết. Trong một năm qua, tiến bộ của video AI tập trung vào chất lượng từng cảnh đơn lẻ — độ phân giải tăng lên, vật lý chân thực hơn, bàn tay người không còn sáu ngón. Nhưng để ghép mười mấy cảnh đơn thành một bộ phim xem được, cần một bộ kỹ năng khác: tính nhất quán của nhân vật, sự thống nhất phong cách, tổ chức dòng thời gian, và sửa tới phiên bản thứ năm mà vẫn không vỡ. Cách MiniMax chia việc là để H3 chỉ lo tạo cảnh quay, Agent phụ trách thống nhất phong cách và tổ chức dòng thời gian, Harness ở các mốc quan trọng quay lại hỏi hướng đi cốt lõi là gì, phía sau gọi tới kho tri thức chuyên môn để kiểm tra chất lượng qua nhiều vòng.
Cấu trúc này gần như cùng một khuôn với các công cụ lập trình AI hiện nay: mô hình nền tảng lo phần sản xuất từng điểm, phía trên phủ một lớp điều phối biết lập kế hoạch, biết tự kiểm tra, và có thể bị con người ngắt lại. Bên video có nhiều biến số hơn — một cảnh sai là toàn bộ phần sau phải sửa theo, nên khâu kiểm tra bị đẩy lên phía trước quyết liệt hơn.
Nhắm vào miếng cơm của ai
Các kịch bản mục tiêu MiniMax đưa ra khá rõ ràng: toàn bộ quy trình phim ngắn, sản xuất hàng loạt ảnh và video thương mại điện tử, TVC thương hiệu, vật liệu quảng bá, video kiến thức, PV/MV. Điểm chung của các thể loại này là khối lượng lớn, chu kỳ gấp, ngân sách mỗi sản phẩm không cao — đúng loại dễ bị chuỗi công cụ hiệu quả hơn nghiền qua nhất.
Theo Ifanr, H3 cộng với Design đã cắt vào quy trình sáng tạo chuyên nghiệp mà Adobe nắm giữ lâu nay. Nhận định này đúng một nửa. Tài sản cốt lõi của biên tập viên chuyên nghiệp chưa bao giờ chỉ là tính năng phần mềm, mà còn là khả năng phán đoán tư liệu và giao tiếp với khách hàng — phần này Agent chưa thể thay thế trong ngắn hạn. Nhưng lao động lặp lại ở tầng đáy của dự án — tìm tham chiếu, dựng phân cảnh, xuất ảnh hàng loạt, ghép track, thêm phụ đề — một khi được gói lại thành một câu lệnh là kích hoạt được, số dự án một người có thể chạy song song sẽ thay đổi. Điều ngành hay nói "AI kéo chi phí nội dung xuống còn một phần mười" chủ yếu giảm ở khâu này.
Chuỗi động thái liên tiếp của MiniMax
Nhìn lại dòng thời gian sẽ rõ hơn. Mô hình video H3 được mở mã nguồn trước, trải rộng năng lực tạo sinh; Hailuo AI chạy được lượng người dùng lớn cho video tạo sinh nội địa ở phía tiêu dùng; giờ Design nối hai đầu này lại, làm thành một bàn làm việc theo dự án. Mã nguồn mở đổi lấy hệ sinh thái, phía tiêu dùng đổi lấy dữ liệu, phía chuyên nghiệp đổi lấy doanh thu, ba tuyến đi song song với nhau.
Với các đội làm nội dung trong nước, thay đổi thực tế nhất trong ngắn hạn có lẽ là kênh nhập quy trình ComfyUI. Nhóm này từ lâu đã tích lũy cả đống node đồ thị đã chỉnh tham số, việc chuyển nguyên xi vào nghĩa là không phải học lại từ đầu. Ma sát lớn nhất khi chuyển công cụ hiếm khi đến từ việc không học được, mà phần nhiều đến từ việc không nỡ bỏ bộ đã chạy trơn tru.
Nguồn tham khảo: Nội dung công bố chính thức của MiniMax, Ifanr, biên tập bởi CocoLoop; giới hạn thời lượng tạo sinh một lần của H3 và độ dài phim trong ví dụ căn cứ theo bản demo công khai.