Segun MarkTechPost (AI/ML News), el laboratorio chino MiniMax ha presentado MiniMax H3, un modelo multimodal generalista capaz de generar clips de video de hasta 15 segundos con resolución 2K y sonido estéreo nativo. Este avance no se basa en combinaciones de modelos especializados, sino en una arquitectura unificada que integra textos, imágenes, videos y audios como un contexto coherente. El modelo procesa estas entradas de forma integrada y produce video con una salida que incluye audio de alta fidelidad, sin necesidad de superponer capas o ajustes posteriores.
Las especificaciones técnicas indican que los clips generados tienen duraciones enteras entre 4 y 15 segundos, exclusivamente en valores enteros, y una resolución de 2K. La innovación radica en que el sistema no requiere pasos separados como generación de video a partir de imágenes, referencia de movimiento o edición de secuencias. En su lugar, las relaciones entre elementos se expresan mediante lenguaje natural. Por ejemplo, un prompt puede indicar: “utiliza el movimiento de la cámara del video 1, hace que el personaje de la imagen 2 cante y alinea las voces con el audio 3”. Este enfoque simplifica el flujo de trabajo para desarrolladores y creadores digitales.
La disponibilidad del modelo es actualmente limitada a través de su API, donde se encuentra bajo la identificación MiniMax-H3. También está integrado en la aplicación móvil Hailuo AI para usuarios finales. Los sectores clave que prioriza MiniMax incluyen publicidad, diseño de marcas, comercio electrónico, creación de interfaces, entretenimiento y previsualización cinematográfica. Aplicaciones específicas van desde la generación de variantes publicitarias hasta la creación de secuencias de título en películas, anuncios animados y loops visuales para páginas web. Además, permite la transferencia de movimiento entre videos, útil en el desarrollo de escenas en juegos.
En cuanto a la interfaz de entrada, el modelo permite tres modos: generación de video a partir de texto, transformación de imágenes (primera o última frame) y generación mediante referencias. Cada operación se ejecuta bajo un flujo asíncrono: el usuario crea una tarea, consulta el estado mediante un ID de tarea y descarga el resultado final. Los límites técnicos son claros: se permiten hasta nueve imágenes de referencia, tres clips de video (cada uno de 2 a 15 segundos, con un total máximo de 15 segundos) y tres fragmentos de audio. Importante: el audio no puede ser enviado como entrada directa, sino solo como referencia.
Para los usuarios peruanos, este desarrollo representa una oportunidad significativa en el ámbito de la creación digital. Aunque aún no está disponible en dispositivos locales, el acceso a través de APIs puede ser aprovechado por pequeñas empresas y emprendedores que buscan reducir costos en producción de contenidos. Con el creciente uso de redes sociales y comercio electrónico en línea, herramientas que permitan generar videos de alta calidad en poco tiempo pueden transformar la forma en que se comunican marcas locales. El modelo H3, al integrar audio y video de forma natural, abre puertas a narrativas más ricas y auténticas, especialmente en sectores como turismo, gastronomía o comercio de bienes artesanales.