MiniMax H3: Videos mit eingebautem Ton erstellen

Der Textmodus braucht nichts außer einem Prompt und ist damit der einfachste Weg, eine Idee auszuloten: Szene grob skizzieren, anhören, wie der Ton ausfällt, dann nachschärfen. Hier steht auch die volle Auswahl an Formaten bereit, vom senkrechten 9:16 fürs Smartphone bis zum breiten 21:9.

Laden Sie ein Startbild hoch, dann beginnt der Clip mit genau diesem Motiv und bewegt sich anschließend so, wie es Ihr Prompt beschreibt. Das lohnt sich, wenn die Anfangskomposition zählt: ein bereits freigegebenes Porträt, ein Produktfoto aus dem Kampagnen-Shooting oder ein Storyboard-Bild, das in Bewegung kommen soll.

Ein Endbild allein funktioniert ebenfalls. Das Video bewegt sich auf das Bild zu, das Sie vorgeben, und eignet sich damit für Enthüllungen: eine Flasche, die in ihre Packshot-Position gleitet, eine Tür, die sich zu einem fertigen Raum öffnet, oder ein Layout, auf dem die Bewegung zur Ruhe kommt.

Geben Sie ein Start- und ein Endbild vor, und das Modell erarbeitet die Bewegung dazwischen. Praktisch, um im Schnitt zwei Einstellungen zu verbinden, einen Vorher-nachher-Wechsel zu zeigen oder zwei Storyboard-Felder in eine durchgehende Kamerafahrt zu verwandeln. Das Ergebnis behält das Format Ihrer Bilder.

Der Referenzmodus nimmt bis zu fünf Bilder an, die das Ergebnis steuern, statt als feste Einzelbilder zu dienen. Geben Sie eine Figur, ein Outfit, ein Produkt oder einen Ort vor und beschreiben Sie die Handlung frei. Neben den sechs festen Formaten können Sie hier auch adaptiv wählen.

Jeder Clip kommt mit einer Stereo-Tonspur, die zusammen mit dem Bild entsteht und nicht nachträglich darübergelegt wird. Schreiben Sie Dialog, Musik oder Geräusche in den Prompt, dann werden sie Teil des Ergebnisses. Die Tonspur ist immer aktiv, planen Sie sie also auch dann ein, wenn Sie nur das Bild brauchen.

Die Dauer kann jede ganze Zahl von 4 bis 15 Sekunden sein. So passt ein Clip auf einen Taktschlag im Schnitt oder in das Zeitfenster einer Plattform, ohne dass Sie auf feste Stufen runden müssen. Die Credit-Angabe auf dem Generieren-Button ändert sich, während Sie den Wert verschieben.

768P ist die sinnvolle Stufe für Tests und Social-Media-Feeds, 2K die für die Fassung, die Sie abliefern. Weil sich die Kosten auf dem Generieren-Button mit der Auflösung ändern, können Sie beide Stufen selbst vergleichen und 2K für den Take aufheben, bei dem sich das zusätzliche Detail lohnt.

Laden Sie das freigegebene Produktfoto als Endbild hoch und beschreiben Sie den Aufbau davor: ein Deckel, der sich hebt, Licht, das über das Etikett streicht, ein leises Rauschen und ein abschließender Glockenton. Der Clip endet auf dem Bild, das Ihr Kunde bereits abgenommen hat, und die Endfassung lässt sich in 2K erzeugen.

Für Feeds, die vor allem auf dem Smartphone laufen, schreiben Sie eine kurze 9:16-Szene mit einem gesprochenen Satz und einem Musikbett, stellen acht oder zehn Sekunden ein und erzeugen in 768P. Der Post kommt mit fertigem Ton, es bleibt also weniger nachzuarbeiten.

Machen Sie aus zwei Storyboard-Feldern ein Start- und ein Endbild und lassen Sie das Modell die Bewegung dazwischen füllen. In 768P kann ein Team Tempo, Kamerabewegung und groben Ton prüfen, bevor ein Drehtag gebucht oder ein 2K-Render in Auftrag gegeben wird.

Legen Sie sich bis zu fünf Referenzbilder von Figur, Outfit und typischer Umgebung zurecht und verwenden Sie sie in jeder Folge wieder, während sich nur der Prompt ändert. Wer jedes Mal vom selben Set ausgeht, hilft einer Serie, von Clip zu Clip wiedererkennbar zu bleiben.

Exportieren Sie aus Ihrer Timeline das letzte Bild einer Einstellung und das erste der nächsten, laden Sie beide als Enden hoch und erzeugen Sie die Bewegung, die sie verbindet. Da der Bildmodus dem Format des Bildes folgt, passt der Übergang zum Format Ihres Schnittprojekts.

Weite Aufnahmen in 21:9 oder 16:9 von einer Stadt in der Dämmerung, einem Wald nach dem Regen oder einem ruhigen Café, jeweils mit passender Atmo, eignen sich als Hintergrund für Intros, Präsentationen und Videoessays. Verlangen Sie nur Atmo ohne Musik, wenn später ein Sprecher darüber spricht.

Schließen Sie zuerst die Bildbeschreibung ab und beginnen Sie dann einen neuen Satz für den Ton, etwa: „Ton: gleichmäßiger Regen auf einem Blechdach, fernes Donnergrollen, keine Musik.“ Getrennt bleibt der Prompt lesbar, und es ist klar, welche Wörter die Tonspur betreffen.

Setzen Sie gesprochene Sätze in Anführungszeichen und sagen Sie, wer sie wie spricht: Der alte Fischer murmelt: „Ein Sturm zieht auf.“ Halten Sie Sätze so kurz, dass sie in den Clip passen. Eine Einstellung von sechs Sekunden bietet Platz für einen Satz, nicht für eine Rede.

Ein Genrename allein bleibt vage. Versuchen Sie ein langsames Cello-Solo, einen warmen Lo-Fi-Beat mit Vinylknistern oder hellen Synthpop mit Handclaps, und sagen Sie, ob die Musik leise einsetzen, zum Ende anschwellen oder dezent unter den Stimmen bleiben soll.

Geräusche lassen sich leichter platzieren, wenn sie an etwas im Bild hängen: Die Tür knarrt beim Aufschwingen, Gläser klirren, wenn zwei Freunde anstoßen, Schotter knirscht unter den Fahrradreifen. Die Verbindung von Ton und Aktion gibt zugleich einen Hinweis darauf, wann das Geräusch kommen soll.

Es gibt keinen Schalter, der den Ton abstellt. Wenn Sie einen fast stillen Clip möchten, verlangen Sie ruhige Raumatmosphäre oder leichten Wind, statt den Ton im Prompt wegzulassen, und schalten Sie die Spur im Schnittprogramm stumm, falls die Endfassung völlig still sein muss.

Sobald Bilder hochgeladen sind, steht der Look fest. Nutzen Sie den Prompt für das, was sich bewegt, wie die Kamera fährt und was zu hören ist, statt die Szene ein zweites Mal zu beschreiben. Im Referenzmodus sagen Sie in einfachen Worten, wofür jedes Bild steht.