MiniMax H3 Image পরীক্ষা: নেটিভ 4K, 16টি রেফারেন্স ইমেজ, আর H3 দিয়ে ছবি থেকে ভিডিও

অন্তর্দৃষ্টি6 মিনিটে পড়ুন
MiniMax H3 Image পরীক্ষা: নেটিভ 4K, 16টি রেফারেন্স ইমেজ, আর H3 দিয়ে ছবি থেকে ভিডিও

একই প্রম্পটে MiniMax H3 Image বনাম Seedream 5.5: প্রোডাক্ট, পোর্ট্রেট, পোস্টারের লেখা, নাইট মার্কেট, তারপর 4K খুঁটিনাটি, 6টি ছবি জোড়া, এডিট আর ভিডিও।

11 নভেম্বর MiniMax প্রকাশ করেছে H3 Image, তাদের MiniMax H3 ভিডিও মডেলের সহোদর। আনুষ্ঠানিক ব্লগ পোস্টে দাবিটা সোজাসাপ্টা: নেটিভ 4K, একটা অনুরোধে সর্বোচ্চ 16টি রেফারেন্স ইমেজ, আর তৈরি ও এডিট দুটোর জন্যই একটাই মডেল। একটু অস্বাভাবিক ব্যাপার হলো, এর ওয়েট Hugging Face-এ সবার জন্য খোলা।

ZOOOP আজ MiniMax H3 Image যোগ করেছে AI ইমেজ জেনারেটর-এ। চালু হওয়ার আগে আমি এটা আর Seedream 5.5 একই সেট প্রম্পটে চালিয়েছি, তারপর একটা ফলাফল H3 ভিডিওর হাতে দিয়েছি, দেখতে যে এর একটা স্থির ছবি সঙ্গে সঙ্গে নড়াচড়া শুরু করতে পারে কি না।

MiniMax H3 Image কী

সেটিং বেশি নেই, তবে প্রতিটিই উদার। প্রম্পট 32,000 অক্ষর পর্যন্ত লম্বা হতে পারে, স্টোরিবোর্ডের পুরো এক পাতা নোটের জন্য যথেষ্ট। আটটি অ্যাসপেক্ট রেশিও পাবেন: 21:9, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 আর 9:16। রেজোলিউশনের মাত্র দুটো ধাপ, 2K আর 4K। 4K-তে লম্বা দিকটা প্রায় 5,120 পিক্সেল, তাই 16:9 ছবি আসে 5120×2891-এ।

রেফারেন্স স্লট ফাঁকা রাখলে এটা টেক্সট-টু-ইমেজ। 1 থেকে 16টি পর্যন্ত ছবি দিলে এটা সেগুলো এডিট করে বা জোড়া দেয়। যা পারে না তা হলো স্বচ্ছ ব্যাকগ্রাউন্ড, তাই যে স্টিকার বা আইকনে পরিষ্কার কাটআউট দরকার, তার জন্য অন্য মডেল লাগবে।

দামের দিক থেকে, 2K বিকল্পটা সস্তার শ্রেণিতে পড়ে, Seedream 5.5 যে শ্রেণিতে। 4K-এর দাম বেশি।

আমি কীভাবে পরীক্ষা করেছি

তুলনার মডেল Seedream 5.5। এর সর্বোচ্চ 2K, তাই দুটোই 2K-তে চলেছে, প্রতিটি প্রম্পটে দুটোর একটা করে ছবি:

  • প্রোডাক্ট শট: লিনেনের টেবিলক্লথের ওপর হাতে বানানো ছিটছিটে সিরামিকের কফি মগ, পাশে এক কামড় খাওয়া একটা ক্রোয়াসাঁ আর এক ডাল রোজমেরি, সকালের আলো, 4:3
  • পরিবেশসহ পোর্ট্রেট: ভোরবেলা পাথরের এক বেকারিতে ময়দামাখা হাতের এক বয়স্ক বেকার, 3:4
  • ভিনটেজ ভ্রমণ পোস্টার: শিরোনাম "VISIT THE NORTHERN LIGHTS", নিচে "Tromsø · Winter 2026", অরোরার নিচে ছোট একটা লাল কেবিন, 2:3
  • বৃষ্টিভেজা নাইট মার্কেটের এরিয়াল শট: শত শত লণ্ঠন, ভাপ ওঠা খাবারের স্টল, ভেজা ফুটপাতে প্রতিফলন, ছাতা মাথায় মানুষ, 16:9

তারপর কয়েকটা বাড়তি পরীক্ষা যোগ করেছি। নাইট মার্কেট আবার 4K-তে চালিয়েছি, যা শুধু MiniMax H3 Image পারে। ছয়টি রেফারেন্স ইমেজ জুড়ে একটা কফি শপের জানালা বানিয়েছি, একটা করগির ছবিকে তুষারের দিনে বদলেছি, আর শেষে কফি মগের ছবিটা 5 সেকেন্ডের একটা ক্লিপের জন্য H3 ভিডিওতে পাঠিয়েছি।

প্রোডাক্ট শট আর পোর্ট্রেট বনাম Seedream 5.5

দুটো মগের ছবিই যেমন আছে তেমন ব্যবহার করা যেত। পার্থক্য মেজাজে। MiniMax H3 Image বেছে নিয়েছে উষ্ণ আলো আর লেন্সের কাছে একটা বড় ক্রোয়াসাঁ, তার কাটা দিক আর গুঁড়ো একদম সামনে। এটা বিজ্ঞাপনের লেআউট। Seedream 5.5 ক্রোয়াসাঁটাকে একটা ছোট প্লেটে রেখে পেছনে সরিয়ে দিয়েছে, টেবিলক্লথে ধূসর-সবুজ আভা দিয়েছে, আর পুরো ফ্রেম আরও শান্ত রেখেছে।

কফি মগ আর ক্রোয়াসাঁর প্রোডাক্ট শট, তুলনা

বাঁয়ে: H3 Image, ডানে: Seedream 5.5

পোর্ট্রেটে ফারাক আরও বেশি। H3 আমাকে দিয়েছে গল্পসহ একটা দৃশ্য: কাজের টেবিলে কাজ করছেন এক বৃদ্ধা, হাতের পাশে বেলন, দুই বাহুতে ময়দা মাখা, পেছনে রুটির তাক আর বাঁদিক থেকে আসা জানালার আলো। Seedream 5.5 এটাকে সামনাসামনি একটা সোজা পোর্ট্রেট বানিয়েছে, দৃষ্টি সরাসরি ক্যামেরার দিকে, আর বেকারিটা পটভূমিতে মিলিয়ে যায়। ব্র্যান্ডের গল্প বলার জন্য H3-এর ভার্সন বেশি কাজের। শুধু একজন মানুষের পরিষ্কার ছবি দরকার হলে Seedream-এরটা একদম ঠিক আছে।

এক বয়স্ক বেকারের পরিবেশসহ পোর্ট্রেট, তুলনা

বাঁয়ে: H3 Image, ডানে: Seedream 5.5

পোস্টারের লেখা আর রাতের একটা বড় দৃশ্য

পোস্টারটা অক্ষরের পরীক্ষা। দুটো মডেলই শিরোনাম ঠিক লিখেছে, নিচের "Tromsø · Winter 2026" লাইনটাও। তবে MiniMax H3 Image শিরোনামের নিচে "Norway" লেখা একটা বাড়তি লাইন ঢুকিয়ে দিয়েছে। Tromsø সত্যিই নরওয়েতে, কিন্তু ওই লাইন প্রম্পটে ছিল না। এটা যদি কোনো ক্লায়েন্টের অনুমোদিত কপি হতো, এ ধরনের নিজস্ব সংযোজন মানে আবার কাজ করা।

ভিনটেজ ভ্রমণ পোস্টার, তুলনা

বাঁয়ে: H3 Image, ডানে: Seedream 5.5

দুটোই নাইট মার্কেট দারুণভাবে সামলেছে। লণ্ঠন, ভাপ আর মাটিতে প্রতিফলন, সবই আছে। H3 প্রায় সোজা ওপর থেকে তুলেছে, যেন রাস্তার ওপর একটা ড্রোন ঝুলে আছে। Seedream 5.5 কোণটা হেলিয়ে দূরের ভবনগুলো দেখা যেতে দিয়েছে, তাতে গভীরতা বেড়েছে। এটাকে ড্র ধরুন। আপনি কোন দৃশ্য চান, সেটাই আসল কথা।

বৃষ্টিভেজা নাইট মার্কেটের এরিয়াল শট, তুলনা

বাঁয়ে: H3 Image, ডানে: Seedream 5.5

4K আসলে কী দেয়

আমি MiniMax H3 Image-এ নাইট মার্কেটের প্রম্পট আবার 4K-তে চালিয়েছি, আর ফাইলটা এসেছে 5120×2891-এ। ছোট করে দেখলে এটা প্রায় 2K ভার্সনের মতোই। 100%-এ জুম করলে বোঝা যায় এটা কীসের জন্য।

পুরো 4K নাইট মার্কেটের ছবি

পুরো 4K নাইট মার্কেটের ছবি, এখানে ছোট করে দেখানো

বাঁদিকের নুডলসের স্টলটা ক্রপ করুন, সবকিছু টিকে থাকে: হাঁড়ির ওপরের ভাপ, বাটির সারি, স্বচ্ছ ছাতায় প্রতিফলন, কোনোটাই একসঙ্গে লেপ্টে যায়নি। বড় সাইনবোর্ডগুলো, "拉麵 NOODLES" আর "炒飯 FRIED RICE", পরিষ্কার করে লেখা। ছোট লেখাতেই গোলমাল। সাইনবোর্ডের পাশের ছোট চীনা অক্ষরগুলো জুম করলে অর্থহীন হিজিবিজি বেরোয়।

4K মূল ছবি থেকে একটা ক্রপ

4K মূল ছবির বাঁদিকের নুডলসের স্টল, 100%-এ ক্রপ করা, ওপরে বাঁয়ে সাইনবোর্ড

তাই 4K মানানসই সেই বাস্তবধর্মী দৃশ্যের জন্য যা আপনি পরে বড় বা ক্রপ করতে চান, যেমন একটা ওয়াইড শট থেকে কয়েকটা সোশ্যাল পোস্ট বের করা। ছোট লেখা ঠিক হবে, এমন ভরসা করবেন না। এটা 2K-এর চেয়ে খুব একটা ধীরও নয়। এই দফায় H3 প্রতি ছবিতে 2K-তে প্রায় 28 থেকে 50 সেকেন্ড আর 4K-তে প্রায় 28 থেকে 61 সেকেন্ড নিয়েছে। 2K-তে Seedream 5.5 নিয়েছে 24 থেকে 35 সেকেন্ড, একটু দ্রুত।

ছয়টি ছবি জুড়ে একটা, সঙ্গে একটা এডিট

MiniMax H3 Image সর্বোচ্চ 16টি রেফারেন্স ইমেজ নেয়, আর Seedream 5.5 নেয় সর্বোচ্চ 10টি। আমি ছয়টি ব্যবহার করে একটা কফি শপের জানালা চেয়েছি: প্রথম কয়েকটা জিনিস কাঠের কাউন্টারে সাজানো, মুড বোর্ডের লাল সাইকেলটা জানালার বাইরে দাঁড় করানো, আর তিনটে পোস্টার পেছনের দেয়ালে ঝোলানো।

ছয়টি রেফারেন্স ইমেজ

ছয়টি রেফারেন্স ইমেজ, বাঁ থেকে ডানে: চায়ের কৌটা আর টি ব্যাগ, মগ আর ক্রোয়াসাঁ, ফেল্টের রোবট খেলনা, সাদা টিপট, মুড বোর্ড, তিনটে ইলাস্ট্রেটেড পোস্টার

দুটোই ছয়টিকেই এনেছে, আর চায়ের কৌটার ফুল, রোবট আর পোস্টার সবই রেফারেন্সের সঙ্গে মেলে। পার্থক্য জিনিসের জায়গায়। H3 সাইকেলটাকে দোকানের ভেতরে এনে একটা টেবিলে হেলান দিয়ে রেখেছে। Seedream 5.5 কথামতো সেটাকে বাইরে ফুটপাতে রেখেছে। এই পরীক্ষায় H3 একাধিক ছবির কম্পোজিটে জায়গা-সংক্রান্ত নির্দেশ মানেনি, তাই কম্পোজিট বের হলেই মিলিয়ে নিন। সময়ের হিসেবে, এটায় H3 নিয়েছে 51 সেকেন্ড আর Seedream 39।

ছয়টি ছবি জুড়ে কফি শপের জানালার কম্পোজিট, তুলনা

বাঁয়ে: H3 Image, ডানে: Seedream 5.5

এডিটিংয়ের জন্য আমি AI টুল ইমেজ সম্পাদনা করুন-এর সবচেয়ে সাধারণ অনুরোধটা চেষ্টা করেছি: একটা হলুদ বোতলের পাশে কাউন্টারে থাবা তুলে রাখা একটা করগির ফোনের ছবিকে তুষারের দিনে বদলানো, কুকুর আর বোতল যেমন আছে তেমন রেখে। দুটোই পেরেছে, আর করগির ভঙ্গি আর বোতল জায়গামতো রয়ে গেছে। H3 তুষার বেশি পুরু করে বিছিয়েছে আর রং বেশি ঠান্ডা করেছে, আর Seedream মূল ছবির উষ্ণতা বেশি ধরে রেখেছে। যেকোনোটাই ব্যবহারযোগ্য। এই এডিটে H3 নিয়েছে প্রায় 71 সেকেন্ড, যা এর টেক্সট-টু-ইমেজের চেয়ে ধীর।

করগির ছবি এডিট করে তুষারের দৃশ্য

বাঁ থেকে ডানে: মূল ছবি, H3 Image-এর তুষার এডিট, Seedream 5.5-এর তুষার এডিট

H3 দিয়ে ছবি থেকে ভিডিও

MiniMax H3 Image এসেছে MiniMax H3 ভিডিও মডেলের একই পরিবার থেকে, তাই শেষে আমি কফি মগের ছবিটা H3 ভিডিওকে প্রথম ফ্রেম হিসেবে দিয়েছি: 480p, 5 সেকেন্ড, প্রম্পট "ভাপ ওঠে, ক্যামেরা ধীরে কাছে এগোয়, ডান দিক থেকে একটা হাত এসে ক্রোয়াসাঁটা তুলে নেয়"। ZOOOP-এ এটা হলো শুরু / শেষ ফ্রেম, যেখানে শুধু প্রথম ফ্রেম দেওয়া।

তিনটে জিনিসই ঘটেছে। ভাপ ওঠে, ক্যামেরা কাছে এগোয়, আর ডান দিক থেকে একটা হাত এসে স্বাভাবিক দেখতে নড়াচড়ায় ক্রোয়াসাঁটা তুলে নেয়। তবে ধারাবাহিকতায় একটা ভুল আছে। এক কামড় খাওয়া ক্রোয়াসাঁটা তুলে নেওয়ার পর আবার আস্ত হয়ে যায়, প্রথম ফ্রেমের সঙ্গে শেষ দুটো ফ্রেম মিলিয়ে দেখলেই বোঝা যায়। মডেল ক্রোয়াসাঁ মনে রেখেছে, কামড়টা ভুলে গেছে। ভিডিও প্রম্পটে "এক কামড় খাওয়া" কথাটা আবার লিখে দেখতে পারেন, অথবা সোজা একটা না-ছোঁয়া ক্রোয়াসাঁর ফ্রেম থেকে শুরু করতে পারেন।

ছবি থেকে ভিডিও ক্লিপের পাঁচটি ফ্রেম

H3 ভিডিও ক্লিপের পাঁচটি ফ্রেম সময়ের ক্রমে, বাঁ থেকে ডানে; শেষ দুটোতে ক্রোয়াসাঁ আবার আস্ত

ভিডিওটা তৈরি হতে প্রায় 171 সেকেন্ড লেগেছে।

কোনটা ব্যবহার করবেন

MiniMax H3 Image বেছে নিন যখন 4K দরকার, বড় বাস্তবধর্মী ছবি দরকার যা আপনি বড় করবেন আর ক্রপ করবেন, বা একসঙ্গে অনেক রেফারেন্স দরকার। এর প্রোডাক্ট শট আর পোর্ট্রেটে জায়গার একটা জোরালো অনুভূতি আছে, আর দেখতে আসল বিজ্ঞাপনের শুট আর ডকুমেন্টারি ছবির বেশি কাছাকাছি।

স্বচ্ছ ব্যাকগ্রাউন্ড, একই ছবিতে দফায় দফায় স্থির এডিট, বা ঠিক যেখানে বলেছেন সেখানে জিনিস বসানোর জন্য Seedream 5.5 বেশি নিরাপদ বাজি। এবার কেবল এটাই সাইকেলটাকে ঠিক জায়গায় রেখেছে। মেনু আর ইনফোগ্রাফিকের মতো লেখায় ভরা লেআউটের জন্য দুটোর কোনোটাই প্রথম পছন্দ নয়; তার বদলে GPT Image 2.6-এ যান।

আরও একটা কাজের কথা: আপনি যা-ই বানান, তা প্রথম ফ্রেম হিসেবে সরাসরি H3 ভিডিওতে যেতে পারে। চেষ্টা করতে MiniMax H3 Image খুলুন, দিক খুঁজতে 2K-তে কয়েকটা চালান, তারপর যা দেখছেন তা পছন্দ হলে 4K-তে যান।

সাধারণ প্রশ্ন

MiniMax H3 Image কতগুলো রেফারেন্স ইমেজ নিতে পারে?

সর্বোচ্চ 16টি। কোনো ছবি না দিলে এটা টেক্সট-টু-ইমেজ; ছবি যোগ করলে এটা সেগুলো এডিট করে বা জোড়া দেয়। Seedream 5.5 নেয় সর্বোচ্চ 10টি।

MiniMax H3 Image কি স্বচ্ছ ব্যাকগ্রাউন্ড বানাতে পারে?

না। স্বচ্ছ ব্যাকগ্রাউন্ডে স্টিকার, আইকন বা প্রোডাক্ট কাটআউটের জন্য Seedream 5.5 ব্যবহার করুন।

4K ছবি কত বড় হয়?

লম্বা দিকটা প্রায় 5,120 পিক্সেল, তাই 16:9 আসে 5120×2891-এ। 2K আর 4K দুটোতেই আটটি অ্যাসপেক্ট রেশিওই পাওয়া যায়।

MiniMax H3 Image কি নিজের কম্পিউটারে চালানো যায়?

ওয়েটগুলো Hugging Face-এ উন্মুক্ত, তাই আপনি নিজে ডাউনলোড করে চালাতে পারেন; হার্ডওয়্যারের চাহিদার জন্য আনুষ্ঠানিক নোট দেখুন। ZOOOP-এ কিছুই সেট আপ করতে হয় না: মডেলের পেজ খুলুন আর একটা প্রম্পট লিখুন।

H3 Image আর H3 ভিডিও একসঙ্গে কীভাবে কাজ করে?

আগে একটা ছবি বানান, তারপর সেটা প্রথম ফ্রেম হিসেবে H3 ভিডিওকে দিন আর দৃশ্যটা কীভাবে নড়বে তা বর্ণনা করুন। ভিডিওতে খুঁটিনাটি বদলে যেতে পারে, যেমন এখানে ক্রোয়াসাঁটা তুলে নেওয়ার সময় তার কামড়ের দাগ হারিয়ে গেছে।

শেয়ার করুন

আরও দেখুন

সব দেখুন