MiniMax H3 Image की परख: नेटिव 4K, 16 रेफ़रेंस इमेज, और H3 के साथ इमेज से वीडियो

MiniMax H3 Image बनाम Seedream 5.5, एक ही प्रॉम्प्ट पर: प्रोडक्ट, पोर्ट्रेट, पोस्टर टेक्स्ट, नाइट मार्केट, 4K डिटेल, 6 इमेज का कंपोज़िट, एडिट और वीडियो।
11 नवंबर को MiniMax ने H3 Image जारी किया, जो उसके MiniMax H3 वीडियो मॉडल का साथी मॉडल है। आधिकारिक ब्लॉग पोस्ट का दावा सीधा है: नेटिव 4K, एक ही अनुरोध में 16 तक रेफ़रेंस इमेज, और बनाने व एडिट करने, दोनों के लिए एक ही मॉडल। कम देखने को मिलने वाली बात यह है कि इसके वेट्स Hugging Face पर खुले तौर पर उपलब्ध हैं।
ZOOOP ने आज MiniMax H3 Image को AI छवि जेनरेटर में जोड़ा। लाइव होने से पहले मैंने इसे और Seedream 5.5 को प्रॉम्प्ट के एक ही सेट पर चलाया, फिर एक नतीजा H3 वीडियो को सौंपा, यह देखने के लिए कि क्या इससे बनी स्टिल तस्वीर तुरंत चलने लग सकती है।
MiniMax H3 Image क्या है
सेटिंग ज़्यादा नहीं हैं, लेकिन हर एक उदार है। प्रॉम्प्ट 32,000 कैरेक्टर तक लंबे हो सकते हैं, जो स्टोरीबोर्ड नोट्स के पूरे पेज के लिए काफ़ी है। आठ आस्पेक्ट रेशियो मिलते हैं: 21:9, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 और 9:16। रेज़ोल्यूशन के बस दो स्तर हैं, 2K और 4K। 4K पर लंबी साइड लगभग 5,120 पिक्सेल होती है, इसलिए 16:9 इमेज 5120×2891 की बनती है।
रेफ़रेंस स्लॉट ख़ाली छोड़ें तो यह टेक्स्ट-टू-इमेज है। 1 से 16 तक इमेज डालें, तो यह उन्हें एडिट करता है या मिलाता है। यह ट्रांसपेरेंट बैकग्राउंड नहीं बना सकता, इसलिए जिन स्टिकर या आइकन को साफ़ कटआउट चाहिए, उनके लिए कोई दूसरा मॉडल लें।
कीमत की बात करें तो 2K विकल्प सस्ती श्रेणी में आता है, वही जिसमें Seedream 5.5 है। 4K की कीमत ज़्यादा है।
मैंने कैसे परखा
तुलना वाला मॉडल Seedream 5.5 है। वह अधिकतम 2K तक जाता है, इसलिए दोनों 2K पर चले, हर प्रॉम्प्ट पर दोनों की एक-एक इमेज:
- प्रोडक्ट शॉट: लिनन के मेज़पोश पर हाथ से बना चित्तीदार सिरेमिक कॉफ़ी मग, बगल में एक बाइट खाया हुआ क्रोसाँ और रोज़मेरी की टहनी, सुबह की रोशनी, 4:3
- परिवेश में पोर्ट्रेट: भोर में पत्थर की बेकरी में आटे से सनी बाँहों वाला एक बुज़ुर्ग बेकर, 3:4
- विंटेज ट्रैवल पोस्टर: हेडलाइन "VISIT THE NORTHERN LIGHTS", नीचे "Tromsø · Winter 2026", अरोरा के नीचे एक छोटा लाल केबिन, 2:3
- बारिश में नाइट मार्केट का एरियल शॉट: सैकड़ों लालटेनें, भाप छोड़ते खाने के स्टॉल, गीले फ़ुटपाथ पर प्रतिबिंब, छाते लिए लोग, 16:9
फिर मैंने कुछ अतिरिक्त टेस्ट जोड़े। नाइट मार्केट को 4K पर दोबारा चलाया, जो सिर्फ़ MiniMax H3 Image कर सकता है। छह रेफ़रेंस इमेज मिलाकर एक कॉफ़ी शॉप की खिड़की बनाई, एक कॉर्गी फ़ोटो को बर्फ़ीले दिन में बदला, और आख़िर में कॉफ़ी मग वाली इमेज 5 सेकंड की क्लिप के लिए H3 वीडियो को भेजी।
प्रोडक्ट शॉट और पोर्ट्रेट बनाम Seedream 5.5
दोनों मग इमेज जैसी हैं वैसी इस्तेमाल हो सकती थीं। फ़र्क़ मूड का है। MiniMax H3 Image ने ज़्यादा गर्म रोशनी चुनी और एक बड़ा क्रोसाँ लेंस के पास रखा, उसका कटा हिस्सा और चूरा ठीक फ़ोरग्राउंड में। यह विज्ञापन वाला लेआउट है। Seedream 5.5 ने क्रोसाँ को एक छोटी प्लेट पर रखकर पीछे कर दिया, मेज़पोश को धूसर-हरा रंग दिया, और पूरा फ़्रेम ज़्यादा शांत रखा।

बाएँ: H3 Image, दाएँ: Seedream 5.5
पोर्ट्रेट में फ़र्क़ ज़्यादा बड़ा है। H3 ने मुझे एक ऐसा दृश्य दिया जिसमें कहानी है: काम की मेज़ पर काम करती एक बुज़ुर्ग महिला, हाथ के पास बेलन, बाँहों पर आटा ही आटा, पीछे ब्रेड की शेल्फ़ें, और बाईं ओर से आती खिड़की की रोशनी। Seedream 5.5 ने इसे सामने से लिया गया सीधा पोर्ट्रेट बना दिया, नज़र सीधे कैमरे पर, और बेकरी पृष्ठभूमि में धुंधली पड़ जाती है। ब्रांड स्टोरीटेलिंग के लिए H3 वाला वर्ज़न ज़्यादा काम का है। अगर आपको बस किसी व्यक्ति की साफ़ तस्वीर चाहिए, तो Seedream वाली बिल्कुल ठीक है।

बाएँ: H3 Image, दाएँ: Seedream 5.5
पोस्टर का टेक्स्ट और रात का एक बड़ा दृश्य
पोस्टर अक्षरों की परीक्षा है। दोनों मॉडल ने हेडलाइन सही लिखी, और नीचे वाली "Tromsø · Winter 2026" पंक्ति भी। लेकिन MiniMax H3 Image ने हेडलाइन के नीचे "Norway" लिखी एक अतिरिक्त पंक्ति चुपके से डाल दी। Tromsø सच में नॉर्वे में है, लेकिन वह पंक्ति प्रॉम्प्ट में नहीं थी। अगर यह किसी क्लाइंट की मंज़ूर की हुई कॉपी होती, तो इस तरह की मनमानी का मतलब है दोबारा काम।

बाएँ: H3 Image, दाएँ: Seedream 5.5
दोनों ने नाइट मार्केट को ख़ूबसूरती से संभाला। लालटेनें, भाप और ज़मीन पर प्रतिबिंब, सब मौजूद हैं। H3 ने इसे लगभग सीधे ऊपर से शूट किया, जैसे कोई ड्रोन सड़क के ऊपर टँगा हो। Seedream 5.5 ने कोण झुकाया और दूर की इमारतें दिखने दीं, जिससे इसमें ज़्यादा गहराई आती है। इसे बराबरी मान लीजिए। बात इस पर आती है कि आपको कौन-सा नज़ारा चाहिए।

बाएँ: H3 Image, दाएँ: Seedream 5.5
4K से असल में क्या मिलता है
मैंने नाइट मार्केट वाला प्रॉम्प्ट MiniMax H3 Image पर 4K में दोबारा चलाया, और फ़ाइल 5120×2891 की बनी। छोटा करके देखें तो यह लगभग 2K वर्ज़न जैसी ही दिखती है। 100% पर ज़ूम करें, तब समझ आता है कि यह किस काम की है।

पूरी 4K नाइट मार्केट इमेज, यहाँ छोटी करके दिखाई गई
बाईं ओर के नूडल स्टॉल को क्रॉप करें, तो सब कुछ टिका रहता है: बर्तनों के ऊपर भाप, कटोरों की कतारें, पारदर्शी छातों पर प्रतिबिंब, कुछ भी आपस में घुला-मिला नहीं। बड़े बोर्ड, "拉麵 NOODLES" और "炒飯 FRIED RICE", साफ़ लिखे हैं। छोटा टेक्स्ट वह जगह है जहाँ बात बिगड़ती है। बोर्ड के पास के छोटे चीनी अक्षर ज़ूम करने पर बेमतलब निकलते हैं।

4K ओरिजिनल में बाईं ओर का नूडल स्टॉल, 100% पर क्रॉप किया हुआ, ऊपर बाईं ओर बोर्ड
तो 4K उन यथार्थवादी दृश्यों के लिए ठीक है जिन्हें आप बाद में बड़ा या क्रॉप करना चाहते हैं, जैसे एक वाइड शॉट से कई सोशल पोस्ट निकालना। छोटे टेक्स्ट को सही बनाने के लिए इस पर भरोसा न करें। यह 2K से बहुत धीमा भी नहीं है। इस राउंड में H3 को 2K पर हर इमेज के लिए करीब 28 से 50 सेकंड और 4K पर करीब 28 से 61 सेकंड लगे। 2K पर Seedream 5.5 को 24 से 35 सेकंड लगे, थोड़ा तेज़।
छह इमेज मिलाकर एक, और एक एडिट
MiniMax H3 Image 16 तक रेफ़रेंस इमेज लेता है, जबकि Seedream 5.5 अधिकतम 10। मैंने छह इस्तेमाल कीं और एक कॉफ़ी शॉप की खिड़की माँगी: पहली कुछ चीज़ें लकड़ी के काउंटर पर सजी हुई, मूड बोर्ड वाली लाल साइकिल खिड़की के बाहर खड़ी, और तीनों पोस्टर पीछे की दीवार पर टँगे हुए।

छह रेफ़रेंस इमेज, बाएँ से दाएँ: चाय का डिब्बा और टी बैग, मग और क्रोसाँ, फ़ेल्ट का रोबोट खिलौना, सफ़ेद टीपॉट, मूड बोर्ड, तीन इलस्ट्रेटेड पोस्टर
दोनों ने छहों को शामिल किया, और चाय के डिब्बे के फूल, रोबोट और पोस्टर सब रेफ़रेंस से मेल खाते हैं। फ़र्क़ चीज़ों की जगह में है। H3 साइकिल को दुकान के अंदर ले आया और एक मेज़ से टिका दिया। Seedream 5.5 ने जैसा कहा गया वैसा किया और उसे बाहर फ़ुटपाथ पर छोड़ा। इस टेस्ट में H3 ने कई इमेज वाले कंपोज़िट में जगह से जुड़े निर्देश नहीं माने, इसलिए कंपोज़िट निकलते ही जाँच लें। समय की बात करें तो इसमें H3 को 51 सेकंड लगे और Seedream को 39।

बाएँ: H3 Image, दाएँ: Seedream 5.5
एडिटिंग के लिए मैंने AI टूल छवि संपादित करें का सबसे आम अनुरोध आज़माया: एक पीली बोतल के बगल में काउंटर पर पंजे टिकाए कॉर्गी की फ़ोन फ़ोटो को बर्फ़ीले दिन में बदलना, कुत्ते और बोतल को जस का तस छोड़कर। दोनों ने यह कर दिखाया, और कॉर्गी की मुद्रा और बोतल अपनी जगह रहे। H3 ने बर्फ़ ज़्यादा मोटी बिछाई और रंग ज़्यादा ठंडे रखे, जबकि Seedream ने ओरिजिनल की गर्माहट ज़्यादा बचाई। दोनों में से कोई भी इस्तेमाल हो सकता है। इस एडिट में H3 को करीब 71 सेकंड लगे, जो उसके टेक्स्ट-टू-इमेज से धीमा है।

बाएँ से दाएँ: ओरिजिनल फ़ोटो, H3 Image का बर्फ़ वाला एडिट, Seedream 5.5 का बर्फ़ वाला एडिट
H3 के साथ इमेज से वीडियो
MiniMax H3 Image उसी परिवार से है जिससे MiniMax H3 वीडियो मॉडल, इसलिए आख़िर में मैंने कॉफ़ी मग वाली इमेज H3 वीडियो को पहले फ़्रेम के तौर पर दी: 480p, 5 सेकंड, और प्रॉम्प्ट "भाप उठती है, कैमरा धीरे-धीरे पास आता है, दाईं ओर से एक हाथ आता है और क्रोसाँ उठा लेता है"। ZOOOP पर यह प्रारंभ / अंत फ़्रेम है, जिसमें सिर्फ़ पहला फ़्रेम भरा गया है।
तीनों चीज़ें हुईं। भाप उठती है, कैमरा पास आता है, और दाईं ओर से एक हाथ आकर स्वाभाविक-सी हरकत के साथ क्रोसाँ उठा लेता है। हालाँकि निरंतरता में एक चूक है। एक बाइट खाया हुआ क्रोसाँ उठाते ही फिर से साबुत हो जाता है, जिसे पहले फ़्रेम की आख़िरी दो फ़्रेम से तुलना करके देखा जा सकता है। मॉडल को क्रोसाँ याद रहा और बाइट भूल गया। आप वीडियो प्रॉम्प्ट में "एक बाइट खाया हुआ" दोहराकर देख सकते हैं, या सीधे बिना छुए क्रोसाँ वाले फ़्रेम से शुरू कर सकते हैं।

H3 वीडियो क्लिप के पाँच फ़्रेम समय के क्रम में, बाएँ से दाएँ; आख़िरी दो में क्रोसाँ फिर से साबुत है
वीडियो बनने में करीब 171 सेकंड लगे।
कौन-सा इस्तेमाल करें
MiniMax H3 Image तब चुनें जब आपको 4K चाहिए, बड़ी यथार्थवादी इमेज चाहिए जिन्हें आप बड़ा और क्रॉप करेंगे, या एक साथ बहुत सारे रेफ़रेंस चाहिए। इसके प्रोडक्ट शॉट और पोर्ट्रेट में जगह का एहसास गहरा है, और ये असली विज्ञापन शूट और डॉक्यूमेंट्री फ़ोटो के ज़्यादा क़रीब लगते हैं।
ट्रांसपेरेंट बैकग्राउंड, एक ही तस्वीर पर राउंड-दर-राउंड स्थिर एडिट, या ठीक वहीं रखी चीज़ें जहाँ आपने कहा, इनके लिए Seedream 5.5 ज़्यादा भरोसेमंद है। इस बार साइकिल को सही जगह रखने वाला वही इकलौता था। मेन्यू और इन्फ़ोग्राफ़िक जैसे टेक्स्ट से भरे लेआउट के लिए दोनों में से कोई पहली पसंद नहीं; इसकी जगह GPT Image 2.6 पर जाएँ।
एक और काम की बात: आप जो भी बनाएँ, वह पहले फ़्रेम के तौर पर सीधे H3 वीडियो में जा सकता है। आज़माने के लिए MiniMax H3 Image खोलें, दिशा तय करने के लिए 2K पर कुछ इमेज चलाएँ, फिर जो दिखे वह पसंद आने पर 4K पर जाएँ।
अक्सर पूछे जाने वाले सवाल
MiniMax H3 Image कितनी रेफ़रेंस इमेज ले सकता है?
अधिकतम 16। बिना इमेज के यह टेक्स्ट-टू-इमेज है; इमेज जोड़ें तो यह उन्हें एडिट करता है या मिलाता है। Seedream 5.5 अधिकतम 10 लेता है।
क्या MiniMax H3 Image ट्रांसपेरेंट बैकग्राउंड बना सकता है?
नहीं। ट्रांसपेरेंट बैकग्राउंड पर स्टिकर, आइकन या प्रोडक्ट कटआउट के लिए Seedream 5.5 इस्तेमाल करें।
4K इमेज कितनी बड़ी होती हैं?
लंबी साइड करीब 5,120 पिक्सेल होती है, इसलिए 16:9 इमेज 5120×2891 की बनती है। 2K और 4K दोनों में आठों आस्पेक्ट रेशियो मिलते हैं।
क्या मैं MiniMax H3 Image को लोकल चला सकता हूँ?
वेट्स Hugging Face पर सार्वजनिक हैं, इसलिए आप उन्हें डाउनलोड करके ख़ुद चला सकते हैं; हार्डवेयर की ज़रूरतों के लिए आधिकारिक नोट्स देखें। ZOOOP पर कुछ भी सेट अप नहीं करना: मॉडल पेज खोलें और प्रॉम्प्ट लिखें।
H3 Image और H3 वीडियो साथ में कैसे काम करते हैं?
पहले एक इमेज बनाएँ, फिर उसे पहले फ़्रेम के तौर पर H3 वीडियो को दें और बताएँ कि दृश्य कैसे चलना चाहिए। वीडियो में बारीकियाँ बदल सकती हैं, जैसे यहाँ क्रोसाँ उठाए जाने पर उसका बाइट का निशान ग़ायब हो गया।





