MiniMax H3 Image thử thực tế: 4K gốc, 16 ảnh tham chiếu và biến ảnh thành video với H3

Góc nhìn9 phút đọc
MiniMax H3 Image thử thực tế: 4K gốc, 16 ảnh tham chiếu và biến ảnh thành video với H3

So sánh MiniMax H3 Image vs Seedream 5.5 cùng prompt: sản phẩm, chân dung, chữ trên poster, chợ đêm, rồi chi tiết 4K, ghép 6 ảnh, chỉnh sửa và video.

Ngày 11 tháng 11, MiniMax phát hành H3 Image, người anh em của mô hình video MiniMax H3. Lời giới thiệu trong bài blog chính thức rất thẳng: 4K gốc, tối đa 16 ảnh tham chiếu trong một yêu cầu, và một mô hình duy nhất cho cả tạo lẫn chỉnh sửa. Điểm ít gặp hơn là trọng số (weights) của mô hình được công khai trên Hugging Face.

ZOOOP đã thêm MiniMax H3 Image vào Trình tạo hình ảnh AI hôm nay. Trước khi lên sóng, tôi chạy nó cùng Seedream 5.5 qua cùng một bộ prompt, rồi đưa một trong các kết quả cho H3 video để xem một ảnh tĩnh từ nó có chuyển động được ngay không.

MiniMax H3 Image là gì

Không có nhiều thiết lập, nhưng thiết lập nào cũng rộng rãi. Prompt dài được tới 32.000 ký tự, đủ cho cả một trang ghi chú storyboard. Có tám tỷ lệ khung hình: 21:9, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 và 9:16. Độ phân giải chỉ có hai nấc, 2K và 4K. Ở 4K cạnh dài khoảng 5.120 pixel, nên một ảnh 16:9 ra 5120×2891.

Để trống ô tham chiếu thì đó là tạo ảnh từ văn bản. Thả vào từ 1 đến 16 ảnh, nó sẽ chỉnh sửa hoặc kết hợp chúng. Điều nó không làm được là nền trong suốt, nên với sticker hay icon cần tách nền gọn gàng, bạn sẽ cần mô hình khác.

Về giá, tùy chọn 2K nằm trong nhóm rẻ, cùng nhóm với Seedream 5.5. 4K đắt hơn.

Cách tôi thử

Mô hình đối chứng là Seedream 5.5. Nó tối đa 2K, nên cả hai đều chạy ở 2K, mỗi mô hình một ảnh cho mỗi prompt:

  • Ảnh sản phẩm: một cốc cà phê gốm thủ công có đốm trên khăn trải bàn vải lanh, cạnh một chiếc bánh sừng bò bị cắn một miếng và một nhánh hương thảo, ánh sáng buổi sáng, 4:3
  • Chân dung trong bối cảnh: một người thợ làm bánh lớn tuổi, cánh tay dính đầy bột, trong tiệm bánh tường đá lúc bình minh, 3:4
  • Poster du lịch cổ điển: tiêu đề "VISIT THE NORTHERN LIGHTS", dòng "Tromsø · Winter 2026" ở đáy, một căn nhà gỗ nhỏ màu đỏ dưới cực quang, 2:3
  • Ảnh chụp từ trên cao một khu chợ đêm trong mưa: hàng trăm chiếc đèn lồng, những quầy đồ ăn bốc khói, bóng phản chiếu trên mặt đường ướt, người đi dưới ô, 16:9

Sau đó tôi thêm vài bài phụ. Chợ đêm được chạy lại ở 4K, thứ chỉ MiniMax H3 Image làm được. Sáu ảnh tham chiếu được ghép thành một ô cửa kính quán cà phê, một bức ảnh chú corgi được biến thành ngày tuyết rơi, và cuối cùng ảnh cốc cà phê được đưa cho H3 video để làm một clip 5 giây.

Ảnh sản phẩm và chân dung so với Seedream 5.5

Cả hai ảnh cốc cà phê đều dùng được ngay. Khác biệt nằm ở không khí. MiniMax H3 Image chọn ánh sáng ấm hơn và đặt một chiếc bánh sừng bò lớn sát ống kính, mặt cắn và vụn bánh nằm ngay tiền cảnh. Đó là bố cục quảng cáo. Seedream 5.5 đặt bánh lên một chiếc đĩa nhỏ và đẩy ra phía sau, cho khăn trải bàn ánh xanh xám, và giữ cả khung hình trầm hơn.

Ảnh sản phẩm cốc cà phê và bánh sừng bò, so sánh

Trái: H3 Image, phải: Seedream 5.5

Chân dung cho thấy khoảng cách lớn hơn. H3 cho tôi một cảnh có câu chuyện: một bà cụ đang làm việc bên bàn, cây cán bột cạnh tay, bột bám đầy cẳng tay, kệ bánh mì phía sau và ánh sáng cửa sổ hắt vào từ bên trái. Seedream 5.5 làm thành một bức chân dung chính diện, người thợ làm bánh nhìn thẳng vào máy ảnh trong khi tiệm bánh mờ dần thành hậu cảnh. Cho việc kể chuyện thương hiệu, bản của H3 hữu ích hơn. Nếu bạn chỉ cần một bức ảnh người gọn gàng, bản của Seedream hoàn toàn ổn.

Chân dung trong bối cảnh của một người thợ làm bánh lớn tuổi, so sánh

Trái: H3 Image, phải: Seedream 5.5

Chữ trên poster và một cảnh đêm lớn

Poster là bài thử chữ. Cả hai mô hình đều viết đúng tiêu đề, và cả dòng "Tromsø · Winter 2026" ở đáy. Tuy vậy MiniMax H3 Image tự chèn thêm một dòng "Norway" ngay dưới tiêu đề. Tromsø đúng là ở Na Uy, nhưng dòng đó không có trong prompt. Nếu đây là nội dung khách hàng đã duyệt, kiểu ứng biến này nghĩa là phải làm lại.

Poster du lịch cổ điển, so sánh

Trái: H3 Image, phải: Seedream 5.5

Cả hai đều xử lý chợ đêm rất đẹp. Đèn lồng, hơi nước và bóng phản chiếu trên mặt đất đều có đủ. H3 chụp gần như thẳng từ trên xuống, như một chiếc flycam treo lơ lửng trên phố. Seedream 5.5 nghiêng góc máy và để lộ những tòa nhà phía xa, tạo nhiều chiều sâu hơn. Phần này coi như hòa. Tùy bạn muốn góc nhìn nào.

Ảnh từ trên cao khu chợ đêm trong mưa, so sánh

Trái: H3 Image, phải: Seedream 5.5

4K thực sự mang lại gì

Tôi chạy lại prompt chợ đêm trên MiniMax H3 Image ở 4K, và tệp ra 5120×2891. Thu nhỏ lại thì nó trông gần như bản 2K. Phóng lên 100% bạn mới thấy nó dùng để làm gì.

Toàn bộ ảnh chợ đêm 4K

Toàn bộ ảnh chợ đêm 4K, được thu nhỏ ở đây

Cắt riêng quầy mì bên trái ra, mọi thứ vẫn giữ được: hơi nước trên nồi, những hàng bát, bóng phản chiếu trên những chiếc ô trong suốt, không thứ gì nhòe vào nhau. Các biển lớn "拉麵 NOODLES" và "炒飯 FRIED RICE" được viết sạch sẽ. Chữ nhỏ mới là chỗ vỡ. Mấy chữ Hán nhỏ cạnh tấm biển hóa ra là chữ vô nghĩa khi phóng to.

Ảnh cắt từ bản gốc 4K

Quầy mì bên trái của bản gốc 4K, cắt ở 100%, tấm biển ở góc trên bên trái

Vậy 4K hợp với những cảnh chân thực bạn định phóng to hoặc cắt sau này, như tách nhiều bài đăng mạng xã hội từ một khung hình rộng. Đừng trông chờ nó viết đúng chữ nhỏ. Nó cũng không chậm hơn 2K là bao. Ở lượt này, H3 mất khoảng 28 đến 50 giây mỗi ảnh ở 2K và khoảng 28 đến 61 giây ở 4K. Seedream 5.5 ở 2K mất 24 đến 35 giây, nhanh hơn một chút.

Sáu ảnh thành một, cộng thêm một lần chỉnh sửa

MiniMax H3 Image nhận tối đa 16 ảnh tham chiếu, còn Seedream 5.5 nhận tối đa 10. Tôi dùng sáu ảnh và yêu cầu một ô cửa kính quán cà phê: vài món đầu tiên bày trên quầy gỗ, chiếc xe đạp đỏ trong mood board đậu bên ngoài cửa kính, và ba tấm poster treo trên bức tường phía sau.

Sáu ảnh tham chiếu

Sáu ảnh tham chiếu, từ trái sang phải: hộp trà và túi trà, cốc cà phê và bánh sừng bò, đồ chơi robot bằng nỉ, ấm trà trắng, mood board, ba tấm poster minh họa

Cả hai đều đưa đủ sáu thứ vào, và hoa trên hộp trà, con robot cùng các tấm poster đều khớp với tham chiếu. Chỗ khác nhau là cách sắp đặt. H3 đưa chiếc xe đạp vào trong quán và dựng tựa vào một cái bàn. Seedream 5.5 làm đúng yêu cầu và để nó trên vỉa hè bên ngoài. Trong bài thử này H3 không làm theo chỉ dẫn vị trí trong ảnh ghép nhiều ảnh, nên hãy kiểm tra ảnh ghép của bạn sau khi có kết quả. Về thời gian, H3 mất 51 giây cho ảnh này và Seedream 39 giây.

Ảnh ghép ô cửa kính quán cà phê từ sáu ảnh, so sánh

Trái: H3 Image, phải: Seedream 5.5

Về chỉnh sửa, tôi thử yêu cầu phổ biến nhất trong Chỉnh sửa hình ảnh: một bức ảnh điện thoại chụp chú corgi gác chân lên quầy bên cạnh một chai màu vàng, biến thành ngày tuyết rơi mà vẫn giữ nguyên chú chó và cái chai. Cả hai đều làm được, tư thế chú corgi và cái chai vẫn y nguyên. H3 phủ tuyết dày hơn và tông lạnh hơn, còn Seedream giữ lại nhiều hơi ấm của ảnh gốc. Bản nào cũng dùng được. H3 mất khoảng 71 giây cho lần chỉnh sửa này, chậm hơn so với khi tạo ảnh từ văn bản.

Ảnh chú corgi được chỉnh thành cảnh tuyết

Từ trái sang phải: ảnh gốc, bản tuyết của H3 Image, bản tuyết của Seedream 5.5

Từ ảnh thành video với H3

MiniMax H3 Image cùng họ với mô hình video MiniMax H3, nên để kết thúc, tôi đưa ảnh cốc cà phê cho H3 video làm khung đầu: 480p, 5 giây, với prompt "hơi nước bốc lên, máy quay từ từ tiến vào, một bàn tay đưa vào từ bên phải và cầm chiếc bánh sừng bò lên". Trên ZOOOP, đó là Khung Bắt Đầu / Kết Thúc chỉ điền khung đầu.

Cả ba điều đều xảy ra. Hơi nước bốc lên, máy quay tiến vào, và một bàn tay đưa vào từ bên phải nhấc chiếc bánh lên với chuyển động trông tự nhiên. Nhưng có một lỗi liên tục. Chiếc bánh sừng bò đã bị cắn một miếng lại nguyên vẹn khi được nhấc lên, điều bạn thấy được khi so khung đầu với hai khung cuối. Mô hình nhớ chiếc bánh nhưng quên vết cắn. Bạn có thể thử nhắc lại "đã bị cắn một miếng" trong prompt video, hoặc đơn giản là bắt đầu từ một khung hình có chiếc bánh còn nguyên.

Năm khung hình từ clip ảnh thành video

Năm khung hình từ clip H3 video theo thứ tự thời gian, từ trái sang phải; ở hai khung cuối chiếc bánh sừng bò lại nguyên vẹn

Video mất khoảng 171 giây để tạo.

Nên dùng mô hình nào

Chọn MiniMax H3 Image khi bạn cần 4K, những ảnh chân thực cỡ lớn để phóng to và cắt, hoặc nhiều tham chiếu trong một lần. Ảnh sản phẩm và chân dung của nó có cảm giác không gian rõ rệt, trông giống buổi chụp quảng cáo thật và ảnh tư liệu hơn.

Với nền trong suốt, những lần chỉnh sửa ổn định qua nhiều lượt trên cùng một bức ảnh, hoặc đặt vật thể đúng chỗ bạn yêu cầu, Seedream 5.5 là lựa chọn chắc ăn hơn. Lần này nó là mô hình duy nhất đặt chiếc xe đạp đúng chỗ. Với những bố cục nhiều chữ như menu và infographic, cả hai đều không phải lựa chọn đầu tiên; hãy dùng GPT Image 2.6.

Thêm một điều tiện lợi: bất cứ thứ gì bạn tạo ra đều có thể đưa thẳng cho H3 video làm khung đầu. Để thử, hãy mở MiniMax H3 Image, chạy vài ảnh ở 2K để tìm hướng, rồi chuyển sang 4K khi bạn ưng ý.

Câu hỏi thường gặp

MiniMax H3 Image nhận được bao nhiêu ảnh tham chiếu?

Tối đa 16. Không có ảnh thì là tạo ảnh từ văn bản; thêm ảnh vào thì nó chỉnh sửa hoặc kết hợp chúng. Seedream 5.5 nhận tối đa 10.

MiniMax H3 Image có tạo được nền trong suốt không?

Không. Với sticker, icon hay ảnh sản phẩm tách nền trong suốt, hãy dùng Seedream 5.5.

Ảnh 4K lớn cỡ nào?

Cạnh dài khoảng 5.120 pixel, nên 16:9 ra 5120×2891. Cả 2K và 4K đều có đủ tám tỷ lệ khung hình.

Có chạy MiniMax H3 Image trên máy mình được không?

Trọng số mô hình được công khai trên Hugging Face, nên bạn có thể tải về và tự chạy; hãy xem tài liệu chính thức về yêu cầu phần cứng. Trên ZOOOP thì không cần cài đặt gì: mở trang mô hình và viết prompt.

H3 Image và H3 video phối hợp với nhau thế nào?

Tạo ảnh trước, rồi đưa nó cho H3 video làm khung đầu và mô tả cảnh nên chuyển động ra sao. Chi tiết có thể thay đổi trong video, như chiếc bánh sừng bò ở đây mất vết cắn khi được nhấc lên.

Chia sẻ

Khám phá thêm

Xem tất cả