FastH3 Omni

FastH3 Omni kommer från FastVideo-teamet vid Hao AI Lab (UCSD) och bygger på MiniMax öppna video- och ljudmodell MiniMax H3. Man ger modellen en textbeskrivning och ett antal referenser – upp till nio bilder, tre videoklipp och tre ljudklipp, högst tolv totalt – och får tillbaka en färdig video med synkroniserat stereoljud. Referenserna kan vara en person som ska vara med, en produkt, en miljö eller en röst vars klang personen i videon ska tala med. Videorna blir 24 bilder per sekund och i testerna 5, 10 eller 15 sekunder långa i 1344 × 768 pixlar.

Poängen är farten. Originalmodellen behöver 50 beräkningssteg, FastH3 Omni klarar sig med 8 tack vare två destilleringstekniker (Parallel Decoding Distillation och Distribution Matching Distillation) som NVIDIA:s FastGen-team har tagit fram. Enligt FastVideo blir hela kedjan 5,6–11,9 gånger snabbare i 27 jämförda fall på åtta NVIDIA GB200-kort, till exempel 14 sekunder i stället för 140 för ett 15 sekunders klipp, och vissa uppgifter går i realtid. Träningen tog enligt teamet cirka 7 800 GPU-timmar på 64 NVIDIA B300. Modellen är framtagen tillsammans med Nuva Lab.

Vikterna finns på Hugging Face i flera varianter: en BF16-version för servrar, NVFP4-vikter för att köra lokalt på NVIDIA DGX Spark eller RTX 5090 (i 480p som standard), FP8-vikter och färdiga versioner för ComfyUI. Användningen styrs av MiniMax H3 Community License. Den tillåter kommersiell användning med villkor, men undantar uttryckligen EU, Storbritannien, Sydkorea och USA från de områden där modellen får användas – den får alltså inte användas i Sverige enligt licensen.