En öppen, snabbare version av MiniMax H3 som gör video med ljud från text i bara fyra steg, från FastVideo-gruppen vid Hao AI Lab.
Bildruta ur bloggens introduktionsklipp, skapat med FastH3 [1]
FastH3 Preview v1 är en destillerad version av MiniMax H3, en modell som skapar video med synkroniserat ljud från en textbeskrivning. FastVideo-teamet vid Hao AI Lab (UC San Diego) har tränat om basmodellens transformer så att den rekommenderade versionen bara behöver fyra beräkningssteg i stället för 49. Text- och videokodare och övriga delar återanvänds från MiniMax H3-Base, som enligt bloggen har 33 miljarder parametrar.
Enligt Hao AI Lab tar ett 15 sekunder långt klipp i 768p under 13 sekunder att skapa på åtta B200-grafikkort (12,88 s uppmätt), och på ett enda B200-kort blir det upp till drygt 14 gånger snabbare än basmodellen. Samma modell klarar olika upplösningar, bildformat och längder.
Preview v1 klarar bara text till video med ljud; varianter för start- och slutbild och för referensbilder var under utveckling. Vikterna finns på Hugging Face och omfattas av MiniMax H3 Community License. Träningskoden skulle släppas senare. Partners var bland andra Nuva Lab, NVIDIA och MiniMax.
Modellen har sedan dess följts av FastH3 Omni.
Inte bedömd än. Alla kan ändra.
Inga kommentarer än. Skriv gärna vilket projekt den kan passa i.