Diffusers documentation

MiniMax-H3

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.42.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

MiniMax-H3

LoRA

MiniMax-H3 は、動画とそのサウンドトラックを同時に生成します。単一の transformer が、テキストの条件付け、条件付けメディア、およびターゲットとなる動画と音声の潜在変数を含む、1 つのパックされたシーケンスをデノイズします。独立した vocoder も、事後の音声処理パスも存在しません。動画と音声は、同じデノイジングループから出力されます。

MiniMaxAI組織の下で、元のMiniMax-H3のチェックポイントを見つけることができます。

MiniMax-H3 は Modular Diffusers ブロックのみとして統合されており、Anima と同じです。つまり、ブロックとその MiniMaxH3ModularPipeline が統合のすべてであり、DiffusionPipeline 側は存在しません。

チェックポイントのレイアウト

MiniMax-H3 は、transformer を除くすべてのコンポーネントを共有する 2 つのチェックポイントパーティションとしてリリースされたため、diffusers による変換では両方を1 つのリポジトリにまとめます:

サブフォルダワークフロー
transformer/t2va(テキストのみ)、fl2va(最初のキーフレームと/または最後のキーフレーム)
transformer_ref/ref2va(画像、動画、音声の参照の順序付きミックス)

Transformer 以外のコンポーネント、すなわち動画 VAE、音声 VAE、Qwen3-VL conditioner、その tokenizer と processor、および 2 つの scheduler は共有され、1 回だけ保存されます。

conditioner は Qwen3VLForConditionalGeneration であり、MiniMax-H3 は最後の層ではなく 50 番目の decoder layer 直後の 正規化されていない hidden state を読み取ります。そのため、公開されている完全な checkpoint が使用され、language-model head は使用されません。

3つのタスクはすべてMiniMaxH3Blocksのワークフローであり、リポジトリには各コンポーネントを独自の読み込み仕様とともに列挙したmodular_model_index.jsonが1つ含まれています。単一のタスクをサーブするには、そのワークフローをfrom_pretrainedに渡します。これにより、そのワークフローのブロックのみが保持されるため、パイプラインのシグネチャ(pipe.doc)はまさにそのタスクの入力をドキュメント化し、宣言されるコンポーネントもそのタスクのみに限定されます。また、load_componentsはそれらのサブフォルダのみを取得します。t2va / fl2vaのパイプラインはtransformer_ref/に一切アクセスせず、ref2vaのパイプラインはtransformer/に一切アクセスしません。

import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", workflow="ref2va")
pipe.load_components(dtype=torch.bfloat16)

pipe.doc は、対象の pipeline が受け取る入力と返す出力を表示します。デフォルト値付きのすべての入力、期待されるコンポーネント、および生成される出力が列挙されます。特定の 1 つのワークフローに絞り込むことで、そのタスクが正確に記述されるため、リクエストを作成する前に必要なものを把握する最速の方法となります。

すべてのワークフローを1つのパイプラインで利用可能にするには、workflow引数を省略してください。そうすると、パイプラインは渡された入力に基づいて、呼び出しごとにワークフローを選択します。

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3")

読み込みは、依然としてワークフローごとに1つずつ行われます。この1回の呼び出しで、transformer/とすべての共有コンポーネントを取得し、t2vaとfl2vaの両方に使用できます。

pipe.load_components(workflow="t2va", dtype=torch.bfloat16)

load_components() に workflow= を指定しない場合、両方の 61.7GB の transformer パーティションが読み込まれます。これにより、追加の読み込み呼び出しなしで 1 つのパイプラインが 3 つのワークフローすべてに対応できます。ComponentsManager と自動オフロードを組み合わせると、重みはホスト RAM に保持され、マネージャーは各ステップに必要な分だけをアクセラレーター上に移動します。そのため、ref2va デノイザーがデバイスが必要になったとき、戦略は十分な空き領域を確保するためにオフロードを行います。具体的な手順は メモリ を参照してください。

2つのスケジューラ

1ステップごとの単一のtransformer呼び出し内で、動画と音声のlatentsはそれぞれ異なるスケジュールに沿ってステップダウンするため、ブロックは2つのMiniMaxH3Schedulerインスタンスを期待します。動画latents用のscheduler(公開されているチェックポイントではshift=12.0)と、音声latents用のaudio_scheduler(shift=3.0)です。

両方の transformer パーティションは guidance-distilled であるため、この点はすべてのワークフローに当てはまります。guidance は重みに組み込まれており、guider も negative_prompt も guidance_scale も存在せず、各ステップでは正確に 1 回の forward pass が実行されます。

生成の制約

  • 24 fps、5〜15秒。 num_framesは、動画VAEがデコード可能な次の17 * n + 5に切り上げられ、生成される動画の長さはその範囲内に収まる必要があります。
  • 短辺768ピクセル。 heightとwidthのデフォルト値は、最初のキーフレームのアスペクト比(キーフレームがない場合は16:9)に基づくMiniMax-H3独自のキャンバスサイズであり、32の倍数である必要があります。
  • 1つのジェネレーターから3回のサンプリング。 リクエストは、まずキーフレームまたは参照条件のノイズ、次に動画ノイズ、最後に音声ノイズを、渡されたgeneratorから順にサンプリングします。そのため、同じジェネレーター状態から2回実行しても、同じ動画とサウンドトラックが返されます。latentsまたはaudio_latentsを渡すと、対応するサンプリングが置き換えられます。
  • num_inference_steps counts sigma grid points, the terminal 0 included, so it drives one model evaluation less.

メモリ

transformer 単体は bfloat16 で 61.7 GB、Qwen3-VL conditioner はさらに 62.1 GB あるため、読み込み方法はハードウェアに依存します。すべての環境において、最も大きな速度改善の要因はキャンバスのサイズです。height と width は 32 の倍数であればよく、学習時の 1344x768 と比べて 960x544 を使用すると、ステップあたりの処理速度が約 2.3 倍速くなります。

80 GBのカード1枚上で、コンポーネントをComponentsManagerに登録し、アクセラレーターへの移動と退避を委ねます:

import torch
from diffusers import ComponentsManager, ModularPipeline

manager = ComponentsManager()
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", components_manager=manager)
pipe.load_components(workflow="t2va", dtype=torch.bfloat16)
manager.enable_auto_cpu_offload(device="cuda", memory_reserve_margin="12GB")  # or "mps", "xpu", "cpu"
pipe.transformer.set_attention_backend("_flash_3_hub")  # Hopper, roughly 3x faster; kernels fetched from the Hub

コンシューマー向けGPU(24〜32 GB)では、読み込み時に2つの大きなコンポーネントをint8に量子化し、transformerのブロックをCPU RAMからストリーミングします。以下では、サポートされているローダーのみを使用し、パッチは不要で、bfloat16のチェックポイントからそのまま動作します。

import torch
from diffusers import MiniMaxH3Transformer3DModel, ModularPipeline, TorchAoConfig
from diffusers.hooks import apply_group_offloading
from transformers import Qwen3VLForConditionalGeneration
from transformers import TorchAoConfig as TransformersTorchAoConfig
from torchao.quantization import Int8WeightOnlyConfig

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3")
pipe.update_components(
    transformer=MiniMaxH3Transformer3DModel.from_pretrained(
        "MiniMaxAI/MiniMax-H3", subfolder="transformer", dtype=torch.bfloat16,
        quantization_config=TorchAoConfig(
            Int8WeightOnlyConfig(version=2),
            modules_to_not_convert=[
                "proj_in", "audio_proj_in", "context_embedder", "time_embedder", "time_proj",
                "token_refiner", "norm_out", "proj_out", "audio_proj_out",
            ],
        ),
        low_cpu_mem_usage=False,
    ),
    text_encoder=Qwen3VLForConditionalGeneration.from_pretrained(
        "MiniMaxAI/MiniMax-H3", subfolder="text_encoder", dtype=torch.bfloat16,
        quantization_config=TransformersTorchAoConfig(
            Int8WeightOnlyConfig(version=2),
            modules_to_not_convert=["model.visual", "model.language_model.embed_tokens", "model.language_model.norm", "lm_head"],
        ),
    ),
)
pipe.load_components(workflow="t2va", dtype=torch.bfloat16)

# version=2 int8 tensors are pinnable, which streamed offload needs, and freezing removes the one autograd
# path the quantized tensors cannot serve.
pipe.transformer.requires_grad_(False)
pipe.text_encoder.requires_grad_(False)

offload = dict(onload_device=torch.device("cuda"), offload_device=torch.device("cpu"), use_stream=True)
pipe.transformer.enable_group_offload(offload_type="block_level", num_blocks_per_group=1, **offload)
apply_group_offloading(pipe.text_encoder.model, offload_type="leaf_level", **offload)
pipe.vae.to("cuda")  # or "mps", "xpu", "cpu"
pipe.audio_vae.to("cuda")

12〜16 GB の環境では、offload_type="leaf_level"(ストリームなし)でビデオ VAE グループもオフロードし、960x544 のような小さなキャンバスを使用することで、同じレシピが機能します。重みはホスト RAM に配置されるため、int8 量子化の場合、約 75 GB の RAM が必要になることを想定してください。

2枚のカードを使用する場合、オフロードは不要です。パイプラインを2分割し、それぞれの半分を個別のデバイスに配置します。

import torch
from diffusers import ComponentsManager, ModularPipeline

workflow = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3").blocks.get_workflow("t2va")

text_manager = ComponentsManager()
text_manager.enable_auto_cpu_offload(device="cuda:1")
conditioner = workflow.sub_blocks.pop("text_encoder").init_pipeline(
    "MiniMaxAI/MiniMax-H3", components_manager=text_manager
)
conditioner.load_components(dtype=torch.bfloat16)

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda:0")
rest = workflow.init_pipeline("MiniMaxAI/MiniMax-H3", components_manager=manager)
rest.load_components(dtype=torch.bfloat16)

prompt = "A red fox trotting through a snowy pine forest, snow crunching underfoot"
state = conditioner(prompt=prompt)
results = rest(
    state=state,
    num_frames=124,
    generator=torch.Generator().manual_seed(42),
    output=["videos", "audio", "sampling_rate"],
)

2枚の80 GBカードでは、この方法でフルのbfloat16を実行できます。各半分がそれぞれ1枚のカードに収まるため、一度メモリに読み込まれた後はホストメモリへ退避されません。2枚の48 GBカードでも、上記のint8読み込みを両方のコンポーネントに適用することで同様に動作します。

テキストとキーフレーム

MiniMaxH3Blocksは、テキストから動画と音声への生成、およびキーフレーム条件付けに対応しています。キーフレームは、動画の開始フレーム(image)、終了フレーム(last_image)、またはその両方として指定できます。

import torch
from diffusers import ComponentsManager, ModularPipeline
from diffusers.utils import load_image
from diffusers.utils.export_utils import encode_video

# 61.7GB of transformer and 62.1GB of conditioner do not sit on one accelerator, so the components are
# registered in a manager that moves each one on and off as the blocks reach it. See [Memory](#memory).
manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")  # or "mps", "xpu", "cpu"

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", components_manager=manager)
pipe.load_components(workflow="fl2va", dtype=torch.bfloat16)

prompt = "A red fox trotting through a snowy pine forest, snow crunching underfoot"
# `output=` returns exactly the named outputs instead of the whole pipeline state.
outputs = ["videos", "audio", "sampling_rate"]

# Text to video + audio.
results = pipe(prompt=prompt, num_frames=124, generator=torch.Generator().manual_seed(42), output=outputs)

# First frame (and optionally last frame) to video + audio. The canvas follows the first keyframe.
image = load_image(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/astronaut.jpg"
)
results = pipe(prompt=prompt, image=image, num_frames=124, generator=torch.Generator().manual_seed(42), output=outputs)

encode_video(
    results["videos"][0],
    fps=24,
    output_path="minimax_h3_fl2va.mp4",
    audio=results["audio"][0],
    audio_sample_rate=results["sampling_rate"],
)

動画と音声は同時に生成され、sampling_rate を伴うサウンドトラックとともに、videos と audio という別々の出力として呼び出しから返されます。これらを1つのファイルにマックスする処理は呼び出し側で行う必要があり、例えば encode_video() を使用します。

オムニリファレンス

ref2vaワークフローは、順序付きの参照リストを条件として使用します。最大9枚の画像、3本の動画、3つの音声クリップ、合計12個まで指定できます。順序には意味があります。プロンプト内の参照のラベル("<Picture 1>"、"<Audio 1>"、"<Video 1>")を決定し、共有される音声/動画のロータリークロックを進めるため、同じ参照を並べ替えると別のリクエストになります。

上記のキーフレームとは異なり、リファレンスは生成されるジオメトリを拘束しません。リファレンスは独自の解像度でエンコードされ、ターゲットキャンバスのデフォルトは MiniMax-H3 の 16:9 になります。

モダリティごとに1つの参照クラスがあり、それぞれがメモリ内のメディアと、そのメディアが持つレート(rate)を保持します。

リファレンスメディア宣言するレート
MiniMaxH3ImageReferenceimage—
MiniMaxH3VideoReferenceframes、および独自のサウンドトラック用のaudiofps(MiniMax-H3 のデフォルト値は 24.0)、および sample_rate
MiniMaxH3AudioReferenceaudiosample_rate、デフォルトではオーディオ VAE 自身の

レートは、すべてのリサンプリングの基準となります。具体的には、フレームを MiniMax-H3 独自の 24 fps に、波形をオーディオ VAE のサンプルレートに合わせて、フレーム全体の削除と複製によって変換します。MiniMax-H3 独自のレートで生成されたメディアはそのまま処理されるため、他のレートで生成されたデータのみ、その旨を明示する必要があります。

参照は2つの方法のいずれかで構築されます。クラスのfrom_fileクラスメソッドでメディアファイルからデコードするか、リクエストがすでにメモリに保持しているメディアから直接構築するかです。後者の方法が、前回の生成結果をフィードバックする仕組みです(生成結果を参照として利用するを参照)。

ブロックはメディアファイルを開くことはありません。パスのデコードは、ライブラリの他のすべての箇所と同様に、呼び出し側の責任です。各リファレンスクラスは、from_file クラスメソッドを通じてこれを実現します。このメソッドはパスまたは URL を受け取り(動画と音声は PyAV を通して処理されます)、コンテナが報告するレートを持つリファレンスを返します。動画の場合は、フレームレートとサウンドトラックが一緒に読み込まれます。load_video() はフレームレートを失うため、from_file を優先してください。実際のレートが失われたフレームから構築されたリファレンスは、誤った速度で条件付けされ、何も警告されません。

import torch
from diffusers import ComponentsManager, ModularPipeline
from diffusers.modular_pipelines.minimax_h3 import (
    MiniMaxH3AudioReference,
    MiniMaxH3ImageReference,
    MiniMaxH3VideoReference,
)
from diffusers.utils import load_video
from diffusers.utils.export_utils import encode_video

# `ref2va` is a workflow of the one MiniMax-H3 pipeline; selecting it loads only the `transformer_ref/`
# checkpoint partition, and the manager moves each component on and off the accelerator in turn.
manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")  # or "mps", "xpu", "cpu"

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", workflow="ref2va", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)

subject = MiniMaxH3ImageReference.from_file(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/astronaut.jpg"
)

# Decoding a file brings its rates along: the video its own frame rate and its soundtrack, the clip its sample rate.
results = pipe(
    prompt="The character speaks in time with the reference recording, natural lip movement",
    references=[
        subject,
        MiniMaxH3VideoReference.from_file(
            "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/hiker.mp4"
        ),
        MiniMaxH3AudioReference.from_file("voice.wav"),
    ],
    num_frames=124,
    output=["videos", "audio", "sampling_rate"],
)

# Frames a request already holds declare the rate they carry — `load_video` does not preserve it.
motion = load_video("motion_ref.mp4")
results = pipe(
    prompt="The subject walks toward camera, matching the reference video's shot rhythm",
    references=[subject, MiniMaxH3VideoReference(frames=motion, fps=30.0)],
    num_frames=124,
    output=["videos", "audio", "sampling_rate"],
)

encode_video(
    results["videos"][0],
    fps=24,
    output_path="minimax_h3_ref2va.mp4",
    audio=results["audio"][0],
    audio_sample_rate=results["sampling_rate"],
)

num_frames は ref2va に必須です。参照サウンドトラックと完全に同じ長さの動画を生成するには、クリップから計算します — round(samples / sample_rate * 24) — すると、動画 VAE がデコードできる次の 17 * n + 5 に切り上げられます。生成される動画の長さは、MiniMax-H3 が生成する 5 秒から 15 秒の範囲内に収まる必要があります。

参照としての世代

ワークフローが1つのパイプラインを共有しているため、t2va による生成結果をそのまま ref2va の参照として再利用できます。インメモリコンストラクタは、まさにこの引き継ぎのために設計されています。生成されたメディアはすでに MiniMax-H3 自身のレート(フレームは 24 fps、サウンドトラックはオーディオ VAE のサンプルレート)で出力されるため、参照にはレート引数は不要であり、有損コンテナ経由で再エンコードされることもありません。

import torch
from diffusers import ComponentsManager, ModularPipeline
from diffusers.modular_pipelines.minimax_h3 import MiniMaxH3VideoReference

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")  # or "mps", "xpu", "cpu"

# The full pipeline holds every workflow and picks one per call from the inputs. Loading without a
# `workflow=` brings both transformer partitions in one call, so the `ref2va` request that follows the
# `t2va` generation needs no further loading.
pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)

results = pipe(
    prompt="An astronaut hiking through the mountains, humming a tune",
    num_frames=124,
    output=["videos", "audio", "sampling_rate"],
)

reference = MiniMaxH3VideoReference(
    frames=results["videos"][0],
    audio=results["audio"][0],
    sample_rate=results["sampling_rate"],
)
results = pipe(
    prompt="The same astronaut now walks along a beach at sunset, humming the same tune",
    references=[reference],
    num_frames=124,
    output=["videos", "audio", "sampling_rate"],
)

MiniMaxH3ModularPipeline

class diffusers.MiniMaxH3ModularPipeline

< >

( blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = Nonepretrained_model_name_or_path: str | os.PathLike | None = Nonecomponents_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = Nonecollection: str | None = Noneworkflow: str | None = Nonemodular_config_dict: dict[str, typing.Any] | None = Noneconfig_dict: dict[str, typing.Any] | None = None**kwargs )

MiniMax-H3 による動画と音声の同時生成に対応した ModularPipeline: t2va (テキストのみ) と fl2va (先頭および/または末尾のキーフレーム) ワークフローは transformer/ チェックポイントパーティションに対して、ref2va (オムニリファレンス) ワークフローは transformer_ref/ に対して動作します。1つのリポジトリに両方のパーティションが含まれており、ワークフローを選択すると、その

own:

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3", workflow="ref2va")

MiniMax-H3 は、テキストの条件付け、キーフレームの条件付け潜在変数、音声の潜在変数、動画の潜在変数を同時に保持する1つのパックされたシーケンスをノイズ除去します。そのため、ブロックはモダリティごとのテンソルではなく行レイアウトを渡り回し、パイプラインは2つのスケジューラ(動画用はshift = 12.0、音声用はshift = 3.0)を持ち、これらは単一のトランスフォーマー呼び出しの中でステップされます。

チェックポイントはガイダンス蒸留済みです。ガイダンスが重みに焼き込まれているため、guider も negative_prompt も guidance_scale も不要であり、各ステップでフォワードパスがちょうど 1 回だけ実行されます。

MiniMax-H3 はモジュール式のみです。このパイプラインとそのブロックが統合のすべてであり、DiffusionPipeline の半分は存在しません。このモジュールは、各ブロックが参照するモデルの事実を保持します。config から導出されたジオメトリはプロパティとして、キャンバスとフレーム数の計算は関数として提供されます。また、条件付け、エンコーディング、ノイズの契約はブロック自体に実装されています。

import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3")
pipe.load_components(dtype=torch.bfloat16)

MiniMaxH3Blocks

class diffusers.MiniMaxH3Blocks

< >

( )

MiniMax-H3 による動画と音声の同時生成に対応した Auto Modular パイプラインブロックです。t2va(テキストのみ)、fl2va(先頭および/または末尾のキーフレーム)、ref2va(オムニリファレンス)のワークフローは、references とキーフレームの入力によって選択されます。workflow= を指定せずにコンポーネントを読み込むと、両方の 61.7GB の Transformer パーティションが読み込まれるため、タスクに必要なもののみを読み込むには、いずれかを指定してください。

サポートされているワークフロー:

  • t2va: promptが必要です
  • fl2va: prompt、image、または prompt、last_image が必要です
  • ref2va: prompt、references が必要です

コンポーネント: image_processor (VaeImageProcessor) text_encoder (Qwen3VLForConditionalGeneration) tokenizer (Qwen2Tokenizer) processor (Qwen3VLProcessor) vae (AutoencoderKLMiniMaxH3) audio_vae (AutoencoderKLMiniMaxH3Audio) scheduler (MiniMaxH3Scheduler) audio_scheduler (MiniMaxH3Scheduler) transformer_ref (MiniMaxH3Transformer3DModel) transformer (MiniMaxH3Transformer3DModel) video_processor (VideoProcessor)

設定: canvas_short_edge (デフォルト: 768) canvas_max_pixels (デフォルト: 1032192) reference_image_short_edge (デフォルト: 2048)

Inputs: references (list, 任意): 条件付けに使用する参照リストです。モデルがそれらを参照する順序で指定します。この順序は、プロンプト提示におけるラベル付けと、共有ロータリークロック上での配置を決定するため、順序が異なれば異なるリクエストとなります。モダリティごとに1つのデータクラスを持ち、すべてメモリ内のメディアを保持します。MiniMaxH3ImageReference(最大9個)、独自のfpsを持つMiniMaxH3VideoReference(最大3個、そのaudioサウンドトラックも条件付けの対象)、または独自のsample_rateを持つMiniMaxH3AudioReference(最大3個)です。参照の合計は最大12個までで、オーディオ参照のみでは構成できません。これらのブロックはメディアファイルを開きません。各クラスのfrom_fileクラスメソッドでデコードし、レートも一緒に読み込みます。 height (int, 任意): 生成される動画の高さ(ピクセル単位)です。32の倍数である必要があります。 width (int, 任意): 生成される動画の幅(ピクセル単位)です。32の倍数である必要があります。 num_frames (int, 任意): 生成するフレーム数です。固定の24 fpsで生成されます。動画VAEがデコードできる次の17 * n + 5に切り上げられます。結果として得られる再生時間は5秒から15秒の間でなければなりません。参照サウンドトラックと同じ長さの動画を生成するには、round(samples / sample_rate * 24)を渡します。 image (Image, 任意): 動画の開始となるキーフレームです。ターゲットキャンバスに引き伸ばして配置されます。デフォルトでは、キャンバスは画像自身のアスペクト比から導出されます。 last_image (Image, 任意): 動画の終了となるキーフレームです。単独で渡すことで、フレームまで生成できます。imageと組み合わせて渡す場合、2つのキーフレームのうち後続者として扱われ、キャンバスにカバークロップで配置されます。 prompt (str): 生成をガイドするプロンプトです。単一の文字列です。 normalized_references (list, 任意): セットアップステップで正規化された参照です。パックされた順序で保持されます。 keyframes (list, 任意): ターゲットキャンバスに配置されたキーフレームです。パックされた順序で保持されます。 condition_latents (list, 任意): エンコードされた動画条件付けラテンツです。パックされた順序で、画像および動画参照ごとに1つです。その形状は、すべての参照ブロックのジオメトリが由来するものです。 audio_condition_latents (list, 任意): エンコードされたオーディオ条件付け行です。パックされた順序で、オーディオを持つ参照ごとに1つです。 generator (Generator, 任意): リクエストのジェネレーターです。条件付けノイズは、生成される行のノイズよりも先に、条件ごとに1回ずつこのジェネレーターから抽出されます。 latents (Tensor): 形状(1, 24, num_latent_frames, latent_height, latent_width)の事前生成された動画ノイズです。抽出の代わりに使用されます。 audio_latents (Tensor): 形状(2, 32, num_audio_latents)の事前生成されたオーディオノイズです。 num_inference_steps (int, 任意, デフォルトは50): デノイジングのステップ数です。 *denoiser_input_fields (None,optional): トランスフォーマーが名前によって読み取るパックされたシーケンスの構造記述です。token_tags、position_ids、および3つの行インデックステンソルです。 attention_kwargs (dict,optional): アテンションプロセッサ用の追加のkwargsです。 keyframe_anchors (tuple,optional, デフォルトは()): パックされた順序で、各キーフレームが動画のどの端にアンカーされるかを指定します。 output_type (str,optional*, デフォルトはpil): 出力形式です。‘pil’、‘np’、または‘pt’を指定します。

出力: videos (list): 生成された動画。 audio (Tensor): 生成されたサウンドトラック。形状は (1, 2, num_samples) です。 sampling_rate (int): 生成されたサウンドトラックのサンプリングレート (Hz)。

MiniMaxH3ImageReference

class diffusers.modular_pipelines.minimax_h3.MiniMaxH3ImageReference

< >

( image: typing.Union[PIL.Image.Image, numpy.ndarray, torch.Tensor] )

パラメータ

  • image (PIL.Image.Image、np.ndarray または torch.Tensor) — 参照画像です。画像、(height, width, 3) の配列、または (3, height, width) のテンソルで、uint8 または [0, 1] 範囲の浮動小数点数です。生成されるジオメトリには決して束縛されません。これは、リクエストが生成するキャンバスサイズに関わらず、自身の短い辺でエンコードされます(公開されているチェックポイントでは 2048 です)。

被写体、スタイル、またはシーン参照: 1リクエストあたり最大9件。

from_file

< >

( media )

パラメータ

  • media (str または os.PathLike) — 画像のパスまたは URL。

MiniMaxH3ImageReferenceに、load_image()を通じて画像ファイルを読み込みます。

MiniMaxH3VideoReference

class diffusers.modular_pipelines.minimax_h3.MiniMaxH3VideoReference

< >

( frames: typing.Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor]fps: float | None = Noneaudio: typing.Optional[torch.Tensor] = Nonesample_rate: int | None = None )

パラメータ

  • frames (list[PIL.Image.Image]、np.ndarray または torch.Tensor) — 参照フレーム: 画像のリスト、(num_frames, height, width, 3) の配列、または (num_frames, 3, height, width) のテンソルで、uint8 または [0, 1] 範囲の浮動小数点数です。
  • fps (float、任意、デフォルト値は 24.0) — frames が持つフレームレートです。この値により、参照のビジョンブロックがコンディショナーの 2 fps グリッド上に配置されます。MiniMax-H3 自体のクロックは 24 fps であるため、それ以外のレートは、フレーム全体を削除または複製することで 24 fps にリサンプリングされます。したがって、フレームがファイルから取得された場合は、このフィールドを正しく設定することが重要です。
  • audio (torch.Tensor、形状 (channels, num_samples)、任意) — この動画のサウンドトラック(モノラルまたはステレオ)です。参照そのものとして、参照の参照としてではなく、条件付けされます。省略した場合、参照はモーションのみを条件として扱います。
  • sample_rate (int, 任意) — audio がサンプルを保持するレートです。省略した場合、オーディオ VAE 自身のレートが使用され、サンプルは変更されません。それ以外のレートが指定された場合は、そのレートにリサンプリングされます。

モーションとカメラのリファレンス: リクエストごとに最大3つまで、自身のサウンドトラックと合わせて条件付けられます。

from_file

< >

( media ) → MiniMaxH3VideoReference

パラメータ

  • media (str または os.PathLike) — 動画のパスまたはURL。

戻り値

MiniMaxH3VideoReference

(num_frames, height, width, 3) の uint8 フレームを、コンテナが報告するフレームレートで保持します。音声ストリームがある場合は、そのサウンドトラックおよびそのサウンドトラック自体のサンプルレートも保持します。

MiniMaxH3VideoReference に、元の解像度、フレームレート、サウンドトラックを保持したまま、動画ファイルをデコードします。

レートは参照に反映されます。これが load_video() を使わずにこの方法でデコードする理由です。MiniMax-H3 は参照を独自の 24 fps にリサンプリングするため、入力時に失われたフレームレートは、誤った速度で条件付けされたリクエストを意味し、それについて警告も出ません。メタデータが誤っているコンテナは、返された参照の fps または sample_rate を上書きすることで修正できます。

PyAVが必要です。

MiniMaxH3AudioReference

class diffusers.modular_pipelines.minimax_h3.MiniMaxH3AudioReference

< >

( audio: Tensorsample_rate: int | None = None )

パラメータ

  • audio (torch.Tensor、形状 (channels, num_samples)) — モノラルまたはステレオの参照波形。
  • sample_rate (int, 任意) — audio がサンプルを保持するレートです。省略した場合、オーディオ VAE 自身のレートが使用され、サンプルは変更されません。それ以外のレートが指定された場合は、そのレートにリサンプリングされます。

音声または音楽のリファレンス: 1リクエストあたり最大3つまで。単独では使用できません。音声リファレンスは、少なくとも1つの画像または動画リファレンスと組み合わせて使用する必要があります。コンディショナーには渡されず、オーディオVAEのみによってエンコードされます。

from_file

< >

( media ) → MiniMaxH3AudioReference

パラメータ

  • media (str または os.PathLike) — 音声のパスまたは URL、またはサウンドトラックを抽出する動画のパスまたは URL。

戻り値

MiniMaxH3AudioReference

コンテナが報告するサンプルレートでの、(channels, num_samples) の float32 波形。

オーディオファイルを、そのファイルが持つサンプルレートでMiniMaxH3AudioReferenceにデコードします。

PyAVが必要です。

Update on GitHub