MiniMax H3: Seedance 2.5 tiene un nuevo rival Chino GRATIS

Este modelo chino sincroniza labios como ninguno y sus pesos son públicos.

Esto es Minimax H3, salió hace 2 semanas y sus pesos son públicos, así que se puede descargar y ejecutar en tu propio ordenador sin pagar por generación, de modo local, 2K a 24 fotogramas y el audio generado en la misma pasada que la imagen.

Todo el mundo anda mirando a la actualización de Halo. Multimodal, rápido y barato. Suena imposible.

Pues es bien cierto, mijo. Minimax lo ha vuelto a hacer.

La voz, la boca y el sonido ambiente, todo junto. Eso sí, yo te lo voy a enseñar desde Confi Cloud porque mi tarjeta gráfica pues ya no está para esos trotes. Pero el flujo de trabajo es exactamente el mismo. Y otra cosa antes de seguir: este que estás viendo no soy yo, es mi avatar con mi voz y mi guión, todo generado utilizando HeyGen, plataforma de la cual soy embajador. Y además, este vídeo lo he montado con inteligencia artificial de principio a fin como experimento. Así que si te interesa saber cómo lo he hecho, déjate un comentario ya mismo con la palabra workflow o con lo que quieras y prepara un tutorial volando. Y lo primero que vamos a ver es qué hace bien, dónde está el techo, cuánto cuesta si no lo usas de modo local, y sobre todo cómo tienes que pedirle los prompts. Porque Minimax ha publicado su fórmula oficial de prompts y por lo que veo muy poca gente la está usando. Y esa es la diferencia entre un resultado que puedas utilizar y una cosa realmente cutre. Y qué cosas hace muy bien. H3: Además del lip sync, es buenísimo con los textos. Fíjate aquí, por ejemplo, que el texto está incluido en el prompt. Esto es texto-video y lo genera de maravilla. Y otra cosa que también hace muy bien es trabajar con un montón de estilos. Por ejemplo, este prompt está hecho estilo papercut. Fíjate qué maravilla.

Hey, I slide. He's screaming at the light. Two little words to get him through the night. The moderator, king of a room with no door. O este otro.

Estilo manga.

Los estilos en H3 son una maravilla.

Y no solo en la plataforma, también lo puedes usar de modo local. Y no es el único modelo con pesos abiertos, open weights, que ahora mismo está tan de moda. Otro de sus serios competidores es el ETX 2.5. Que también puedes usar de modo local, también con unos requisitos de tarjeta gráfica bastante reducidos en teoría. Y aquí te enseño el mismo clip con el mismo prompt generado en ambos motores para que veas el resultado que dan ambos. La verdad que no está nada mal. Y ahora los números. Los clips que puedes generar van desde los 4 hasta los 15 segundos y hasta 2K. El audio es estéreo, nativo y en 11 idiomas.

Hailuo Minimax H3,支持多达十一种语言。Yes, eleven languages, fino a undici lingue perfette.

Y lo mejor de todo, y lo que cambia con los anteriores modelos de Minimax Hailuo, es que es multimodal. Acepta texto, imágenes, vídeo y audio en la misma petición. Y ahora la limitación que más te va a doler, y te la digo ya. Para que no pierdas el tiempo. Máximo 15 segundos. Si das 2.5, hace 30. Con este modelo no vas a llegar. Si tu plano necesita 30 segundos, este modelo no es para ti. Lo que sí que hace mejor que nadie ahora mismo es lo que hemos visto al principio. Cuando hay una cara hablando en pantalla y quieres que el lipsync sea perfecto y el audio salga de la misma generación, Minimax H3 lo hace de maravilla.

Llevo 3 días sin subir nada porque estoy rota y la gente no lo entiende. Nadie entiende lo duro que es esto.

Y ojo, se nota y mucho. Y hablando de Sydans 2.5, puedes utilizar Sydans 2.5 dentro de Luma, que son los sponsors de este vídeo y que es una plataforma que a mí me parece una locura. Es que también puedes utilizar su modelo nativo, que es increíble para hacer transferencias de vídeo real que hayas grabado y modificarlo con IA, sino que tienes acceso a un montón de los últimos modelos que hay en el mercado, como por ejemplo H3 de Minimax, Flax 3, Sidans 2 o Sidans 2.5. Y puedo generar de un montón de formas, de la forma clásica como todos conocemos utilizando prompts o utilizando su modo agéntico, que la verdad es una auténtica barbaridad, cual ya os he hablado en algunos vídeos. A mí Luma me encanta y lo utilizo en muchos de los proyectos que creo. Y si tú también quieres descubrir todo lo que Luma puede ofrecer a tu flujo de trabajo, o simplemente quieres probarlo, pues tienes el enlace en la descripción de este vídeo o en el QR que tienes en pantalla. Yo de ti lo probaba porque Luma es una barbaridad. Y ahora vamos con lo de usarlo en local, porque ese es el motivo por qué hay un montón de gente ahora mismo Mirando este modelo, y son 33.000 millones de parámetros. En precisión completa ocupa 120 gigas, así que tal cual pues igual no te entra en tu disco duro. Pero hay versiones cuantizadas y gente que dice que lo está ejecutando con 8 gigas de VRAM. Y ComfyUI ya trae plantillas oficiales desde el primer día. Con esto te voy a decir honestamente la verdad, porque hay letra pequeña. Que es donde los canales que te prometen que lo vas a poder hacer ilimitado con cualquier tarjeta gráfica se están callando cosas. Lo primero es que cuantizado pierdes calidad, no es lo mismo que el modelo completo. Y 2, el modelo 2K de verdad vuelve a pasar por la API de pago, no sale en los pesos abiertos. Y número 3, la licencia no es Apache ni es MIT, es una licencia propia de Minimax. Así que si vas a facturarle esto a un cliente, Yo de ti me la leía antes. ¿Es gratis? Sí, lo puedes usar en tu gráfica, a riesgo de quemarla. Ya he terminado mi workflow y por fin voy a generar mi vídeo. Bueno, de quemarla tampoco, pero que le vas a dar una buena caña. Pero eso sí, tiene condiciones y, como casi todo, pues también tiene letra pequeña. Y para que no te líes, la fórmula completa y la tabla de precios con las fuentes de las cuales la he sacado te lo he metido todo en un PDF y está en el enlace de la descripción. Pones tu email y te llega por correo, y de paso te apuntas a mi newsletter para enterarte todo lo que ocurre en la IA generativa. Y no te voy a pedir ni que me sigas ni que le des a esto un like. Eso te lo dejo a tu criterio. Pero eso sí, si quieres la guía, ya sabes, el enlace lo tienes en la descripción. Y ahora vamos con la fórmula oficial. Y es que aquí está la parte que cambia los resultados por completo. H3 no se promptea con corchetes como Sidans ni con prosa suelta como el caso de One, que por cierto acaba de estrenar su versión 3, que prometía mucho, pero es un poco lenta y la calidad para algunas cosas pues deja bastante que desear. H3 usa campos con nombre y son 3. El primero es la descripción multimodal integrada y es el cuerpo del prompt. Ahí va lo visual, acciones, los planos, quién habla y el sonido que se oye dentro de la escena, todo en orden de tiempo. Y el segundo es el paisaje sonoro: ambiente, golpes, pasos, respiración, de 1 a 4 frases aproximadamente. Y el número 3 es la música no diegética, la que oye el espectador y no los personajes. Y aquí la documentación es muy concreta. Puedes describir instrumentos, tiempo y dinámica, pero no describas nunca estados de ánimo. No le pidas música melancólica porque no lo va a entender. Pídele plano lento con cuerdas que entran y bajan, ritmo pausado, cosas que sean concretas. Y los planos van numerados. El primero no lleva marca de tiempo, pero los siguientes sí, con la hora exacta del corte. Y este documento oficial dice una cosa muy sensata: si lo único que cambia es la distancia o un poco el ángulo, no cortes, mueve la cámara. La cámara tiene su propia fórmula: tipo de movimiento más amplitud más velocidad. Y va escrita como acción dentro de la frase, no como etiquetas pegadas al final. Y esto explicado del principio, cada personaje que habla recibe un identificador estable y se mantiene entre plano. El texto que quieres que diga va dentro de una etiqueta literal con el idioma marcado y sin tocarle una coma. Escrito así El modelo lo trata como audio que hay que sincronizar. Escrito suelto en medio de la descripción se lo va a inventar, pero también le puedes dar audios como referencia o incluso vídeos. I've been waiting for this moment under the moonlight. Pero básicamente esto es todo: tres campos, planos numerados, cámara con amplitud y velocidad y el diálogo etiquetado. Y ahora lo que no le he visto contar todavía a nadie, y es que Minimax ha publicado toda esa documentación empaquetada como skill y lo tienen en su propio repositorio. O sea que el fabricante del modelo te da el traductor, te da la herramienta para que puedas utilizar toda su información en tu modelo de lenguaje favorito. Le describes la escena en lenguaje natural, como hablas normalmente, y te devuelve un prompt en el formato exacto que mejor va a funcionar con los 3 campos puestos. Y vamos a ver la interfaz de HiLuo, porque si no te apetece montar nada, si no te aclaras con Config UI, te da pereza, o simplemente tu gráfica está un poquito ya cansada como la mía, pues tienes 2 vías: usar HiLuo, que es la aplicación de Minimax y no requiere instalar nada, o mediante API en cualquier agregadora. Y por API son aproximadamente 8 céntimos de dólar por segundo. 720p, o bueno, en este caso 768p, y unos 13 céntimos por segundo a 2K. Los precios caducan enseguida, por eso la tabla lleva la fecha actual, pero igual dentro de 2 semanas cambia. ¿Y dónde falla un poquito? A mí hay cosas que realmente no me han funcionado. Lo que más me cuesta es el techo de 15 segundos. Ya te lo he dicho antes, teniendo 30 en CineDance 2.5, pues se te hace corto. Tener únicamente 15. Y después, a veces la sincronía labial puede resultar un poco inconsistente. A mí me ha salido bien casi todas las veces, pero hay partes publicadas donde el modelo se inventa partes de la canción o del diálogo que no estaban en el audio original. Cuenta que a veces te va a hacer falta repetir generaciones. Y en planos de cara con carga dramática de verdad, Sídanas 2.5 sigue siendo muchísimo mejor en eso y en el detalle. Porque es cierto que hay muchas veces que los acabados en H3 parecen de plástico. Hay otras que los resultados son bastante buenos. Mira qué vídeo he generado con IA.

Eso es iSlop. iSlop.

Pero, por regla general, es bastante falso. Eso sí, es barato. Y después, si quieres hacer cosas con mucha acción y muchos movimientos de cámara, yo te diría que te olvidaras. Ahí no hay debate. Zidane 2.5 es el campeón. Bueno, y yo ya me despido. Te dejo el resumen: si tienes una gráfica decente y te gusta con fill UI, te gusta complicarte la vida, puedes montarlo. H3 es uno de los primeros modelos de este nivel que se puede ejecutar de modo local en tu casa y sin que tengas que pagar por generación. Y eso implica otra cosa además: la censura, cuando trabajas en modo local, es prácticamente inexistente. Puede que sean todo ventajas, depende de lo que quieras hacer. Si tu gráfica está un poquito vieja, si ConfiUI te parece muy lioso, sigue con la opción de la plataforma. Es de las más baratas y, sobre todo, si el audio tiene un papel muy importante y tus personajes tienen que hablar, yo creo que es una muy buena opción. Si necesitas 30 segundos, si quieres calidad superior, quédate en Zidane 2.5. Eso sí, te va a tocar pagar la diferencia. Y ya sabes, este vídeo lo presenta completamente un avatar generado con IA. Te lo recuerdo, si te interesaría que te enseñara cómo creo mi propio avatar y sobre todo cómo puedo editar un vídeo de principio a fin con IA, pues déjamelo en comentarios y saco vídeo. Yo o mi avatar. Y si te has quedado con ganas de conocer algo más sobre Sidans 2.5, aquí lado te dejo el tutorial que saqué, que es una auténtica locura. Nos vemos en el próximo tutorial.