Test, který rozhodl: video vzniklo i se zvukem
Lokální generování videa se dlouho dělilo na dvě poloviny. Obraz vznikal v jednom modelu a zvuk se přidával později, často jako samostatná stopa. MiniMax H3 spojuje obě části v jednom generativním systému: podle textového zadání vytváří obraz, pohyb i zvukovou stopu. Zajímalo nás, zda to není pouze cloudová demonstrace, ale technologie použitelná i na počítači s jedinou grafickou kartou.
Test jsme spustili v izolovaném ComfyUI prostředí na serveru jarvisbot s grafikou Nvidia RTX 5060 Ti a 16 GB VRAM. Pro srovnání vznikly dva výstupy. Kontrolní render měl rozlišení 864 × 480 a trval 5,17 sekundy. Druhý test jsme nastavili na 1344 × 768, tedy výrazně vyšší rozlišení, a do promptu jsme vložili italský dialog.
Výsledek druhého testu je technicky jednoznačný: video má 24 snímků za sekundu, stereo zvuk ve formátu AAC a vzorkovací frekvenci 32 kHz. Parametry odpovídají specifikaci, kterou MiniMax uvádí pro H3. Soubor se vygeneroval bez pádu, bez chyby nedostatku paměti a bez ručního skládání obrazu se zvukem.
Obličej drží, ale zvuk zatím zaostává
Vizuální stránka dopadla lépe, než bychom od 16GB karty čekali. V testovaném klipu zůstává identita postavy stabilní, obličej se mezi snímky nerozpadá a neobjevily se žádné výrazné deformace. Pohyb úst odpovídá řeči natolik, že výsledek nepůsobí jako série nesouvisejících obrázků. Pro krátkou ukázku, koncept nebo experiment je obraz použitelný.
Neznamená to ale, že H3 vyřešil všechny problémy generovaného videa. Zvuk hodnotíme jako slabší část výstupu. Dialog sice vznikl společně s videem a je slyšitelný, ale kvalita hlasu zatím nedosahuje úrovně, kterou bychom očekávali od hotového dabingu nebo reklamního spotu. Lokální workflow také neprokázalo klonování konkrétního referenčního hlasu. V tomto testu model vytvořil hlas podle promptu; referenční audio jsme nepoužili.
Je to důležité rozlišení. H3 podporuje i režim Ref2VA, který je určený pro práci s referenčními obrázky, videem a audiem. Náš test však běžel v jednodušším workflow bez hlasové reference. Z výsledku proto nelze tvrdit, že lokální MiniMax H3 umí kopírovat hlas konkrétního člověka.
16 GB VRAM stačí, rychlost je hlavní kompromis
Nejzajímavější praktická zpráva se týká paměti. Druhý render v rozlišení 1344 × 768 využíval přibližně 12,2 až 14,1 GB VRAM. Model se do 16GB karty vešel díky offloadu a streamování částí výpočtu. To však neznamená, že bude každá instalace fungovat stejně. Záleží na konkrétní kvantizaci, nastavení ComfyUI, systémové paměti i dalších službách běžících na stroji.
Cena za úspornou konfiguraci je čas. Kontrolní klip vznikal zhruba osm minut, ale výstup ve vyšším rozlišení vyžadoval přibližně 34 minut pro 5,17 sekundy videa. To je zásadně více než 11,4 minuty uváděných v příspěvku, který test inspiroval. Rozdíl může souviset s jiným workflow, cache, hardwarem nebo optimalizací, ale náš výsledek tuto rychlost nepotvrdil.
Lokální H3 je proto třeba chápat jako nástroj pro experimentování, nikoli jako okamžitou náhradu cloudové video služby. Pro krátké koncepty, testování promptů a ověřování pohybu dává smysl. Pro sériovou produkci by byl renderovací čas na jedné RTX 5060 Ti příliš dlouhý.
Co MiniMax H3 umí a co zatím ne
Oficiální dokumentace uvádí výstupy dlouhé 4 až 15 sekund, 24 FPS, stereo audio a podporu dialogu v jedenácti jazycích včetně italštiny. H3-Base generuje video se zvukem, zatímco samostatný modul H3-Context-IR zpracovává složitější multimodální zadání. Ten není součástí open-source lokálního vydání a funguje jako hostovaná služba. Při označení „lokální běh“ je proto nutné přesně říci, která část workflow běží na vlastním hardwaru.
Pro českého uživatele je podpora italštiny nebo angličtiny prakticky důležitější než samotný počet podporovaných jazyků. Čeština mezi stabilně uváděnými jazyky není. H3 tedy může být zajímavý pro vizuální prototypy a vícejazyčné experimenty, ale český dabing bychom zatím nepovažovali za ověřenou silnou stránku.
Verdikt: obraz ano, produkce ještě ne
MiniMax H3 jsme na RTX 5060 Ti 16 GB skutečně rozběhli a vytvořili video se synchronním audiem. To je podstatně víc než pouhá teoretická možnost. Obraz je při krátké stopáži překvapivě stabilní a vyšší rozlišení se do paměti vešlo. Pro domácí laboratoř nebo vývojáře, který si chce technologii osahat bez cloudu, jde o zajímavý výsledek.
Na druhé straně je třeba držet očekávání při zemi. Zvuk je slabší než obraz, hlasová reference nebyla ověřena a rychlost je výrazně horší než v původním tvrzení. Praktická použitelnost tedy existuje hlavně u krátkých experimentů a návrhů. Na hotová produkční videa, kde rozhoduje konzistentní hlas, přesný lip-sync a rychlé iterování, má lokální H3 na této kartě zatím příliš mnoho kompromisů.
Stačí pro MiniMax H3 grafická karta s 16 GB VRAM?
V našem konkrétním ComfyUI workflow ano. RTX 5060 Ti zvládla i rozlišení 1344 × 768, přičemž využití VRAM se pohybovalo přibližně mezi 12,2 a 14,1 GB. Výsledek ale závisí na kvantizaci, nastavení a dostupné systémové paměti.
Umí lokální MiniMax H3 klonovat hlas podle nahrávky?
V tomto testu to potvrzeno nebylo. Použité workflow generovalo hlas podle promptu a nepoužívalo referenční audio. Pro ověření klonování by byl nutný samostatný Ref2VA test s referenční nahrávkou.
Vyplatí se H3 provozovat lokálně?
Pro experimenty, prototypy a ověření technologie ano. Pro běžnou produkci je problémem především rychlost: pětisekundový klip ve vyšším rozlišení se v našem testu generoval přibližně 34 minut.
Zdroje: oficiální repozitář MiniMax H3, vlastní test redakce na RTX 5060 Ti 16 GB.
