Японский автор передал MiniMax H3 сториборд из четырёх кадров. Получил ролик длиной 14,375 секунды, в разрешении 1024×1792 и с частотой 24 кадра в секунду. Со звуком. Движения в каждом кадре автор отдельно описал в промпте H3.
Сториборд помогает быстро проверить визуальную последовательность: увидеть персонажа, локации и композицию на одном листе. Потом нужно объяснить видеомодели, что именно должно двигаться. В этом тесте модель не взяла на себя постановку действий.
Как собрать видео из сториборда в MiniMax H3
Автор создал лист в локальной MOSS-Image, а видео генерировал через FastH3 OmniRef в режиме Ref2VA — с опорой на референсное изображение. В H3 отправили весь лист целиком. Кадры не обрезали и не подавали по одному как начальные или конечные изображения.
В первом сюжете женщина встречает светящееся существо в мшистом лесу. Четыре сцены на листе: встреча, крупный план существа, прыжок на ладонь, затем женщина поднимает его к лицу. В промпте автор сопоставил левый верхний, правый верхний, левый нижний и правый нижний кадры с шотами 1–4. После этого описал действие в каждом шоте.
Для третьего шота инструкция такая: героиня медленно подносит руку, существо прыгает с мха в середину ладони и замирает. По словам автора, H3 развернула панели в последовательные полноэкранные сцены, без рамок сториборда.
She lowers her hand slowly toward <Subject 2>, holding her fingers relaxed and still. The sprite bends its small feet, hops gently from the moss onto the middle of her palm, then settles.MOSS создала лист примерно за 16 секунд, генерация H3 заняла около 176 секунд. В сумме — примерно 3 минуты 12 секунд. Автор считал время от запуска до уведомления о завершении; подготовку промпта и просмотр результата не включал.
Подписи внутри картинки не заменили описание движения
Затем автор проверил, сможет ли MOSS сама добавить пояснения в панели, а H3 — прочитать их и выполнить указания. Он сделал версию с японскими подписями и версию с английскими. В промпте не повторял конкретные движения: H3 предлагали прочитать производственные заметки на изображении и соблюсти направление и число повторов.
Read its Japanese production note and animate the action described there, including its direction and repetition count.В тестовом ролике панели появлялись одновременно, а текстовые пояснения оставались в кадре. Английские подписи тоже не помогли: автор заметил дубли панелей и не подтвердил некоторые заданные движения на просмотренных кадрах.
В переводе автор подводит итог так: сработали изображение и текстовое описание движения. Вариант, где H3 должна была извлечь всё действие только из картинки, в этих условиях не сработал.
Это результат одного эксперимента. Автор не утверждает, что H3 вообще не умеет читать текст на изображениях. Он также указывает на ограничения сравнения: японскую и английскую версии заново сгенерировали в MOSS, сами изображения различались, а влияние уменьшения вытянутого листа и формулировки команды отдельно не проверяли.
Смена локаций тоже сработала, но точность не стала идеальной
После лесной сцены автор проверил сториборды со сменой места, времени суток и ситуации. В одном сюжете были ночная крыша, воздушный бой, разрушенная площадь и утро после битвы. В другом — дождливая станция, солнечный берег, переезд и холм под звёздами. Ещё одна история строилась на отношениях двух персонажей: знакомство, расставание, встреча и вечерняя терраса.
Для этих примеров автор снова описывал действия каждого шота в промпте. Сцены становились полноэкранными планами и при горизонтальной, и при вертикальной раскладке листа. Но некоторые детали модель передала неточно. Например, взаимное расположение человека и поезда у переезда.
В трёх примерах MOSS работала с авторской LoRA SepiaBlue Luminous: сила 0,8, триггер qsv2style. Эта LoRA не использовалась для H3: стиль задавали готовые изображения сториборда. По нескольким прогонам нельзя понять, насколько стабильно LoRA влияет на результат.
Сториборд задаёт кадры, промпт — действия
Для креатора полезно разделить подготовку и анимацию. MOSS помогает заранее увидеть внешность персонажей, фон, цвет и последовательность сцен. H3 получает лист как визуальную опору, а текстом — движение и порядок шотов. Если действие важно, продублируйте его в промпте, даже если оно уже нарисовано или подписано на раскадровке.
- Соберите сториборд из четырёх панелей: например, сетку 2×2 или ряд 1×4.
- Передайте весь лист в H3 как одну референсную картинку, не нарезая панели на отдельные входы.
- Сопоставьте позиции панелей шотам 1–4: левый верхний, правый верхний, левый нижний, правый нижний — или укажите порядок в ряду.
- Для каждого шота напишите, кто и что делает, в каком направлении и где заканчивает движение.
- После генерации проверьте, не слиплись ли панели, не остались ли рамки и текст, совпали ли порядок сцен и важные действия.
В заметке указаны MOSS SFT INT8, восьмишаговая DMD LoRA, Qwen3.5 9B INT8 и FLUX.2 VAE. Для H3 использовали FastH3 OmniRef и собственный ускоренный workflow: 8 шагов, VSA 10%. Итоговый ролик — 345 кадров; автор также увеличивал изображение при сохранении. Это настройки конкретного прогона, а не готовая инструкция для любого компьютера.
Hao AI Lab описывает FastH3 Omni как открытую модель для генерации видео и аудио по промпту и референсам. Проект поддерживает ComfyUI и локальный запуск. Это помогает понять, как собрать похожий эксперимент в локальном workflow, но отдельно результаты японского автора не подтверждает.
[Visual Style]
Dynamic natural shot. the video cuts multiple times. many shot cuts
[Global Constraint]:
overall_soundscape: N/A
non_diegetic_music: N/A
[Asset Mapping]
<Subject 1> is the woman her appearance comes from <Picture 1>, face, hair, clothes
<Subject 2> is the man his appearance comes from <Picture 1>, face, hair, clothes
<Picture 1> is the reference of <Subject 1> and <Subject 2> and location.
<Picture 2> is the reference pose and angle shot composition at [Shot 2]
<Picture 3> is the reference pose and angle shot composition at [Shot 3]
<Picture 4> is the reference pose and angle shot composition at [Shot 4]
[Chronological Actions]
[Shot 1] The video opens with an exact mirror of <Picture 1>
[Shot 2] at 01.000,00, the shot cuts, in the same location as in <Picture 1>, now the woman sits on the floor, hands on the floor, legs raised, the man stands, his feet on her shoulders, bending grabbing her feet.
[Shot 3] at 02.500,00, the shot cuts,same location, now <Subject 2> is on the floor, his legs raised. <Subject 1> is balancing her body on his feet, her stomach on his feet.
[Shot 4] at 04.000,00, the shot cuts, same location, now the man Kneels on the floor in a child's pose with his torso folded forward and arms extended straight out in front,the woman Kneels on top of the man's back in a curled, folded posture with her hands clasped behind her back.В японском тесте один лист стал основой для нескольких сменяющихся сцен. Чтобы модель поняла действия, автор описал их словами. Раскадровка экономит время на раннюю проверку того, что вы собираетесь анимировать, но постановку всё равно нужно продумать.
Источники
Источникnote.com
