Автор японского блога собрал прототип интерактивной игры: MiniMax H3 генерирует ролики почти по 10 секунд за 40–70 секунд. Игрок вводит реплику или описание действия, а игра отвечает голосом персонажа и видеосценой. Идея — вернуть приключения, где можно говорить с героями своими словами, но ждать каждый ответ придётся заметно дольше, чем в обычном чате.
Система работает на двух ПК. На основном Windows-компьютере с RTX 5090 через ComfyUI запущен MiniMax H3. На втором, с RTX 3090 Ti, работают Gemma 4 26B A4B через llama.cpp и синтез речи Irodori-TTS v3. LLM получает историю чата и настройки персонажа, затем выдаёт его следующую реплику, подпись для озвучки и промпт для видео.
Сначала Irodori-TTS v3 синтезирует голос. Потом MiniMax H3 получает аудио, его длительность, картинку персонажа и промпт; со второго ответа добавляется последний кадр предыдущего ролика. На выходе — видео 960×544 примерно на десять секунд. Автор отмечает, что генерация занимает 40–70 секунд: вот и вся интерактивность, пока сцена собирается.
Есть и другая проблема: модель галлюцинирует — например, персонаж без объяснений садится на диван. Автору это даже нравится, но для связного сюжета придётся точнее задавать пространство, расположение предметов и героев. Он рассматривает вариант передавать ИИ рендеры 3D-сцены, однако это потребует ещё памяти и времени. Пока прототип убедительно показывает направление, но не скорость: киношная игра уже складывается, а темп — пока нет.
Источникnote #動画生成AI
