MiniMax H3: המנוע שהקול והמשחק נולדים בו יחד
מאת מייטל סלע · עודכן 25.9.2026
מנוע הווידאו שפתח את גל סצנות הסיטקום: דיאלוג שנוצר עם התמונה, שישה רבדי סמכות, תקציב דיאלוג ומה שהוא לא יודע.
מה תלמדו
- ליצור סצנות דיאלוג אמיתיות שבהן הגוף, המבט והנשימה מגיבים למילים שנאמרות - לא רק שפתיים שזזות
- להפיק טייקים ערוכים עם קאטים בין שוטים בהרצה אחת, ללא צורך בעריכה חיצונית
- להשתמש במערכת ששה רבדים שמונעת את הכשל הנפוץ ביותר: שתי הפניות שנלחמות על אותם פנים
- לתכנן תקציב דיאלוג נכון (שורה קצרה לכל 3 שניות) כדי למנוע דיבור מהיר ולא שמיש
- לבנות רשימת שוטים עם קודי זמן שיוצרת קשת דרמטית: ביסוס, הסלמה, פתרון
- להגדיר סמכות ברורה לכל חומר קלט (תמונה, וידאו, אודיו) כדי לשלוט מי אחראי על מה
- להפיק סצנות סיטקום מלאות עם מספר דוברים ותגובות, שבהן כל דובר מקבל את הזמן שלו
למי זה מתאים
- יוצרי תוכן שרוצים להפיק סצנות דיאלוג איכותיות ללא ציוד או שחקנים
- במאים ותסריטאים שרוצים לבדוק סצנות לפני הפקה פיזית
- מפרסמים ואנשי שיווק שצריכים לייצר סרטונים עם דיבור ומשחק בתקציב נמוך
- יוצרי קומדיה ומסדרונים שרוצים לבנות סיטקומים קצרים לרשתות חברתיות
- אנשי AI שמכירים כלי וידאו בסיסיים ורוצים לעבור לרמה של ביים סצנות מורכבות
מה אפשר לעשות עם זה בפועל
- הפקת פרק סיטקום קצר עם 4 דמויות סביב שולחן
- כל אחת מקבלת את הזמן הדרמטי שלה
- יצירת דמו לסצנה מתסריט לפני הפקה פיזית
- כולל דיאלוג
- תגובות וקאטים
- בניית וידאו פרסומת עם דובר שמגיב באמת למה שהוא אומר
- לא רק מפה שזזה
- תכנון סצנת קונפליקט בין שתי דמויות עם הסלמה רגשית והחלפת שוטים
- הפקת סצנות לריל או סטורי שבהן הדיאלוג נולד עם התמונה ולא מודבק אחר כך
- בדיקת פוטנציאל דרמטי של תסריט דרך הפקת סצנת מפתח של 15 שניות
- יצירת תוכן קומי קצר שבנוי על שורה-תגובה-פאנץ׳ עם סנכרון מושלם בין קול לגוף
רמה: בינוני · זמן משוער: 45 דקות
בקצרה: MiniMax H3 הוא מנוע וידאו שמייצר את הקול, המשחק והתמונה באותו מעבר אחד — ולכן הוא הכלי שפתח את גל סצנות הסיטקום. הוא קורא טקסט, תמונה, וידאו ואודיו כהקשר יצירתי אחד, ובגלל זה הכשלים שלו הם כשלי סמכות: כשלא אמרתם מי אחראי על מה, שתי הפניות נלחמות על אותם פנים.
טייק של 15 שניות שהופק ב-H3: ארבע נשים סביב שולחן, דיאלוג באודיו של המנוע עצמו, מסגור שמשתנה בין הדוברות, והכל בהרצה אחת בלי עריכה. שימו לב שכל דוברת מקבלת את הזמן שלה — זה בדיוק תקציב הדיאלוג מפרק 07. הופק ב-Cadabra AI · מייטל סלע.
קודם סמכות, אחר כך פעולה
H3 הוא מנוע הווידאו של MiniMax, והוא קורא טקסט, תמונה, וידאו ואודיו כהקשר יצירתי אחד ולא כארבע משימות נפרדות. בגלל זה הכשלים שלו הם כשלי סמכות: כשלא אמרתם מי אחראי על מה, שתי הפניות נלחמות על אותם פנים והדמות מתחילה להשתנות באמצע הטייק. המדריך הזה מתחיל מהחוק הזה.
מאת מייטל סלע · Cadabra AI, בשיתוף מועדון פרקטי AI, אוגוסט 2026.
איך לקרוא את הדף: לכל פרק יש תווית מקור. ירוק "נכון לסטודיו של קאדאברה, ספטמבר 2026" הוא פרמטר, אורך או מחיר כפי שהם בסטודיו של קאדאברה בתאריך הזה, והם יכולים להשתנות. כתום "שיטת עבודה" הוא טכניקת פרומפט — שיטה מסודרת ולא תיעוד רשמי של MiniMax.
פרק 01 · מה זה H3, ומה זה לא?
H3 הוא מנוע הווידאו של MiniMax, אותה חברה שמאחורי Hailuo. הוא מייצר 768p או 2K ב-24 פריימים לשנייה עם אודיו שנולד יחד עם התמונה, כולל דיבור, ורץ בשלושה כיוונים: מטקסט לווידאו, מתמונה לווידאו ומרפרנסים מרובים.
⚠️
פרק 02 · למה הדיבור שנולד עם התמונה משנה הכל?
כמעט כל מנוע וידאו יודע לייצר תמונה יפה. מה ש-H3 עושה אחרת הוא שהוא מייצר את הקול, המשחק והתמונה באותו מעבר אחד. כשהאודיו נולד יחד עם התמונה, השחקן באמת מגיב למילים שהוא אומר, הנשימה נמצאת במקום הנכון, והפאוזה לפני משפט היא פאוזה של משחק ולא של סנכרון.
| הגישה | מה מקבלים |
|---|---|
| ליפסינק | מדביקים אודיו על טייק קיים. הפה זז נכון, הגוף לא יודע מה נאמר. |
| H3 | הקול והמשחק נולדים יחד. הגוף, המבט והנשימה מגיבים לשורה עצמה. |
📺
⚠️
פרק 03 · מה הוא יודע לעשות?
💡
פרק 04 · מה המגבלות, בלי לייפות?
מנוע טוב הוא לא מנוע בלי מגבלות, הוא מנוע שאתם יודעים איפה הן. אלה שלו.
| המגבלה | מקור | הפירוט |
|---|---|---|
| עד 15 שניות לטייק | ✓ נכון לספטמבר 2026 | כל אורך שלם בין 4 ל-15 שניות. לסצנה ארוכה יותר מחברים כמה טייקים. |
| שתי רזולוציות | ✓ נכון לספטמבר 2026 | 768p או 2K. ב-768p ההרצה עולה בערך חצי, אז בודקים ב-768p ומרנדרים ב-2K רק את הטייק שעבד. |
| אין יחס מסך בתמונה לווידאו | ✓ נכון לספטמבר 2026 | התמונה שלכם קובעת את צורת הפריים. אם העליתם ריבוע ורציתם 16:9, תצטרכו לחתוך מחדש ולהריץ שוב. |
| הזהות נוזלת בלי הגדרת סמכות | ◆ שיטה | זו לא תקלה אלא אופי המנוע: הוא מאחד את כל החומרים. שתי הפניות שמתחרות על אותם פנים יגרמו לדמות להשתנות באמצע, וזה קורה רק אם לא אמרתם מי הבעלים. |
| דיאלוג צפוף נדחס | ◆ שיטה | המנוע יעמוד בזמן שנתתם לו גם במחיר של מסירה מהירה מדי. הוא לא יאריך את הטייק בשבילכם, אז התקציב הוא באחריותכם. |
| לא לסדרה ארוכה בלי עוגן | ◆ שיטה | לסרט מרובה שוטים שבו אותה דמות חוזרת שוב ושוב, תרצו עוגן זהות קבוע (תמונת דמות או דף דמות) ולא להסתמך על תיאור מילולי בין הרצות. |
פרק 05 · שלושת הכיוונים, ומה כל אחד לוקח
| הכיוון | מה מצרפים | יחסי מסך |
|---|---|---|
| טקסט לווידאו | פרומפט בלבד. אתם בוחרים אורך ויחס, והמנוע בונה הכל מאפס. מתאים לשוט אווירה, נוף או פתיחה שאין לה דמות חוזרת. | 21:9 · 16:9 · 4:3 · 1:1 · 3:4 · 9:16 |
| תמונה לווידאו | תמונת פתיחה ופרומפט, ושניהם חובה. התמונה לבדה לא תזוז בלי שתכתבו מה קורה בה. אפשר גם להוסיף פריים סיום, ואז המנוע נוחת עליו. | 🚨 אין בחירה. התמונה שהעליתם קובעת את הפריים |
| רפרנסים מרובים | עד 9 תמונות, 3 קליפים ו-3 קבצי קול באותו שוט, ופרומפט שנותן לכל אחד תפקיד (Image1, Video1, Audio1, כמו בפרק 06). כך הזהות, המוצר, התנועה, המקום והקול יכולים להגיע כל אחד ממקור אחר. | — |
פרק 06 · סמכות לפני פעולה: שישה רבדים
זה החלק שמפריד בין טייק שעובד לבין בלגן. כתבו את הפרומפט ברבדים, בסדר הזה. כל רובד עונה על שאלה אחת שהמנוע אחרת יענה עליה בעצמו, בדרך כלל לא כמו שרציתם.
Image1 = identity only. Video1 = camera path only, do NOT take its cast or wardrobe. Audio1 = voice timbre for Maya.Exactly two people in frame. Maya owns her face from Image1 and never changes wardrobe.A kitchen at night. She wants him to admit he forgot. "You really don't remember, do you."He is frame left with his back to camera. She enters from frame right behind him.0-4s: two-shot, geography, first line. 4-9s: push in, her reaction, the turn. 9-15s: final reply, he leaves.Negatives: no extra people, no wardrobe change, no camera shake, no burned-in subtitles.פרק 07 · תקציב הדיאלוג: הכשל מספר 1
H3 מייצר דיבור, וזה בדיוק המקום שבו רוב האנשים שורפים טייק. יותר מדי טקסט בתוך טווח זמן גורם למנוע לדחוס את המסירה: הדמות מדברת מהר מדי, המילים נבלעות, והטייק לא שמיש. הכלל הפשוט הוא שורה קצרה אחת לכל שלוש שניות.
| אורך הטייק | תקציב דיאלוג |
|---|---|
| 5 שניות | שורה קצרה אחת |
| 10 שניות | שלוש שורות קצרות |
| 15 שניות | חמש שורות קצרות |
פרק 08 · איך בונים רשימת שוטים בקודי זמן?
על טייק של 15 שניות הצורה שעובדת היא שלושה בלוקים: ביסוס, הסלמה, פתרון. זו אותה קשת של סצנה קצרה, רק שאתם כותבים אותה עם זמנים כדי שהמנוע לא יחלק את הזמן בעצמו.
פרק 09 · השלד למילוי
זה השלד של ששת הרבדים מפרק 06, מוכן להעתקה. מלאו את החלקים שבסוגריים, והתאימו את רשימת השוטים ואת תקציב הדיאלוג לאורך שבחרתם.
שלד ששת הרבדים — סמכות, זהות, סצנה, גאוגרפיה, שוטים, שלילות
הפרומפט באורך 9 שורות, ולכן הוא לא מוצג כאן במלואו. הטקסט המלא יושב בתוך הכפתור — לחצו עליו והוא יועתק.
פרק 10 · מחירים ואורכים
| אורך | קרדיטים ב-2K | שורות דיאלוג |
|---|---|---|
| 5 שניות | 8 | 1 |
| 10 שניות | 16 | 3 |
| 15 שניות | 23 | 5 |
💰
פרק 11 · שש הטעויות שהורגות טייק
שאלות נפוצות
מה ההבדל בין H3 לליפסינק רגיל?
בליפסינק מדביקים אודיו על טייק שכבר נוצר: הפה זז נכון, אבל הגוף לא יודע מה נאמר. ב-H3 הקול והמשחק נולדים באותו מעבר, ולכן הנשימה, המבט והפאוזה מגיבים לשורה עצמה.
כמה טקסט אפשר להכניס לטייק?
שורה קצרה אחת לכל שלוש שניות: אחת ב-5 שניות, שלוש ב-10, חמש ב-15. המנוע לא יאריך את הטייק בשבילכם — הוא ידחוס את המסירה, והתוצאה לא שמישה.
הדמות משתנה באמצע הטייק. למה?
כמעט תמיד כי שתי הפניות מתחרות על אותם פנים. אם העליתם תמונת דמות וגם וידאו רפרנס שיש בו אדם, ולא אמרתם לווידאו camera path only, הוא יתרום גם פנים. זו לא תקלה אלא אופי המנוע — הוא מאחד את כל החומרים אלא אם הגדרתם סמכות.
אפשר לבחור יחס מסך כשמעלים תמונה?
לא. בכיוון תמונה לווידאו התמונה שהעליתם קובעת את צורת הפריים, אז חתכו אותה מראש ליחס שאתם רוצים. בחירת יחס קיימת רק בכיוון טקסט לווידאו.
H3 או M3?
H3 הוא מנוע הווידאו. M3 הוא מודל שפה של אותה חברה, ואין לו שום קשר לייצור וידאו. אם מצאתם חומר על "MiniMax 3" שמדבר על מבחני ביצועים או קוד — זה לא הכלי הזה.
לסיכום
סמכות לפני פעולה. לכל חומר תפקיד מוצהר, וגבול על מה שאסור לו לשלוט בו.
שורה קצרה לכל שלוש שניות. זה הכשל מספר 1, והוא לגמרי בשליטתכם.
גאוגרפיה לפני תנועה. קודם איפה כולם עומדים, רק אחר כך מה קורה.
הקול נולד עם התמונה. הדיאלוג הוא חלק מהפרומפט, לא שכבה שמוסיפים אחר כך.
בודקים ב-768p, מרנדרים ב-2K. כל אורך שלם בין 4 ל-15 שניות, וב-768p המחיר בערך חצי.
שלילות נוקבות בכשל. "אנשים נוספים בפריים", לא "לא מכוער".
💡
מאת מייטל סלע · Cadabra AI · בשיתוף מועדון פרקטי AI · אוגוסט 2026.