MiniMax-H3 网球生成 · P0 smoke

4 条 clip · seed 1234 · 960×544 · 124 帧 (5.17s @24fps) · 40 步 · 视频与音频联合生成

转播远景 · 正手 t2va

生成耗时423s (基线 offload)
峰值显存65.2 GB
画布 / 帧960×544 · 124f · 5.17s @24fps
运动形状衰减 · 峰值 0.10 px/帧
音频 peak/rms19.6

逐 0.5s 全局光流 (px/帧)

0.0s2.6s5.2s峰值 0.10

音频包络 (0.1s 窗口峰值)

0.0s2.6s5.2s峰值 0.25

场景保真度高(球场几何/观众席/记分牌图形全程稳定),但全局 flow 只有 0.02–0.10 —— 球员只占约 2% 像素,均值被静止背景稀释。这是 G6 的来源。

特写 · 发球 t2va

生成耗时467s (基线 offload)
峰值显存66.0 GB
画布 / 帧960×544 · 124f · 5.17s @24fps
运动形状递增 · 峰值 5.10 px/帧
音频 peak/rms9.0

逐 0.5s 全局光流 (px/帧)

0.0s2.6s5.2s峰值 5.10

音频包络 (0.1s 窗口峰值)

0.0s2.6s5.2s峰值 0.29

运动量**一路递增**到 5.10,trophy→引拍→击球,解剖结构稳定。它直接证伪了「H3 运动会衰减」这个通则,也打破了 sustain_t 的初版定义(G7)。

关键帧首锚 · 正手 fl2va

条件图
生成耗时390s (基线 offload)
峰值显存77.0 GB
画布 / 帧960×544 · 124f · 5.17s @24fps
运动形状衰减 · 峰值 1.05 px/帧
音频 peak/rms4.4

逐 0.5s 全局光流 (px/帧)

0.0s2.6s5.2s峰值 1.05

音频包络 (0.1s 窗口峰值)

0.0s2.6s5.2s峰值 0.36

约 2s 真实动作(球飞来→触拍→球离开→随挥,人体与球拍未崩),之后衰减到 1/3 进入近静止平台。音轨全程平坦、无瞬态,与画面一致。

关键帧尾锚 · 发球(反向) fl2va

条件图
生成耗时496s (基线 offload)
峰值显存77.8 GB
画布 / 帧960×544 · 124f · 5.17s @24fps
运动形状衰减 · 峰值 0.19 px/帧
音频 peak/rms23.3

逐 0.5s 全局光流 (px/帧)

0.0s2.6s5.2s峰值 0.19

音频包络 (0.1s 窗口峰值)

0.0s2.6s5.2s峰值 0.23

锚定精确落位(末帧距条件图 2.8,远小于首帧的 10.2),但约 60% 处到达锚定姿态后**剩余 2 秒逐帧差恰好为 0.0 —— 完全冻结**。