Minimax视频生成模型从v1.0到v4.0持续升级：v1.0支持512×512/2秒无声视频；v2.1提升分辨率至768×768、3秒、12fps并支持图生视频；v3.0实现1024×1024/8秒高保真生成与语音驱动唇形；v3.2新增帧级掩码编辑功能；v4.0引入文本-音频-草图三模态协同及镜头语言控制。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您正在对比Minimax不同版本在视频生成能力上的变化，可能会发现各迭代版本在模型架构、训练数据规模、输出分辨率及生成时长等方面存在明显差异。以下是针对Minimax视频生成模型各主要版本更新内容的逐项说明：
一、v1.0 初始发布版本
v1.0是Minimax首个公开发布的视频生成模型，聚焦基础文本到视频映射能力，采用单阶段扩散架构，支持512×512分辨率、2秒时长的短视频生成。该版本未集成音频同步模块，生成结果为无声视频序列。
1、输入文本长度限制为32个中文字符或64个英文字符。
2、最大帧数为16帧，帧率为8fps。
3、仅支持GPU推理，最低显存要求为16GB V100。
4、不支持负向提示词（negative prompt）输入。
二、v2.1 多尺度时序建模升级版
v2.1引入双路径时序建模结构，在空间和时间维度分别施加注意力约束，提升动作连贯性；同时扩展训练数据至涵盖12类运动场景的百万级短视频片段，显著改善肢体动作自然度。
1、输出分辨率提升至768×768，支持最高3秒视频生成。
2、帧率提升至12fps，总帧数上限增至36帧。
3、新增运动幅度控制参数，取值范围为0.3–1.5，默认值为1.0。
4、首次支持用户自定义起始帧图像（image-to-video）。
三、v3.0 高保真长视频生成版本
v3.0采用分块时序拼接机制，将长视频拆解为多个语义一致的子片段并行生成，再通过光流引导融合，实现最长8秒视频的端到端输出；同时集成轻量级语音驱动唇形模块，可选配语音输入驱动口型同步。
1、支持4K（3840×2160）超分后处理，原始生成分辨率为1024×1024。
使用APIDot进行MiniMax Music 2.6 API工作流程，包括AI音乐生成、歌词创作、器乐制作、音频导出规划、异步任务提交、任务ID...
2、最大生成时长为8秒，帧率固定为16fps，总帧数可达128帧。
3、引入“关键帧锚点”机制，允许用户指定第1、第4、第8秒的画面描述。
4、需额外加载独立音频对齐模型（audio_align_v3.bin），否则禁用语音驱动功能。
四、v3.2 实时编辑增强版本
v3.2在v3.0基础上增加帧级掩码编辑接口，支持对已生成视频中任意区域进行局部重绘、对象替换或风格迁移，无需重新生成全片；所有编辑操作均基于原生Latent空间完成，避免像素级失真。
1、提供WebUI内置编辑画布，支持矩形/自由选区与边缘羽化调节。
2、局部重绘支持最多3轮迭代，每轮生成间隔不低于1.8秒。
3、对象替换需提供目标对象文本描述及参考图像（尺寸≥256×256）。
4、编辑模式下禁止修改原始文本提示词，仅允许调整局部控制参数。
五、v4.0 多模态协同生成版本
v4.0整合文本、音频、草图三模态输入通道，构建联合嵌入空间，使视频生成结果在节奏感、构图逻辑与语义一致性上同步提升；新增“镜头语言控制”维度，支持指定景别、运镜方式与转场类型。
1、支持上传MP3/WAV格式音频文件（≤30秒），自动提取节奏特征并映射至视频节拍。
2、草图输入接受PNG格式手绘线稿，最小尺寸为512×512，透明背景优先。
3、镜头语言参数包括：景别（特写/中景/全景）、运镜（推/拉/摇/跟）、转场（硬切/叠化/缩放）。
4、三模态输入必须同时提供文本与至少一种辅助模态，否则降级至v3.2模式运行。
