MiniMax H3 Max Lip Sync оживляет портретное фото под загруженное аудио: движения губ, мимика и лёгкие движения головы следуют речи на любом языке. Длительность видео равна длительности аудио — минимум 5 секунд, а всё, что длиннее 14,8 секунды, обрезается до первых 14,8 с. Видео сохраняет соотношение сторон фото (от 0.4 до 2.5).

№1 по качеству и скорости в оценках fal среди lip-sync моделей, медианное время генерации около 11 секунд. Опциональная транскрипция улучшает синхронизацию на чистой речи. Разрешение от 480p до 2K.

Доступные настройки: Фото, Аудио, Разрешение, Транскрипция, Seed.