H3 Max 又上了两个入口：一个让照片开口说话，一个只动镜头

Lip Sync 根本没有写字的地方。说什么，全部来自你给它的那段录音，出来的片子跟那段录音一样长。录音至少要 5 秒，最长可以到 15 分钟，所以一条 20 秒的台词，回来的就是 20 秒的片子。照片的宽高比要在 0.4 到 2.5 之间，正常的竖图和正常的横图都在范围内。

Camera Controls 反过来。你自己打字，自己挑 3 到 15 秒的长度，你给的那张图就是镜头要穿过的那个场景。场景里的东西不会主动动起来。

两个都按秒计费，同一档的价格一样，Lip Sync 多出最高的一档：它是这里第一个有 2K 档的视频模型。新建的 Lip Sync 框默认 768P，新建的 Camera Controls 框默认 480P，这是两个模型自己的默认值。

Lip Sync 的片子超过 15 秒，整段按 1.2 倍的价格算，所以 768P 下一条 30 秒的台词是 100.80 积分。

这里其他视频模型拿到的都是整数，因为时长是你自己设的一个档位，你没法设半秒。Lip Sync 是第一个时长来自别人录的一个文件的模型，而录音的长度几乎不可能刚好是整秒。

所以我们真跑了一次，拿账单来对：480P 下一段 7.488 秒的录音。出来的片子 7.5 秒，MiniMax 按 8 秒收费。我们自己算的是 7.488 秒，比实际收的少 6.8%，而少算这个方向是我们自己亏。现在规则把秒数往上取整，按钮上的数字和账单上的数字就对得上了。

对你来说就是：7.5 秒的录音按 8 秒算。这里没有任何隐藏的东西，生成按钮在你按下之前显示的就是取整之后的数字。

Camera Controls 框上会画出一排有名字的运镜：推近、拉远、左摇、右摇、上仰、下俯、升高环绕、绕主体、无人机、手持，还有另外十三个。你点一个，它就把这个运镜写进框里。

其中三个还带了真正的几何轨迹，也就是一串随时间变化的镜头位置：推近、拉远、绕主体。另外二十个是以文字形式送给模型的，MiniMax 自己也是这么驱动这个模型的。文字不会指错方向，而这一点在这里很重要：没有人公开说正数代表哪个方向，所以用数字描述的运镜，回来的时候可能是反的。