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，超过 14.8 秒的部分会被切掉，所以一条 20 秒的台词，回来的是前 14.8 秒。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 5 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。

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。