MiniMax H3 教程：图文音视频多模态 LoRA 训练
shootthesound · reddit · 2026-08-19
作者发布了一份 MiniMax H3 数字人 LoRA 训练教程，涵盖声音与形象克隆。演示中使用的 LoRA 在 35 张图片、26 个音频文件和一个视频片段的混合数据集上训练。教程介绍了名为 Gizmo 的新数据准备工具，并建议训练策略：前期混合数据，40 轮后切换至纯音频模式以优化声音而不破坏画质。作者指出静态图与音频组合最快，视频则用于教导模型未知动作。
「多模态」频道最新
- MLP-Splatting 论文开源:用光场原语替代高斯泼溅 — AjdDavison · 2026-10-16
- 数字人 Fae 用 FACS 逐帧编码表情，Claude Opus 5.5 做情绪分析 — repligate · 2026-10-16
- Meta 多语言 ASR 覆盖 1600 种语言，入选 TIME 2026 最佳发明 — AIatMeta · 2026-10-16
- 浙大等团队发布 ATAS 框架：用世界状态记忆实现一致性长视频生成 — CSProfKGD · 2026-10-16
- Flux 3 Klein 默认模板有坑:必须接 prompt upscaler 才能出好图 — StrictMove5839 · 2026-10-16
- Kroma(Krea 2 系)被赞全面最强图像模型,仅缺画师名认知 — Different_Fix_2217 · 2026-10-16