Накопилось по #MinimaxH3 - часть 5

reddit.com/r/StableDiffusion/comments/1vtv0qs/psa_in_h3_you_can_set_custom_soundtracks_without - кастомный саундтрек в H3 через латентные маски шума в FL2VA. Работает с липсинком

huggingface.co/datasets/malcolmrey/various/blob/main/h3-center/known-characters/INDEX.md - список персонажей известных H3 с видео-примерами

huggingface.co/LBH-123-AI/Minimax_h3_latent_Upscaler - латентный апскейл в стиле LTX 2.5: проход на 0.2–0.5 масштаба, быстрый нейроапскейл. Рендер за 3–4 мин, детали лиц и движение чистые

github.com/PlagueKind/ComfyUI-PlagueKind-Nodes - нода sparse attention SLA для H3 - ускорение до 2.5x. Работает с любым турбо, не требует SLA LoRA. В паре с ComfyKitch attention еще 5–10%. Ставить после лора лоудера

github.com/eedali/LM_Connect - подключение LLM к ComfyUI: LM Studio через API или GGUF локально. Есть фича писать промпты MiniMax H3

#comfyUI #upscale #optimization #prompting

Famegrid 2nd Gen (Krea 2 / Z-Image / Qwen)

Серия LoRA на реализм с закосом под смартфон

- Работает в связке с Turbo Distill LoRA — 6 шагов первый проход, 2 шага второй

- Вес LoRA: 0.7–0.9 (0.7 более естественно, 0.9 сильнее стиль, но чисто)
- С character LoRA вес не выше 0.6
- Триггер-слово: rls

#lora #realism #krea2 #zimage #qwenimage

VK | MAX

Qwen3.8-Flash-Next

Ранний предпросмотр архитектуры Qwen4 с открытыми весами

Скорость Flash при размере большой модели. Плюс 51B n-gram эмбеддингов, которые добавляют параметров почти бесплатно по памяти

- Мультимодальная: понимает текст, изображения и видео
- 6B активных на токен из 125B - быстро и экономично
- Контекст 262K нативно, до 1M через YaRN
- Обходит Qwen3.7-Plus и DeepSeek-V4-Flash по большинству бенчмарков при куда меньших затратах

Гитхаб
HF
Квантизации
Демо
API

#multimodal #agent

VK | MAX

Breeze TTS 2

Рилтайм говорилка

- Клонирование голоса: пара секунд речи + точная расшифровка → сохранение тембра, ритма, эмоций
- Дизайн голоса без референса по промпту
- Voice Direction: "говори медленно, серьезно" - голос остается, подача меняется
- Вокальные события в тексте: (laugh), (cough), (sigh)
- Стриминг с задержкой менее 40 мс до первого аудио, генерация в 3 раза быстрее реального времени

- 3B, ~7.7 GB VRAM, min 12 GB GPU
- английский и китайский

Гитхаб
HF
Попробовать
Демо

Спасибо @m_franz

#TTS #VOICECLONING #VOICEDESIGN

VK | MAX

GLM-5.3-Flash

оказалось это она пряталась под псевдонимом Ox Alpha

Первая GLM с настоящей мультимодальностью: изображения и видео принимаются нативно, без отдельных моделей-помощников

- Мультимодальность из коробки: текст, изображения, видео
- Контекст до 1M
- Агентские бенчмарки приближаются к Opus 4.8
- 321B параметров, активны 18B

- Цена: $0.075 вход / $0.25 выход, с 9 сентября вырастет до $0.15 / $0.50
- Работает полностью на китайских чипах

HF
GGUF / FP8
API

#flagship #gguf #fp8 #multimodal #agent

VK | MAX