MiniMax H3, Gemini Omni 1.1 und Wan 3.0 im Vergleich: drei Audio-Video-Modelle, drei Prompt-Dialekte

Innerhalb einer Septemberwoche sind drei Videomodelle auf LUVI angekommen, und sie teilen sich die Schlagzeile: Der Ton entsteht zusammen mit dem Bild, Dialog inklusive. Eine gemeinsame Prompt-Sprache haben sie nicht. Für jedes haben wir aus der Dokumentation des Herstellers einen Prompt-Leitfaden geschrieben; dieser Vergleich ist das Nebenprodukt dieser Arbeit.

Die Zahlen

• Startpreis auf LUVI. H3 ab 2.080 Credits für 8 s (H3 Max 1.216). Omni 1.1 Flash ab 2.200 Credits für 10 s. Wan 3.0 ab 2.000 Credits für 5 s (Prime 2.800).
• Native Auflösungen. H3: 480P, 768P, 2K. Omni: 360p, 720p; 1080p und 4K stammen aus Googles Upscaler. Wan: 480p, 720p, 1080p.
• Cliplänge. H3: 4–15 s. Omni: 3–10 s, verlängerbar auf 40 s. Wan: bis 30 s.
• Modi auf LUVI. H3: Text, Bild, Referenz. Omni: Text, Bild, Referenz, Bearbeitung, Verlängerung. Wan: Text, Bild, Referenz.
• Dialogsprachen. H3: 11 (Türkisch nicht darunter). Omni: für Englisch evaluiert, andere können funktionieren. Wan: Chinesisch und Englisch.
• Referenzmedien. H3: bis zu 9 Bilder, 3 Clips, 3 Audiodateien, insgesamt 12 Dateien. Omni: Bilder und bis zu 3 kurze Clips, kein Audio. Wan: bis zu 10 Bilder, 5 Clips, 5 Audiodateien, 20 Dateien.

MiniMax H3: warum ist der Prompt ein Dokument?

Weil H3 keine Bildbeschreibung will, sondern drei benannte Felder – integrated_multimodal_description, overall_soundscape, non_diegetic_music – und zwar jedes Mal alle drei. Lässt du ein Audiofeld weg, wird das Modell nicht stumm; es erfindet. Die Kamera ist Prosa aus zwölf festen Verben und vier Modifikatoren („The camera pushes in with small amplitude at slow speed toward…“), Schnitte werden auf die Millisekunde gesetzt („[Shot 2] At 00:03.500, the camera cuts to…“), Dialog steht in einem Tag mit seiner Sprache: <d>[English] I get off at the next station.</d>. Ein Eigenname – ein Star, ein Film, eine Marke – blockiert die gesamte Anfrage. Kamerabefehle in eckigen Klammern aus der älteren Hailuo-Linie sind hier tote Syntax.

Stärke: durchgeschriebene Sequenzen mit mehreren Einstellungen und Dialog, und Referenzpakete, die Gesicht und Stimme zugleich festlegen.

Gemini Omni 1.1: warum muss eine Bildbeschreibung um eine einzige Einstellung bitten?

Weil Omni von sich aus schneidet. Das Modell ist vom Temperament her das Gegenteil von H3: Eine Bildbeschreibung von rund 45 Wörtern in schlichter Prosa ist der ideale Prompt, den Rest der Welt füllt es selbst. Die Falle: Bittest du um eine Einstellung am Seeufer, bekommst du womöglich eine Montage aus drei. Jeder Prompt für eine durchgehende Einstellung braucht im ersten Satz eine Kontinuitätsklausel („In a single unbroken scene…“). Der Ton steht in einem eigenen Satz hinter „Sound design:“, Musik muss ausdrücklich verlangt werden, und Dialog wird mit Doppelpunkt geschrieben – ohne Anführungszeichen, denn Anführungszeichen brennen die Wörter als Bildtext ins Bild. Ein Negativfeld gibt es nicht; Ausschlüsse sind knappe Fragmente am Ende („No dialogue. No text overlay on screen.“). Bearbeitungen bestehen aus einem Teilsatz plus „Keep everything else the same.“

Stärke: schnelle, günstige, natürlich wirkende Clips; Bearbeitung per Anweisung; das Verlängern eines Clips, den du schon hast.

Wan 3.0: was ist die additive Formel?

Alibaba veröffentlicht den Prompt als Formel, und das Modell liest ihn in genau dieser Reihenfolge: Entität + Szene + Bewegung, dann Ästhetik + Stilisierung, dann Ton (Stimme = Text + Emotion + Tonfall + Tempo + Klangfarbe + Akzent; Geräusch = Quelle + Aktion + Atmo; Musik = Score + Stil), dann mehrere Einstellungen als „Shot 1 [0–3 s] … Shot 2 [4–6 s] Hard cut transition, fixed camera…“. Hochgeladene Medien werden beim Namen genannt und wie ein Substantiv benutzt: „The cat in Image 1 plays in the room in Image 2.“ Die eigene Verbotsliste ist kurz und lohnt das Auswendiglernen: keine realen Personen beim Namen, keine schnellen Szenenwechsel innerhalb eines Clips, keine Einstellung, die auf exaktem Text oder wortgenauer Lippensynchronisation aufbaut.

Stärke: lange Clips (30 s), gemischte Referenzpakete mit Audio und Dialog auf Chinesisch.

Die Regel, an der jedes scheitert

• H3: Lass ein Audiofeld weg. Du bekommst erfundenen Ton, keine Stille.
• Omni: Vergiss die Kontinuitätsklausel. Du bekommst Schnitte.
• Wan: Nenn eine reale Person. Die Anfrage schlägt fehl.

Welches soll ich nehmen?

Eine Dialogszene mit festem Ensemble: H3. Ein schneller Entwurf oder die Bearbeitung von etwas, das schon existiert: Omni. Ein langer Clip oder ein Referenzpaket mit Stimme: Wan 3.0. Alle drei Leitfäden stehen auf den Modellseiten – MiniMax H3, Gemini Omni, Wan – und der Arbeitsbereich wendet sie an, sobald der Leitfaden eingeschaltet ist. Wie die Credit-Preise oben zustande kommen, erklärt Wie funktionieren Credits und was kostet eine Generierung?.