MiniMax H3 auf dem GX10: So entstand ein lokales 60-Sekunden-KI-Video

Ein einminütiger KI-Film sieht zunächst wie ein einzelnes Ergebnis aus. Tatsächlich bestand dieser Versuch aus vielen getrennten Generierungen, kontrollierten Übergängen, einem neuen Schnitt, einem vollständigen Sound-Rebuild und mehreren technischen Prüfungen. Genau diese unsichtbare Arbeit ist interessanter als die Behauptung, ein langer Prompt habe einen fertigen Kurzfilm erzeugt.

Der hier gezeigte Film entstand lokal mit MiniMax H3 auf einem ASUS GX10. Er ist eine filmische Vision über Zusammenarbeit, verdichtetes Wissen und Entscheidungen. Er beweist kein fertiges Agentensystem, keine autonome Ausführung und keine menschenähnliche Eigenständigkeit. Name, Architektur und späterer Einsatzzweck des Projekts bleiben bewusst unveröffentlicht.

Was ich tatsächlich getestet habe

Die technische Frage lautete nicht nur: Kann das Modell einen schönen viersekündigen Clip erzeugen? Entscheidend war, ob sich aus vielen kurzen Generierungen eine verständliche Minute bauen lässt, ohne dass Bild und Ton an jedem Übergang neu beginnen.

Der dokumentierte Workflow verwendete:

• den Checkpoint MiniMaxAI/MiniMax-H3 – also die konkret gespeicherte Modellversion – in der verifizierten Revision 40ce9448c01047822fab3a134281af9479af55fd;
• das öffentliche Laufzeitprojekt joeynyc/MiniMax-H3-DGX-Spark, lokal ausgeführt als Container-Image minimax-h3-dgx-spark:sm121-fp8;
• 1.344 × 768 Pixel bei 24 Bildern pro Sekunde;
• vier Sekunden pro Quell- oder Fortsetzungsclip;
• 20 Inferenzschritte, also 20 Rechenschritte pro dokumentiertem Generationslauf;
• drei getrennte Laufserien mit zusammen 19 bestandenen Clips.

Die gespeicherten Container- und Generationsprotokolle ordnen alle drei Serien demselben GX10-Workflow zu. Die einzelnen Generierungen benötigten in diesem konkreten Versuch zwischen 16 Minuten 21 Sekunden und 26 Minuten 51 Sekunden. Das ist eine Beobachtung dieses Aufbaus, kein allgemeiner Geschwindigkeitsbenchmark für MiniMax H3 oder den GX10.

Warum vier gute Clips noch keinen Film ergeben

Der erste 15-Sekunden-Versuch bestand aus vier unabhängig erzeugten Einstellungen. Jede Szene sah für sich stark aus, aber an ungefähr Sekunde vier, acht und zwölf wechselten Kamera, Geometrie und Bildsprache sichtbar. Kurze Überblendungen konnten diese Sprünge kaschieren, aber nicht lösen.

Für die späteren Kapitel änderte sich deshalb die Methode. Statt jede Einstellung neu zu erfinden, wurde das Ende eines akzeptierten Clips als visuelle Ausgangslage für die nächste Fortsetzung verwendet. Außerdem bekam jeder Abschnitt nur eine Aufgabe: Ankunft, Übergabe, Verdichtung, Entscheidung oder Abschluss.

Das half aus drei Gründen:

1. Weniger visuelle Aufgaben pro Generierung. Ein viersekündiger Clip musste nicht gleichzeitig Welt, Figuren, Handlung und Auflösung erklären.
2. Ein wiederkehrender visueller Wortschatz. Licht, Farben, zentrale Formen und Bewegungsrichtungen blieben über mehrere Einstellungen erkennbar.
3. Bewusst gesetzte Übergänge. Der Schnittpunkt wurde vor der nächsten Generierung mitgedacht, statt erst am Ende nach einer zufälligen Verbindung zu suchen.

Der endgültige Schnitt beginnt deshalb nicht mit dem kompletten ursprünglichen Intro. Der sichtbar unruhige Teil wurde entfernt; die zusammenhängendere Passage bildet den neuen Anfang. Anschließend wurden drei weitere, seriell fortgeführte Clips ergänzt. Diese Entscheidung war redaktionell, nicht durch einen Qualitätswert des Modells automatisiert.

Das größere Problem war der Ton

Die späteren Bilder konnten sehr weich ineinander übergehen. Der native Ton verriet die Clipgrenzen trotzdem sofort: Raum, Lautstärke und Klangfarbe begannen bei einer neuen Generierung häufig von vorn. Die Dateien waren vollständig decodierbar. Das eigentliche Problem waren die hörbaren Wechsel der akustischen Welt.

Ein einfaches Normalisieren aller Einzelspuren reichte nicht. Dadurch wären die Unterschiede nur gleich laut geworden. Für die veröffentlichte Fassung wurde der Ton daher als eigene Produktionsstufe behandelt:

• Die nativen H3-Geräusche blieben leise als Details erhalten.
• Eine kontinuierliche True-Stereo-Grundfläche – mit zwei tatsächlich unterschiedlichen statt nur duplizierten Kanälen – verband die gesamte Minute.
• Kurze J-Cuts ließen den Ton der kommenden Szene bereits vor einigen Bildgrenzen einsetzen.
• Tiefe Frequenzen blieben weitgehend mono, damit die Mischung auch auf kleinen Lautsprechern stabil bleibt.
• Übergänge wurden nicht nur angehört, sondern über Lautstärke, die Ähnlichkeit der Stereokanäle und die Verteilung der Frequenzen geprüft.
• Die fertige AAC-Spur wurde nach dem Encoding erneut gemessen.

Der geprüfte Produktionsmaster liegt bei −13,89 LUFS integrierter Lautheit – einem Maß für die wahrgenommene Durchschnittslautstärke – und −2,58 dBTP True Peak, dem geschätzten höchsten Signalpegel bei der Wiedergabe. Diese Werte sind keine universelle Vorgabe. Die Webfassung übernimmt den AAC-Audiostream des Masters bitidentisch; neu encodiert wurde nur das Bild, damit die Datei zuverlässig ausgeliefert werden kann.

Produktionsmaster und Webfassung sauber getrennt

Für Produktionsmaster und Webfassung wurden folgende gemeinsame Eigenschaften erneut kontrolliert:

• exakt 60,000 Sekunden Laufzeit;
• 1.344 × 768 Pixel bei 24 Bildern pro Sekunde;
• 1.440 vollständig decodierte Videobilder;
• H.264-Video und AAC-Stereo mit 48 kHz;
• vollständig decodierbarer Bild- und Tonstrom.

Der 47.259.304 Byte große Produktionsmaster hat die SHA-256-Prüfsumme d1b5eab3ff57c4689eabbffd02d57d608025184143cf14eae83c03fea3344067. Die kleinere Webfassung ist eine eigenständige Datei mit 17.530.595 Byte und der Prüfsumme 790e6b716e4eb770c31df0a493f00819f90ac75dc25d807d2138e6ff07f2a159. Ihr H.264-Bildstrom wurde für das Web neu encodiert; ihr AAC-Tonstrom ist bitidentisch mit dem Master. Beide Dateien laufen exakt 60,000 Sekunden und enthalten 1.440 vollständig decodierbare Videobilder.

Die Prüfsummen beweisen, welche konkreten Dateien geprüft wurden. Sie beweisen nicht, dass die im Film dargestellte Idee bereits als Software existiert.

Was dieses Experiment nicht zeigt

Ein stimmiges Video verführt schnell zu größeren Aussagen, als die Belege tragen. Deshalb gehören die Grenzen direkt in den Werkstattbericht.

Der Film belegt nicht:

• ein fertiges oder veröffentlichtes Produkt;
• eine feststehende Projektbezeichnung;
• eine öffentlich dokumentierte Agentenarchitektur;
• autonome Entscheidungen oder reale Tool-Nutzung;
• menschenähnliche Eigenständigkeit oder innere Zustände;
• allgemeine Leistung, Kosten oder Zuverlässigkeit von MiniMax H3;
• eine Überlegenheit des GX10 gegenüber anderer Hardware.

Was er belegt, ist enger und trotzdem nützlich: Auf dem lokalen Aufbau ließen sich viele kurze MiniMax-H3-Generierungen zu einer technisch sauberen Minute verarbeiten. Visuelle Kontinuität profitierte von seriellen Referenzen und klaren Szenenaufgaben. Akustische Kontinuität musste dagegen größtenteils in der Postproduktion neu hergestellt werden.

Die praktische Lehre: erzählt, gerendert und verifiziert trennen

Für generative Medien hilft eine einfache Dreiteilung:

Erzählt wird die Bedeutung des Films. Hier geht es um Zusammenarbeit, Wissen und eine größere noch nicht veröffentlichte Idee.

Gerendert wurden konkrete kurze Bild- und Tonsequenzen mit MiniMax H3. Sie sind echte Dateien, aber noch kein Beweis für die dargestellten Fähigkeiten.

Verifiziert wurden Provenienz, Dauer, Auflösung, Framerate, Codecs, Decodierbarkeit, Prüfsumme sowie ausgewählte Bild- und Tonübergänge.

Diese Ebenen sollten nicht vermischt werden. Eine starke filmische Metapher darf neugierig machen. Glaubwürdig wird sie erst, wenn klar bleibt, wo das Bild endet und der Funktionsnachweis beginnen müsste.

Was ich beim nächsten Durchlauf anders testen würde

Der nächste sinnvolle Versuch wäre nicht einfach eine weitere Minute mit mehr Effekten. Interessanter ist eine kontrollierte Kette, in der Bildreferenz und akustischer Kontext gemeinsam weitergegeben werden. Dann ließe sich vergleichen, wie viel Kontinuität bereits bei der Generierung entsteht und wie viel Sounddesign anschließend noch nötig bleibt.

Dafür braucht es wieder feste Kriterien: identische Auflösung und Bildrate, dokumentierte Laufzeiten, definierte Übergangspunkte, getrennte Bewertung von Bild und Ton sowie einen finalen Decode- und Prüfsummencheck. Erst ein solcher Vergleich liefert mehr als den Eindruck sieht gut aus.

Genau dafür ist die KI-Ablauf Werkstatt gedacht: nicht für fertige Zukunftsversprechen, sondern für dokumentierte Experimente mit lokaler KI, klaren Beweisgrenzen und Ergebnissen, die sich nachprüfen lassen.