MiniMax haastaa Seedance 2.0:n uudella videomallilla – Hailuo 3 tekee 15 sekunnin 2K-videoita äänineen

Kiinalainen MiniMax on tuonut saataville uuden Hailuo 3 -tekoälyvideomallinsa, joka yhdistää kuvat, videon, äänen ja tekstiohjeet samaan luontiprosessiin. Se tuottaa jopa 15 sekunnin videoita 2K-tarkkuudella ja generoi samalla puheen sekä muut äänet. Varhainen testi nostaa mallin vakavasti otettavaksi haastajaksi ByteDancen Seedance 2.0:lle, mutta vielä on liian aikaista julistaa kilpailun voittajaa.

Tekoälyvideoiden kilpailu sai uuden kiinnostavan haastajan, kun MiniMax toi saataville Hailuo 3 -mallin. Myös nimellä MiniMax H3 tunnettu järjestelmä luo yhdellä kertaa kuvan lisäksi puheen, äänitehosteet ja ympäristön äänet.

MiniMaxin kehittäjädokumentaation mukaan Hailuo 3:n videon pituudeksi voi valita 4–15 sekuntia. Mallin tällä hetkellä ilmoitettu tarkkuus on 2K, ja kuvasuhteiksi tarjotaan vaihtoehtoja erittäin leveästä 21:9-muodosta pystysuuntaiseen 9:16-videoon.

Kyse ei ole vain tekstistä videoksi -generaattorin uudesta versiosta. Hailuo 3 voi käyttää samassa työssä tekstiä, kuvia, videoita ja ääntä, joten käyttäjä voi antaa erillisiä viitteitä esimerkiksi henkilön ulkonäöstä, kuvaustyylistä, liikkeestä ja äänestä.

Theoretically Media kokeili Hailuo 3:a varhaisessa vaiheessa ja vertasi tuloksia etenkin ByteDancen Seedance 2.0 -malliin. Ensivaikutelma oli huomattavan myönteinen: parhaat otokset pääsivät testaajan arvion mukaan hyvin lähelle Seedancen tasoa, vaikka Hailuo ei onnistunut kaikissa tehtävissä yhtä vahvasti.

Hailuo 3 hyväksyy kuvia, videoita ja ääntä viitteiksi

MiniMaxin API-ohjeissa viiteaineistolle on asetettu melko väljät rajat. Dokumentoidut ylärajat ovat yhdeksän viitekuvaa, kolme videoleikettä ja kolme äänitiedostoa, mutta käyttöliittymä voi rajoittaa samassa tehtävässä käytettävien tiedostojen kokonaismäärää. Video- ja ääniviitteiden yhteenlaskettu kesto on kummassakin ryhmässä rajattu 15 sekuntiin.

Käytännössä viitekuva voi määrätä, miltä hahmo tai esine näyttää. Videoleike voi puolestaan ohjata liikettä, kameran toimintaa tai leikkausrytmiä, kun taas äänitiedostolla voidaan antaa mallille esimerkki äänestä tai halutusta äänimaailmasta.

Vaihtoehtoinen työskentelytapa käyttää videon ensimmäistä ja viimeistä ruutua. Käyttäjä määrittelee alku- ja lopputilanteen, minkä jälkeen malli yrittää rakentaa niiden väliin luontevan tapahtumaketjun.

Näitä kahta tapaa ei kuitenkaan voi MiniMaxin dokumentaation mukaan yhdistää vapaasti. Ensimmäiseen ja viimeiseen ruutuun perustuva kuvasarja sekä erillisiä kuva-, video- ja ääniviitteitä hyödyntävä tila ovat toisensa poissulkevia työskentelymuotoja.

Tekstiohje voi olla jopa 7 000 merkin mittainen. Se antaa tilaa yksityiskohtaiselle kohtaussuunnitelmalle, mutta testin perusteella pitkä ohje ei automaattisesti tuota parempaa videota. Jos tapahtumia yritetään mahduttaa 15 sekuntiin liikaa, osa niistä voi jäädä kokonaan toteutumatta.

Dialogi ja pienet näyttelijäntyön eleet yllättivät

Theoretically Median onnistuneimpiin kokeisiin kuului ravintolakohtaus, jossa mies ja tarjoilija keskustelivat kahvista ja piirakasta. Malli sai repliikit mahtumaan lyhyeen otokseen ja lisäsi miehelle pienen sormien naputuksen pöytää vasten.

Yksityiskohta on tekoälyvideossa merkittävä, koska uskottava kohtaus ei synny pelkästään kasvoista ja puheesta. Pienet eleet, katseen suunta, reaktioiden ajoitus ja hahmojen vuorovaikutus ratkaisevat, näyttääkö lopputulos esitetyltä tilanteelta vai liikkuvalta kuvakollaaselta.

Myös rikoselokuvan tyyliä jäljittelevässä keskustelussa kahden päähenkilön ulkonäkö pysyi melko vakaana ja taustalle saapuneet sivuhahmot erottuivat toisistaan. Tällaiset arkiset jatkuvuustestit kertovat mallin käyttökelpoisuudesta usein enemmän kuin näyttävät demovideot, joissa kamera liikkuu nopeasti ja pienet virheet jäävät huomaamatta.

Hailuo 3 pystyi tuottamaan puhetta myös muulla kuin englannilla, kun testaaja kirjoitti samuraikohtauksen ohjeen tavoitekielellä. Yksittäinen onnistuminen ei vielä osoita kaikkien kielten toimivan yhtä luontevasti, mutta se kertoo, ettei puhetoiminto rajoitu pelkkiin englanninkielisiin repliikkeihin.

Suomen kielen kohdalla olennaista olisi testata erikseen ääntämistä, sanojen taivutusta ja huulisynkronointia. Kansainvälisen mallin tuki kielelle voi näyttää ominaisuusluettelossa hyvältä, vaikka pitkät sanat ja suomen äänteet paljastaisivat käytännössä puutteita.

Toimintakohtaukset ovat vakaita mutta hieman hitaita

Hailuo 3:n toimintakohtaukset eivät testissä liikkuneet yhtä nopeasti ja terävästi kuin parhaat Seedance 2.0 -otokset. Taistelun liikkeissä oli ajoittain hitautta, joka vähensi tilanteen iskuvoimaa.

Vastapainoksi ihmiset eivät muuttuneet yhtä helposti toisikseen, vääntyneet oudoiksi olennoiksi tai siirtyneet epäloogisesti paikasta toiseen. Testaajan mukaan MiniMax näyttää suosivan vakautta ja hahmojen yhtenäisyyttä äärimmäisen nopean liikkeen sijasta.

Valinta voi olla hyödyllinen esimerkiksi dialogissa, mainoskuvassa ja rauhallisessa kerronnassa. Nopeat kamppailut, tanssit ja urheiluliikkeet asettavat mallille selvästi vaikeamman tehtävän, koska jokaisen ruumiinosan pitäisi säilyä oikeassa suhteessa samalla, kun kamera ja useat henkilöt liikkuvat.

Tekoälyvideoiden yleinen ongelma näkyy juuri ajallisessa jatkuvuudessa. Yksittäinen ruutu voi näyttää lähes valokuvalta, mutta seuraavien sekuntien aikana esine vaihtaa paikkaa, käsi irtoaa otteesta tai taustalla oleva huone järjestyy uudelleen.

Videon jatkaminen ei vielä säilytä kaikkea ennallaan

Hailuo 3:lle voi antaa aiemman videon viitteeksi ja pyytää tarinalle jatkoa. Ravintolakohtauksen jatkotestissä taustalla istunut nainen sai oman repliikkinsä, joten malli pystyi rakentamaan uuden tapahtuman aiemman materiaalin varaan.

Samalla jatkuvuusvirheet paljastuivat nopeasti. Nainen siirtyi pöydän toiselle puolelle, ja hänen eteensä ilmestyi vesilasi, jota alkuperäisessä otoksessa ei ollut. Malli muisti tilanteen yleisen idean mutta ei kaikkia tilan yksityiskohtia.

Tämä ero on tärkeä pidempää tarinaa suunnittelevalle. Videon tekninen jatkaminen ei vielä tarkoita, että useista generoinneista voisi yhdistää huomaamatta yhtenäisen kohtauksen. Jälkityötä tarvitaan, jos hahmojen paikat, rekvisiitta tai valaistus muuttuvat otosten välillä.

Ensimmäisen ja viimeisen ruudun kokeessa Hailuo rakensi kahden hyvin erilaisen kuvan väliin pölymyrskyn. Ratkaisu yhdisti kuvat teknisesti, mutta samalla se osoitti, että väljä ohje antaa mallille mahdollisuuden peittää vaikea siirtymä savulla, sumulla tai muulla visuaalisella tempulla.

Liian monet viitteet voivat heikentää lopputulosta

Hailuo 3 selvisi varsin hyvin muutamasta tarkkaan valitusta hahmoviitteestä. Kahden toimintahahmon yhdistäminen samaan kattokohtaukseen säilytti molempien keskeiset tuntomerkit, ja lopputulos vastasi testaajan mukaan laadultaan melko läheisesti Seedance 2.0:lla tehtyä versiota.

Tilanne muuttui, kun mallille annettiin samalla kertaa yksityiskohtaiset hahmopaperit, paikkakuvia ja kuvakäsikirjoituksen ruutuja. Hailuo seurasi kuvakäsikirjoitusta tunnollisesti, mutta itse videon visuaalinen laatu ja tapahtumien luontevuus kärsivät.

Seedance ottaa testaajan kokemuksen mukaan tällaisessa tilanteessa enemmän vapauksia. Hailuo puolestaan näyttää yrittävän toteuttaa annetut ruudut kirjaimellisemmin. Se voi olla etu tarkkaa ohjausta haluavalle, mutta vain jos viiteaineisto on suunniteltu huolellisesti eikä sisällä keskenään ristiriitaisia vaatimuksia.

Suuri viitemäärä ei siis välttämättä ole tavoite itsessään. Käytännöllisempi tapa on antaa jokaiselle viitteelle yksi selkeä tehtävä: yksi kuva henkilön kasvoille, toinen vaatetukselle, video liikkeelle ja ääninäyte puheäänelle.

Seedance 2.0 on Hailuon selvä vertailukohta

ByteDance julkaisi Seedance 2.0:n helmikuussa 2026. Yhtiön mukaan malli tuottaa 15 sekunnin monen otoksen videoita, yhdistää kuvan ja äänen samaan generointiin sekä käyttää kuvia, videoita ja ääntä luovan työn viitteinä.

Hailuo 3 kilpailee siis lähes samoilla peruslupauksilla. Ratkaiseviksi eroiksi jäävät käytännössä liikkeen laatu, ohjeiden noudattaminen, hahmojen yhtenäisyys, äänen uskottavuus, generoinnin nopeus ja hinta.

Theoretically Median käyttämässä Hailuo-näkymässä 15 sekunnin Hailuo 3 -video 2K-tarkkuudella maksoi 150 krediittiä. Samassa mallivalikossa 15 sekunnin Seedance 2.0 -video 4K-tarkkuudella näytti maksavan 750 krediittiä, vaikka palvelu ilmoitti hinnassa myös 50 prosentin alennuksesta.

Lukuja ei voi pitää suorana yleisenä hintavertailuna. Tarkkuudet olivat erilaiset, Seedancen hinta sisälsi kampanjamerkinnän, eikä MiniMax ollut testin aikaan julkaissut kaikkia Hailuo 3:n lopullisia kuluttajahintoja. Krediitin rahallinen arvo riippuu lisäksi tilauksesta ja palvelusta.

Jos suunta kuitenkin säilyy virallisessa hinnoittelussa, Hailuo 3:n tärkein kilpailuetu voi olla lähelle kärkitasoa yltävä video huomattavasti pienemmällä kokeilukustannuksella. Generatiivisessa videossa hinta korostuu, koska käyttökelpoista otosta varten voidaan joutua tekemään lukuisia epäonnistuneita versioita.

2K-tarkkuus ei yksin tee videosta valmista

Hailuo 3:n 2K-tarkkuus on selvä parannus aiempaan Hailuo 2.3 -sukupolveen verrattuna. Suurempi pikselimäärä voi auttaa etenkin silloin, kun video esitetään isolla näytöllä tai sitä rajataan jälkikäteen eri kuvasuhteisiin.

Resoluutio ei silti korjaa väärin liikkuvia käsiä, vaihtuvia kasvoja tai epäloogista tilaa. Tuotantokäytössä ajallinen vakaus on usein tärkeämpää kuin se, kuinka terävältä yksittäinen pysäytyskuva näyttää.

Myös samassa generoinnissa syntyvä ääni nopeuttaa parhaimmillaan työskentelyä, mutta se ei poista äänityön tarvetta kaikissa projekteissa. Repliikin tulkinta, äänenvoimakkuudet, musiikki ja puheen ymmärrettävyys on edelleen tarkistettava, ja kaupallisessa käytössä myös mahdollisen viiteäänen käyttöoikeuksien pitää olla kunnossa.

Hailuo 3 sopii nykyisessä muodossaan erityisen kiinnostavasti lyhyisiin mainoksiin, musiikkivideoiden yksittäisiin otoksiin, sosiaalisen median pystyvideoihin, elokuvien ennakkosuunnitteluun ja kokeellisiin kohtauksiin. Kokonaisen pitkän tarinan tekeminen vaatii yhä useiden otosten valintaa, leikkaamista ja virheiden korjaamista.

MiniMaxin ympärillä käydään myös tekijänoikeuskiistaa

Uuden mallin teknisiä mahdollisuuksia varjostaa MiniMaxia koskeva tekijänoikeuskiista. Disney, Universal ja Warner Bros. Discovery haastoivat yhtiön oikeuteen syyskuussa 2025 ja väittävät Hailuon hyödyntäneen niiden suojattua aineistoa ilman lupaa sekä tuottaneen tunnettuja hahmoja muistuttavaa sisältöä.

MiniMax yritti saada kanteen hylätyksi, mutta yhdysvaltalainen liittovaltion tuomari torjui pyynnön toukokuussa 2026. Päätös ei ratkaissut sitä, ovatko studioiden väitteet totta, vaan oikeusjuttu jatkuu.

Kiista muistuttaa, ettei tekoälypalvelun tekninen kyky luoda tietty hahmo, ääni tai elokuvatyyli anna käyttäjälle automaattisesti oikeutta julkaista tulosta kaupallisesti. Erityisesti mainoksissa ja asiakastöissä viitekuvien, videoiden, musiikin ja äänten alkuperä on pystyttävä selvittämään.

Hailuo 3 on lupaava haastaja, ei vielä todistettu voittaja

Ensitestin perusteella Hailuo 3:n suurin vahvuus ei ole yksi näyttävä temppu vaan toimintojen yhdistelmä. Malli tuottaa 2K-videota, ääntä ja dialogia, ottaa vastaan useita erilaisia viitteitä ja pystyy säilyttämään hahmon tunnistettavana usean otoksen ajan.

Heikkoudet ovat yhtä tuttuja kuin muissakin AI-videomalleissa. Nopea toiminta hidastuu, esineet vaihtavat paikkaa, jatko-otoksen tila ei vastaa täysin alkuperäistä ja liian kunnianhimoinen kuvakäsikirjoitus voi heikentää kokonaisuutta.

Siksi markkinointipuhe Seedance 2.0:n päihittäjästä on vielä ennenaikaista. Kyseessä on yhden kokeneen käyttäjän varhainen testi, ei riippumaton laaja vertailu, ja malli sekä sen saatavuus voivat muuttua nopeasti julkaisun alkuvaiheessa.

Hailuo 3 osoittaa silti, kuinka nopeasti tekoälyvideo siirtyy yksittäisistä hiljaisista kuvakokeista kohti ohjattavia audiovisuaalisia kohtauksia. Ensitestin perusteella ByteDancen Seedance ei enää ole yksin samassa suorituskykyluokassa. Sisällöntuottajalle järkevin valinta ei välttämättä ole yhden mallin nimeäminen voittajaksi, vaan eri työkalujen käyttäminen niiden vahvimmissa tehtävissä.