观众发弹幕就能改直播画面，MiniMax做到了实时视频生成

观众在直播聊天室发弹幕就能修改直播画面，英文指令“切到街头”能让画面从动画场景直接切换成城市街景。西班牙语的“60年代木偶广告”和日语的“机器人脸上缠满电线”，不同语言的指令也都被准确响应，生成了对应风格和内容的画面。

这不是提前录制的演示视频，是一场真实的实时直播，支撑这种玩法的是MiniMax H3 Max视频生成模型。根据公开数据，它生成5秒768p分辨率的视频耗时不到3秒，生成15秒视频大约需要15秒，上一段视频播放结束时，下一段视频已经生成完成，几乎没有等待间隔。

开发者Pieter Levels搭建了一个24小时AI直播网站，首页只有一句话“由聊天决定接下来播什么”，没有导演，观众就是内容编剧。直播内容可以随时根据弹幕切换，从动画切到真人访谈再切到风格荒诞的广告，全程由观众的指令决定走向。

以往视频生成模型都定位为离线内容工具，用户输入提示词生成视频后再进行剪辑发布，生成速度不影响最终成片质量，速度快慢只影响制作效率。但实时直播改变了这个逻辑，生成速度不再只是效率指标，而是产品能否使用的基础门槛，如果生成5秒视频需要10秒，直播就会卡顿，直接破坏观众体验。

H3 Max把生成时间压缩到3秒以内，还能为排队审核、编码推流留出额外时间，这已经不是简单的参数提升，而是应用逻辑的改变。视频生成从此前离线的生产工具，变成了可以持续运转的实时内容流。Pieter Levels的这场直播在X上获得了近350万次观看，证明观众愿意参与这种实时共创的内容形式。

技术层面，H3 Max有两条优化路径都指向提升生成速度。一条是fal完成的后训练与推理优化，在开源版H3的基础上添加新数据与可验证强化学习，吞吐量达到原版的35倍。另一条是FastVideo实现的稀疏化加速，把原本49次Transformer前向传播压缩到4次，结合稀疏度90%的VSA，单张Blackwell GPU最高可以实现14倍加速。

两条优化路线都以实现实时可用为目标，没有追求更高跑分或者更好画质，只为让生成速度能够接入直播流。H3开源三个多星期，下载量已经超过2400万次，衍生出的模型超过300个，能看出AI开发社区对这个方向兴趣浓厚。如果大量衍生模型都选择优先优化速度而非画质，说明开发者已经意识到，实时场景会是视频生成下一阶段的竞争核心。

想要尝试这个方向，可以先不用直接搭建24小时直播，先用H3 Max的API做一个5分钟互动测试，验证观众发出的多条指令都能被响应，同时保证画面的连贯性。如果基础测试都无法顺利运行，直接做24小时直播会出现很多问题。另外可以关注FastH3的开源权重，如果单张Blackwell GPU实现14倍加速的效果能够复现，部署成本会降低很多。