P-Video-2-Pro accélère MiniMax H3 en réduisant son périmètre

Pruna lance P-Video-2-Pro, une version optimisée de MiniMax H3 qui produit des vidéos sonores de 5 à 15 secondes à partir d’un texte ou d’une image.

Une vidéo de cinq secondes calculée en moins de temps qu’il n’en faut pour la regarder. C’est la principale promesse de P-Video-2-Pro, le nouveau modèle de Pruna AI fondé sur MiniMax H3 et destiné à la génération rapide de séquences accompagnées de son.

P-Video-2-Pro transforme une instruction textuelle ou une image initiale en vidéo. Il accepte également une seconde image pour définir la dernière frame attendue. Les séquences durent entre 5 et 15 secondes, sont produites à 24 images par seconde et proposées en 480p ou 768p.

Pruna annonce environ 1,99 seconde de calcul pour une vidéo de cinq secondes en 480p avec le mode Speed. La même durée en 768p demanderait environ 4,3 secondes. Dans les deux cas, la génération pourrait donc se terminer avant la lecture complète du résultat.

Cette rapidité ne signifie pas que Pruna a entraîné un modèle vidéo entièrement nouveau. P-Video-2-Pro repose sur MiniMax H3, publié à la fin de juillet 2026. L’entreprise allemande a adapté ce socle afin de réduire son temps d’exécution, son coût et la complexité de son interface.

MiniMax H3 est à l’origine un système multimodal beaucoup plus large. Il peut recevoir du texte, des images, de la vidéo et du son, puis produire des séquences allant jusqu’à 15 secondes en 2K avec une bande sonore stéréo. Il prend également en charge le montage guidé par instruction, le transfert de mouvement et l’utilisation simultanée de plusieurs références.

P-Video-2-Pro n’expose pas toutes ces fonctions. Son interface se limite au texte, à une première image et, de manière facultative, à une dernière image. Elle ne reçoit ni piste sonore, ni vidéo de référence, ni séquence à modifier. Sa définition maximale de 768p reste également inférieure au 2K pris en charge par le modèle d’origine.

Cette réduction du périmètre participe vraisemblablement aux gains de vitesse. Le service se concentre sur deux usages : créer une vidéo à partir d’une description ou mettre en mouvement une image existante. Pruna ne détaille toutefois pas la recette appliquée à H3 pour obtenir cette version.

L’entreprise développe un ensemble de techniques d’optimisation comprenant notamment la réduction de précision, la distillation, l’élagage, la compilation et la mise en cache. Aucun rapport technique ne précise lesquelles sont utilisées ici, dans quelles proportions ni si les poids de MiniMax H3 ont fait l’objet d’un post-entraînement supplémentaire.

Le nom « Pro » ne désigne donc pas une version qui conserverait automatiquement toutes les capacités de H3 en les améliorant. Il identifie plutôt le modèle orienté qualité de la gamme vidéo de Pruna, avec une interface resserrée et deux réglages de génération.

Le mode Speed est activé par défaut. Il privilégie la rapidité et sert aux essais successifs, aux storyboards animés ou aux variantes destinées à être comparées. Le mode Quality consomme davantage de temps et coûte environ deux fois plus cher, avec la promesse d’une meilleure fidélité visuelle.

La documentation ne quantifie pas encore cette différence. Elle ne donne ni durée de calcul pour le mode Quality, ni mesure de cohérence supplémentaire, ni comparaison détaillée entre les deux sorties. Le choix repose donc pour l’instant sur le positionnement annoncé par Pruna plutôt que sur des résultats reproductibles.

Le contrôle par première image permet de fixer l’apparence initiale d’un personnage, d’un produit ou d’un décor. L’instruction décrit ensuite le mouvement attendu, les actions, le déplacement de caméra, la lumière ou le style de la séquence.

L’ajout d’une dernière image impose un second point de passage. Le modèle doit construire les mouvements permettant de relier l’état initial à cette arrivée. Cette fonction peut servir à organiser une transformation, préparer une transition entre deux compositions ou rapprocher la génération d’un découpage déjà établi.

Elle ne donne cependant pas un contrôle exact sur tout ce qui se produit entre les deux extrémités. Le trajet d’un personnage, la vitesse d’un mouvement ou la transformation d’un objet restent interprétés par le modèle. Deux images compatibles réduisent les ambiguïtés, mais ne remplacent pas une animation définie frame par frame.

Une instruction textuelle demeure obligatoire, y compris lorsqu’une image de départ est fournie. Elle permet d’indiquer les actions, l’ambiance, les mouvements de caméra et les événements sonores attendus. Les demandes contradictoires avec la composition de référence risquent néanmoins de produire des déformations ou une continuité moins stable.

Sept formats sont proposés : 16:9, 9:16, 4:3, 3:4, 3:2, 2:3 et 1:1. Lorsqu’une image de référence accompagne la demande, ses proportions déterminent directement le cadre. Le paramètre de format devient alors secondaire.

Une graine peut également être fixée pour faciliter la reproduction d’un résultat. Elle permet surtout de comparer plusieurs réglages à partir d’une base similaire. Elle ne garantit pas nécessairement qu’une vidéo restera strictement identique après une mise à jour du modèle, du moteur d’exécution ou de l’infrastructure du fournisseur.

Pruna ajoute un second réglage indépendant des modes Speed et Quality. Le `promptupsampler` développe automatiquement l’instruction avant la génération. Trois niveaux sont disponibles : Off, Turbo et Max, avec Turbo utilisé par défaut.

Cette étape peut enrichir une demande courte en ajoutant des indications portant sur la caméra, la lumière, le décor ou le mouvement. Elle peut aussi éloigner le résultat de l’intention initiale si la reformulation introduit des choix qui n’étaient pas demandés. Le niveau Off reste donc utile pour les équipes souhaitant conserver un contrôle plus littéral sur leurs instructions.

Pruna indique que le choix du niveau d’expansion ne modifie pas le prix. Il peut néanmoins affecter la latence totale, puisque le temps nécessaire à la réécriture du texte s’ajoute au calcul vidéo. Les 1,99 et 4,3 secondes annoncées semblent correspondre au temps d’inférence du modèle plutôt qu’à