Sol-H3, NVIDIA genera i video AI di MiniMax più veloci della riproduzione

C’è una soglia che la generazione video con l’intelligenza artificiale insegue da tempo: produrre un filmato più in fretta di quanto serva a guardarlo. Con Sol-H3, il gruppo di ricerca di NVIDIA sostiene di averla superata. Il sistema genera cinque secondi di video con audio nativo in poco più di un secondo e mezzo, meno del tempo necessario a riprodurli, appoggiandosi al modello aperto MiniMax-H3 e a un sistema di GPU Blackwell di ultima generazione.

Non parliamo di un nuovo modello, ma di qualcosa di altrettanto rilevante: un motore di inferenza che rende un modello già esistente molto più rapido, e quindi più economico, da eseguire. È un tassello che avvicina il momento in cui i video creati dall’AI potranno essere generati e trasmessi quasi in diretta, senza le lunghe attese a cui sei abituato oggi.

Se segui il settore, sai quanto pesa un cambio di passo del genere.

Che cosa è Sol-H3 e perché è più veloce della riproduzione

Sol-H3 è uno stack di inferenza sviluppato da NVIDIA Research, in particolare dai team Efficient AI e Singapore Lab, con un obiettivo dichiarato: eseguire il modello video MiniMax-H3 alla massima velocità possibile. Il nome gioca sull’idea di velocità della luce, e i numeri spiegano il perché.

Su un sistema con otto GPU NVIDIA B300 Blackwell, Sol-H3 produce cinque secondi di video a risoluzione 1344×768, pari a 124 fotogrammi a 24 immagini al secondo con audio stereo, in un tempo mediano di 1,653 secondi. Poiché generare il filmato richiede meno tempo di quello che impiegheresti a guardarlo, si parla di generazione più veloce della riproduzione.

Il confronto con il modello di base rende bene l’idea. La versione dense di MiniMax-H3, con 50 passi di campionamento, impiega 18,250 secondi per lo stesso spezzone da cinque secondi. Sol-H3 scende a 1,653 secondi, circa 11 volte più rapido, riducendo i passi di calcolo effettivi da 49 a soli quattro.

Il vantaggio si conferma anche riducendo l’hardware. Con quattro GPU B300 il tempo passa da 35,3 a 2,9 secondi, mentre con una sola scheda si scende da quasi 130 secondi a poco meno di 14. In quest’ultimo caso non si raggiunge il tempo reale, ma l’accelerazione resta enorme, e su alcune combinazioni di configurazione e durata NVIDIA dichiara guadagni fino a circa 15 volte.

Una precisazione onesta arriva dagli stessi ricercatori: i tempi misurati includono la codifica del testo, il calcolo del modello e la decodifica di video e audio, ma escludono il caricamento iniziale del modello, la fase di riscaldamento e la codifica finale del file MP4. Sono valori di laboratorio, utili per confrontare le tecniche, non una promessa di prestazioni identiche su ogni impianto.

Lo stesso motore, inoltre, non serve solo a trasformare un testo in video. Gestisce anche la generazione a partire da un primo fotogramma e quella basata su un riferimento con audio, tre modalità diverse riunite in un’unica esecuzione.

Le tecniche che tagliano i tempi di calcolo

Il cuore di Sol-H3 è la combinazione di due sistemi, chiamati Sol-Engine e Sol-Attn, riuniti in un solo motore di esecuzione. Il primo ottimizza l’intera catena di calcolo, il secondo interviene sul meccanismo di attenzione, la parte più costosa dei modelli di questo tipo.

Sol-Attn è una forma di attenzione sparsa dinamica che non richiede di riaddestrare il modello. Mentre il sistema lavora, sceglie in tempo reale i blocchi di attenzione più importanti da calcolare in modo esatto e approssima gli altri, partendo direttamente dai valori interni del modello. In questo modo si evita di sprecare calcoli su porzioni poco rilevanti dell’immagine.

È un dettaglio che fa la differenza.

Attorno a questa idea, Sol-Engine cuce una serie di ottimizzazioni pratiche. Le operazioni ripetute, come la normalizzazione e le trasformazioni intermedie tra i blocchi, vengono fuse insieme per ridurre il traffico di dati verso la memoria. Lo scambio di informazioni tra le otto GPU viaggia in formati numerici compressi, INT8 e FP8, così da tagliare quasi a metà il carico di comunicazione rispetto al formato standard.

C’è poi la decodifica del video, spesso un collo di bottiglia sottovalutato. Sol-H3 distribuisce le porzioni dell’immagine tra le schede e le elabora in parallelo con una sola chiamata, invece di procedere a piccoli blocchi separati uno dopo l’altro. A completare il quadro, i parametri di condizionamento vengono calcolati una volta sola all’inizio e poi riutilizzati, eliminando centinaia di piccole operazioni ripetute e liberando memoria preziosa.

Il codice di Sol-H3 è rilasciato con licenza aperta Apache 2.0, mentre per la generazione in quattro passi il sistema adotta un adattatore sviluppato dall’Hao AI Lab dell’università della California a San Diego. È un lavoro corale, che intreccia ricerca accademica e industria attorno allo stesso obiettivo di efficienza.

MiniMax-H3, un modello aperto al centro della corsa al video

Vale la pena chiarire un punto: il modello vero e proprio non è di NVIDIA, ma di MiniMax, laboratorio cinese molto attivo nel campo del video generativo. MiniMax-H3, la terza generazione della sua famiglia video, è distribuito con pesi aperti e supporta la creazione di clip da testo, da immagine e da riferimento, con audio incluso.

Proprio la disponibilità aperta del modello ha permesso a NVIDIA di costruirci sopra il proprio motore di inferenza. È un buon esempio di come i modelli aperti stiano diventando terreno di lavoro comune per ottimizzazioni sviluppate da terze parti, un dettaglio tutt’altro che secondario in un mercato dove i sistemi più noti restano chiusi.

Se vuoi conoscere il modello di partenza, ne abbiamo parlato quando MiniMax ha presentato Hailuo 3.0, la sua generazione video in 2K con audio nativo. La velocità mostrata da Sol-H3 si inserisce in una competizione ormai serratissima.

Sul fronte cinese, ByteDance ha aperto agli sviluppatori Seedance 2.5, il suo modello video con audio in un solo passaggio, mentre Google ha alzato l’asticella su durata e qualità con Gemini Omni 1.1 Flash, capace di clip fino a 40 secondi con export in 4K. La partita non si gioca più solo sulla qualità dell’immagine, ma sempre di più sulla velocità e sul costo di ogni secondo prodotto.

Perché conta: verso il video AI in tempo reale e interattivo

La generazione più veloce della riproduzione non è soltanto un record da laboratorio. Apre scenari molto concreti.

Quando creare un video costa meno tempo di quello che serve a guardarlo, diventa possibile immaginare esperienze in cui il filmato viene prodotto mentre scorre, senza attese percepibili. Pensa a contenuti generati al volo, ad avatar che rispondono in diretta, a strumenti creativi in cui vedi il risultato cambiare quasi istantaneamente mentre modifichi le istruzioni.

Gli stessi ricercatori indicano questa direzione. Tra i piani futuri figurano la generazione continua a 24 fotogrammi al secondo, con lo streaming del video pezzo dopo pezzo mantenendo la coerenza tra un segmento e l’altro, e la generazione interattiva, in cui aggiorni un’istruzione o un’immagine di riferimento e vedi il segmento successivo adattarsi senza dover ricominciare da capo.

Resta un limite pratico da tenere a mente: i risultati più impressionanti richiedono otto GPU B300 Blackwell, hardware da data center che non è alla portata di tutti. La velocità in tempo reale, oggi, è un privilegio di chi dispone di infrastrutture potenti, e passerà del tempo prima che arrivi su macchine più comuni.

Il segnale di fondo, però, è nitido. La ricerca si sta spostando dalla sola qualità dei modelli all’efficienza con cui vengono eseguiti, perché è lì che si decide quanto l’AI generativa sarà davvero utilizzabile su larga scala. Meno attesa e meno costo per ogni clip significano semplicemente più applicazioni possibili, dal marketing all’intrattenimento.

Conclusioni

Sol-H3 non cambia ciò che un modello video sa fare, ma trasforma radicalmente quanto in fretta lo fa. Portare cinque secondi di filmato con audio sotto i due secondi di calcolo è un passo tanto simbolico quanto concreto verso il video AI in tempo reale, e conferma che l’ottimizzazione dell’inferenza è diventata importante quanto i modelli stessi.

Se lavori con i contenuti o segui l’evoluzione dell’AI generativa, tieni d’occhio questa corsa alla velocità: deciderà quali strumenti diventeranno pratici da usare tutti i giorni. Continua a seguirci su intelligenzaartificiale.net per gli aggiornamenti sui nuovi modelli e sulle tecnologie che li rendono più rapidi, e prova a mettere alla prova gli strumenti di video AI già disponibili per toccare con mano cosa sta cambiando.

Trovi tutti i dettagli tecnici e i benchmark nella pagina ufficiale del progetto Sol-H3 di NVIDIA Research.