Tuto Maestro Pinokio : générer des vidéos MiniMax H3 en local

On vous propose un tuto pour installer et utiliser Maestro, une application disponible sur Pinokio qui permet de faire tourner le modèle de génération vidéo MiniMax H3 directement en local sur votre PC, sans abonnement et sans passer par le cloud.

Contrairement à d’autres générateurs de vidéo IA en local, MiniMax H3 génère directement une piste audio synchronisée (bruits d’ambiance, effets sonores) et propose un mode Omni pour animer votre propre visage comme personnage principal.

Quelle configuration pour faire tourner Maestro en local ?

La génération vidéo par IA en local demande une configuration solide :

• Carte graphique : Une carte NVIDIA avec idéalement 24 Go de VRAM (testé sur une RTX 4090).
• Mémoire vive (RAM) : 32 Go de RAM minimum conseillés (testé sur une machine avec 128 Go).
• Système d’exploitation : Windows 10 ou Windows 11.
• Logiciel requis : L’environnement Pinokio (téléchargeable gratuitement sur pinokio.computer).

Comment installer Maestro sur Pinokio en 1 clic

L’avantage de passer par Pinokio, c’est qu’il n’y a aucune ligne de commande ni conflit de pilotes CUDA à gérer :

1. Lancez Pinokio et ouvrez l’onglet Discover (ou Explorer).
2. Tapez Maestro dans la barre de recherche.
3. Cliquez sur Download, puis sur Install.
4. Une fois l’installation terminée, cliquez sur Start.

L’interface web de Maestro se lance automatiquement dans votre navigateur.

Générer une première vidéo avec du son natif (Mode Studio)

L’interface propose deux modes : Studio (pour ajuster la résolution et les paramètres techniques) et Director (plus simplifié).

Pour lancer un premier rendu :

1. Sélectionnez le moteur H3 normal.
2. Rédigez votre description dans la case prompt (vous pouvez utiliser Claude pour rédiger des scènes bien détaillées de 15 secondes).
3. Laissez les réglages par défaut (la résolution 720p de base offre déjà un excellent compromis netteté/temps de calcul).
4. Cliquez sur Generate.

Le modèle calcule l’animation et produit automatiquement les bruitages et l’ambiance sonore adaptés à l’action.

Comment mettre son visage dans la vidéo avec le mode H3 Omni

C’est la fonctionnalité phare de Maestro : le mode H3 Omni.

En activant ce mode, vous débloquez le champ Picture 1 :

1. Uploadez une photo portrait bien nette de votre visage.
2. Écrivez votre prompt en décrivant l’action souhaitée.
3. Le modèle va générer la vidéo en conservant vos traits et vos expressions sur le personnage principal.

Voici un exemple de prompt que j’ai utilisé :

subject_definitions:
is the left-side swordfighter whose face and identity come from , retaining the facial features, skin tone and hairline of the reference; in the target video the body is newly generated, wearing a dark layered tunic with a fitted sash and forearm wraps, holding a single-edged saber.
is the opposing swordfighter, a taller figure in pale worn armor over a grey undertunic, carrying a straight double-edged blade. No reference source, fully generated.

summary:
[reference generation] The target video is a nighttime saber duel between and in a ruined stone courtyard, across four shots. ‘s face and identity are taken from and transferred onto a fighter body, while the surrounding action, wardrobe and environment are newly generated.

retention_analysis:
(appears in [Shot 1], [Shot 2], [Shot 3], [Shot 4]): attribute_transfer – the face and identity from are transferred onto the fighter, body, outfit and actions newly generated.
(appears in [Shot 1], [Shot 2], [Shot 3], [Shot 4]): fully_preserved – consistent pale armor, straight blade and build across all shots.

detailed_description:
Cinematic wuxia-style duel with high contrast lighting, cool blue moonlight cut by warm torch flames, desaturated stone-and-steel color palette, set in a ruined courtyard at night.
[Shot 1] Wide establishing shot of an open stone courtyard framed by broken pillars. , with the face from , stands at left holding a saber low in a reverse guard. stands at right, a straight blade resting across one shoulder. Torches burn along the far wall, casting long flickering shadows across wet flagstones. The camera slowly pushes in at eye level, a slow dolly forward with a faint handheld sway.
[Shot 2] At 00:04.000, hard cut to a medium two-shot. lunges, saber slashing upward in a bright arc. parries, steel ringing, sparks scattering. The camera tracks laterally right, a fast whip-pan settling on the locked blades.
[Shot 3] At 00:08.000, cut to a low-angle close shot, the two blades grinding together, ‘s face from tense behind the steel. shoves forward, breaks the lock and spins the straight blade in a wide horizontal cut. The camera cranes up slightly, a smooth rising arc following the spin.
[Shot 4] At 00:12.000, cut to a wide reverse angle. ducks under the cut, rolls across the flagstones and rises into a low stance, saber extended and steady, breath visible in the cold air. Both fighters hold position, blades leveled. The camera settles into a slow static hold, then drifts back to reveal the full courtyard.

overall_soundscape:
Sharp metallic rings and scrapes on each blade contact, synced to the visible impacts. Cloth rustle and boot scuffs on wet stone, torch flames crackling, a low night wind through the ruins, distant dripping water. Breath grows heavier and audible after the roll.

non_diegetic_music:
Sparse tense score, a single low bowed string drone building under the first clash, a struck percussion hit landing on each parry, silence held on the final standoff.

Dans notre vidéo de test, nous avons testé :

• Un combat au sabre : bonne dynamique de mouvement et bruits de lames synchronisés.
• L’incrustation du visage : les traits du visage sont bien conservés tout au long de la scène.
• Une poursuite à moto dans Tokyo de nuit : gestion des lumières néons et hélicoptère en arrière-plan.

Le tutoriel vidéo pas à pas

Retrouvez la démonstration complète, l’installation en direct et les résultats des générations dans notre vidéo :

Temps de rendu et consommation VRAM sur RTX 4090

Maestro intègre directement sur sa page un moniteur hardware en temps réel (GPU, VRAM, CPU, RAM), ce qui évite de garder le gestionnaire des tâches ouvert.

Sur notre configuration de test (NVIDIA RTX 4090 24 Go) :

• Temps de génération : Comptez environ 5 à 6 minutes pour une séquence de 15 secondes en 720p avec audio.
• VRAM : L’utilisation mémoire est importante mais reste stable sans crash.

Faire des vidéos plus longues : Multi-shot et mode Extended

Pour dépasser la limite classique des 15 secondes :

• Multi-shot : Permet de combiner plusieurs plans au sein d’une même commande de rendu.
• Extended : Permet de réinjecter la dernière image de votre vidéo précédente pour prolonger la scène et conserver une continuité visuelle

Maestro rend l’utilisation de MiniMax H3 particulièrement simple grâce à l’intégration Pinokio. L’ajout de l’audio natif et la facilité d’intégration du visage avec le mode Omni en font une solution locale très efficace pour ceux qui disposent d’un GPU avec suffisamment de VRAM. Cela évite de payer des abonnements sur des plateformes et tout se passe en local sans envoyer vos datas.