Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Ref2VA: multi-subject voice identity can bleed between reference-image subjects

Abierto
  • ¿Algo no está bien?
#17 6 comentarios 3 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
35/100
Tipo de issue
Error
Claridad
Necesita aclaración
Estado de actividad
Activo
Stack tecnológico
python
Área
ai, audio-video-rtc

Línea de trabajo

En el informe no se mencionan archivos, pruebas ni puntos de entrada de código. Empieza reproduciendo los escenarios Ref2VA y FL2VA con hablantes alternos y condicionamiento explícito de voz; se considera terminado cuando cada sujeto conserva de forma consistente la voz asignada sin que se filtre al otro hablante.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

I’m seeing a repeatable speaker-routing issue with MiniMax H3 Ref2VA in multi-character dialogue scenes.

Visual subject binding works extremely well: multiple characters referenced from separate images remain visually distinct and consistent. However, the audio branch can fail to keep different voice identities attached to the correct subjects. One subject’s voice characteristics can bleed into another subject, or one voice can effectively dominate both speakers.

Example setup:
<Subject 1> = female character from <Picture 1>
Voice A = distinct British female voice anchor

<Subject 2> = female character from <Picture 2>
Voice B = distinct American female voice anchor

Dialogue alternates: Subject 2 → Subject 1 → Subject 2.

The visual identities and speaker/lip assignments remain correct, but Voice B can bleed into Subject 1, causing both subjects to share or partially share the same vocal identity, or Subject 1 uses a completely different voice that wasn't prompted.

Update: I originally reported this as a Ref2VA-specific issue, but I have now reproduced the same multi-speaker voice bleed using FL2VA from a single composed first frame with no last frame.

In FL2VA, explicitly conditioning Subject 2 to speak in an American voice causes Subject 1’s voice to become American as well. Conversely, explicitly conditioning Subject 1 to speak in an Elizabeth Swann / Keira Knightley-style British voice restores Subject 1’s voice, but Subject 2 also shifts to a British voice.

The issue also persists with only one speaker transition (A → B), with explicit tags, and with pure <Subject 1> / <Subject 2> speaker labels.

This suggests the issue may not be specific to Ref2VA reference routing. It may instead involve multi-speaker voice conditioning being applied too globally across the audio stream rather than remaining reliably bound to an individual speaker.

For comparison, other two-character combinations can work correctly, so this does not appear to be a universal inability to generate two distinct voices.

Lenguaje dominante
Python
Estrellas
9.8k
Forks
738
Sin PR fusionados en 30 d

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de MiniMax-AI/MiniMax-H3

Todos los issues de MiniMax-AI/MiniMax-H3

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.