MiniMax H3 ist ein multimodales Allzweck-Generierungsmodell: Es liest Text, Bilder, Video und Audio als einen Kontext und liefert Video mit nativem Stereoton, bis zu 15 Sekunden in 2K. MiniMax positioniert es über das Preis-Leistungs-Verhältnis – der Sekundenpreis in 2K liege unter einem Drittel des marktüblichen – und hat angekündigt, die Modellgewichte offenlegen zu wollen.
Fähigkeits-Snapshot
2K
Standardauflösung
15s
maximaler Clip
stereo
nativer Ton
Ein 27-sekündiger Überblick über Workflow, zentrale Vorteile und Ergebnisse.
Praktischer Wert, abgebildet auf reale Produktionsabläufe.
Vorteil
01
Ein Kontext statt vier Pipelines
Text, Bild, Video und Audio gehen als ein einziger Kontext hinein. Ein Prompt kann also sagen: „Nimm die Kamerafahrt aus diesem Clip, lass die Person auf diesem Bild singen, triff diese Stimme“ – und wird als eine Anweisung verstanden, statt auf getrennte Spezialmodelle verteilt zu werden.
Vorteil
02
Ton entsteht mit dem Bild
Audio wird gemeinsam mit dem Video erzeugt und kommt als nativer Stereoton heraus, sodass Dialog, Effekte und Atmo bereits auf die Einstellung ausgerichtet sind, statt nachträglich daruntergelegt zu werden.
Vorteil
03
2K zu geringeren Kosten pro Sekunde
2K ist der Standard, keine Premiumstufe. MiniMax beziffert den Sekundenpreis von H3 in 2K auf unter ein Drittel marktüblicher Modelle und – bei 768p – auf unter die Hälfte von marktüblichem 720p. Das verändert, was Iteration in Menge kostet.
Ein einfacher dreistufiger Weg vom Quellmaterial zu einem wiederverwendbaren Ergebnis.
Schritt 1
Kontext zusammenstellen
Bring das Referenzmaterial mit, das du hast – einen Clip für die Kamerabewegung, ein Bild für das Motiv, Audio für die Stimme.
Schritt 2
Die Beziehung beschreiben
Sag in einfachen Worten, wie sich die Referenzen zum Zielvideo verhalten. H3 löst die modalitätsübergreifende Schlussfolgerung selbst.
Schritt 3
Generieren und iterieren
Rendere bis zu 15 Sekunden in 2K mit Stereoton und iteriere dann – der Sekundenpreis ist es, der wiederholte Durchgänge praktikabel macht.
Bis zu 15 Sekunden, mit 2K als Standardauflösung. Es gibt zusätzlich eine 768p-Stufe; dort nennt MiniMax seinen niedrigsten Sekundenpreis.
H3 erzeugt den Ton gemeinsam mit dem Video, und die Ausgabe ist nativer Stereoton, keine nachträglich untergemischte Monospur.
MiniMax hat die Absicht angekündigt, die Modellgewichte zu öffnen, und nennt Hardwarekompatibilität und Anpassbarkeit als Designziele. Behandle die Verfügbarkeit als ausstehend, bis die Veröffentlichung tatsächlich da ist – nicht als aktuelle Zusage.
Nächster Schritt
Öffnen Sie das Tool mit einem echten Bild, vergleichen Sie die Ergebnisse und behalten Sie die funktionierende Version.