MiniMax H3
最高 2K 视频与原生立体声,基于文本、图像、视频、音频的统一上下文——开放权重可在本地跑 768p
MiniMax H3 是通用多模态视频模型:把文本、图像、视频和音频作为统一上下文理解,输出 4–15 秒、带原生 32 kHz 立体声(含对白与音效)的视频。其 H3-Base 权重以 FL2VA 和 Ref2VA 两个检查点开放,在自有硬件上输出 768p;完整的 2K 输出需通过 MiniMax 官方 API。H3 目前尚不能在 Imgo 中生成。
能力概览
2K
最高输出(经 API)
768p
开放权重本地输出
15 秒
单条最长时长
MiniMax H3 演示
27 秒看懂工作流程、核心优势与产出效果。
核心优势
围绕真实生产流程整理的实用价值。
优势
01
一个上下文,而非四条管线
文本、图像、视频、音频作为同一个上下文输入,因此可以直接说「参考这段视频的运镜,让这张图里的人唱歌,声音对上这段音频」,模型将其理解为一条指令。参考模式最多接收 9 张图片、3 段视频和 3 段音频,合计不超过 12 个文件。
优势
02
声音与画面一同生成
音频与视频联合生成,输出 32 kHz 立体声,对白、音效和环境声天然与画面对齐,无需事后叠加。MiniMax 列出 11 种对白稳定支持的语言,包括中文、英语、日语、韩语和西班牙语。
优势
03
开放权重跑 768p,API 出 2K
H3-Base 权重以两个检查点公开:FL2VA 负责文本与首尾帧生成,Ref2VA 负责参考驱动生成。本地运行输出 768p。2K 环节 H3-Regenerate-2K 尚未开源,因此完整的 2K 输出需经 MiniMax 官方 API。
推荐工作流
从原始素材到可复用结果,只需三个步骤。
步骤 1
选择模式
纯文本、首帧、尾帧或首尾帧镜头用 FL2VA;以参考图片、视频或音频构建的镜头用 Ref2VA。同一次生成只能用帧或参考素材,不能两者兼用。
步骤 2
在限制内组装参考素材
最多 9 张图片、3 段视频、3 段音频,合计不超过 12 个文件。每段视频或音频时长 2–15 秒,同类素材总时长不超过 15 秒。然后用自然语言说明每个参考的用途。
步骤 3
选择运行方式
开放的 H3-Base 权重在社区许可证下于自有硬件上输出 768p;MiniMax 官方 API 运行完整流程,最高 2K。H3 目前尚不能在 Imgo 中生成——可先在 H3 提示词指南中起草并复制提示词。
常见问题
输出的分辨率和时长是多少?
4 到 15 秒、24 fps,画幅从 21:9 到 9:16,附带 32 kHz 立体声。开放的 H3-Base 权重输出 768p;2K 来自 H3-Regenerate-2K,目前 MiniMax 仅通过官方 API 提供。
音频是它生成的,还是要后期添加?
H3 与视频联合生成音频:原生立体声的对白、音效和环境声在同一次生成中完成。在 Ref2VA 模式下,参考音频还可以引导声音与节奏。
MiniMax H3 是开源的吗?
部分开放。2026 年 8 月,MiniMax 在 Hugging Face 上以 MiniMax H3 社区许可证发布了 H3-Base 权重,分为 FL2VA 和 Ref2VA 两个检查点:这是开放权重,而非 OSI 认可的开源许可证。H3-Context-IR 提示词预处理与 H3-Regenerate-2K 环节没有开放,因此官方 2K 流程仍需使用 MiniMax 官方 API。
MiniMax H3 可以商用吗?
自行部署权重时适用 MiniMax H3 社区许可证:许可范围不包括欧盟、英国、韩国和美国(这些地区的机构可向 MiniMax 申请许可);产品年收入超过 2000 万美元的,需事先通过 [email protected] 取得书面授权;商业产品须在用户界面显著展示「MiniMax H3」;协议受香港法律管辖。通过 MiniMax 官方 API 使用 H3 则适用其 API 条款。以上仅为摘要,不构成法律意见——上线前请阅读许可证原文。
Ref2VA 最多能用多少个参考文件?
最多 9 张图片、3 段视频和 3 段音频,合计不超过 12 个文件。每段视频或音频时长须在 2 到 15 秒之间,同类素材的总时长不超过 15 秒。
可以在 Imgo 中生成 MiniMax H3 视频吗?
暂时不能。H3 尚未进入 Imgo 的在线模型目录,因此本页将其显示为「待上线」。你现在可以在 MiniMax H3 提示词指南中起草并复制提示词,或用 Imgo 中已上线的视频模型执行同样的需求。