MiniMax: modelos abiertos de generación de video y música

MiniMax H3

Generación de VideoAudio NativoOmni-ModalTexto a VideoImagen a Video

MiniMax H3 es un sistema abierto de generación omni-modal de propósito general que entiende el contexto multimodal compuesto por texto, imágenes, video y audio, y genera hasta 15 segundos de video con audio estéreo nativo de 32 kHz en una sola pasada. Es el último modelo de la línea de video Hailuo de MiniMax, impulsado por un transformador omni de flujo único denso de 33.1B con un codificador de texto Qwen3-VL-32B.

Repositorio HF Reempaquetado ComfyUI Guía de Prompts

Imagen de entrada de ejemplo de la demo oficial de MiniMax

Imagen de entrada de ejemplo usada en la demo oficial de contexto multimodal de H3 de MiniMax

MiniMax H3 se publicó oficialmente como código abierto el 3 de agosto de 2026 bajo el Acuerdo de Licencia Comunitaria MiniMax H3. La publicación abierta cubre H3-Base como dos checkpoints específicos de tarea: FL2VA (texto a video y condicionamiento por primer/último fotograma) y Ref2VA (generación basada en referencias). El sistema de preprocesamiento H3-Context-IR y el módulo de ampliación H3-Regenerate-2K siguen disponibles como APIs alojadas.

Modelos

Modelo	Tipo	Descripción	Licencia	Lanzamiento
MiniMax H3	Video	Generación de video omni-modal con audio estéreo nativo de 32 kHz	Licencia Comunitaria MiniMax H3	2026-08
MiniMax Music 3	Música	Canciones completas de hasta cinco minutos a partir de letras y una descripción musical	Licencia Comunitaria MiniMax Music 3	2026-09

Selecciona un modelo arriba para ver descargas de pesos seleccionadas, tutoriales e información relacionada.

Versiones

Versión	Descripción
H3-Base FL2VA	Modos texto a video, primer fotograma, último fotograma y primer+último
H3-Base Ref2VA	Generación basada en referencias de hasta 9 imágenes, 3 videos y 3 clips de audio

Capacidades principales

Audio estéreo nativo: 32 kHz estéreo generado en la misma pasada que la imagen, sin modelo de audio separado
Contexto multimodal: cualquier combinación de texto, imágenes, video y audio como entrada
Regeneración 2K in-context: H3-Regenerate-2K vuelve a generar la salida 768p a 2K reutilizando el contexto original
11 idiomas: ar, zh, en, fr, de, it, ja, ko, pt, ru, es
Implementación: SGLang, vLLM, diffusers y ComfyUI

Instalación

MiniMax H3 tiene soporte nativo en ComfyUI. Coloca los archivos en sus carpetas respectivas:

Archivo	Destino
`minimax_h3__bf16.safetensors` o `_int8_convrot.safetensors`	`ComfyUI/models/diffusion_models/`
`qwen3vl_32b_minimax_h3_*.safetensors`	`ComfyUI/models/text_encoders/`
`minimax_h3_video_vae_fp16.safetensors`	`ComfyUI/models/vae/`
`minimax_h3_audio_vae_fp32.safetensors`	`ComfyUI/models/vae/`

El repositorio oficial reempaquetado para ComfyUI (Comfy-Org/MiniMax-H3) ofrece variantes del modelo de difusión bf16, INT8 convrot y pruned INT8, además de opciones de codificador de texto bf16, INT8 y NVFP4 AWQ. Los checkpoints INT8 pruned son aproximadamente un 40% más pequeños gracias a las tablas de curvas adaLN precalculadas, y el codificador de texto NVFP4 AWQ funciona en cualquier GPU.