MiniMax H3：具备原生音频的开放全模态视频模型

MiniMax 已正式发布 MiniMax H3，这是一款通用全模态生成模型，能够同时理解文本、图像、视频和音频。H3 可生成最高 2K 分辨率、时长 15 秒且自带原生立体声音频的视频，公司计划在未来数日内发布模型权重。

H3 是 MiniMax Hailuo 01/02 视频模型产品线的继任者。它是一款视频生成模型，而非 MiniMax 今年早些时候开源的 M 系列语言模型之一。

多模态上下文理解

真正的创意工作意味着跨模态融合信息。H3 可接受文本、图像、视频和音频的任意组合作为输入，并允许你用自然语言描述它们之间的关系。MiniMax 官方演示中的提示词示例为：“参考视频 1 中的希区柯克式运镜，让图像 2 中的角色唱歌，人声与音频 3 相匹配。” 模型自行完成全模态理解。

MiniMax 官方 H3 多模态上下文演示中使用的示例图像输入

H3 生成的视频，在单个提示词中结合了参考视频片段、图像和音轨（来源：MiniMax 博客）

核心能力

• 原生 2K 视频：单段视频最长 15 秒，分辨率达 2K，通过上下文内再生成实现，无需独立的超分辨率模块。
• 原生立体声音频：对白、音效和音乐与画面在同一轮生成中完成，语音、音效和音乐领域之间没有分离。
• 全参考生成：最多 9 张参考图像、3 段参考视频和 3 段参考音频可引导单次生成。
• 基于指令的编辑：通过自然语言描述修改内容，即可编辑现有图像、视频或音频。
• V2V 动作迁移：将源视频的动作迁移到新场景中。
• 强大的文字与品牌渲染：专为广告、品牌营销、电子商务、产品设计和 UI/UX 等用例打造。

原生立体声音频演示

原生立体声生成演示（来源：MiniMax 博客）

定价

MiniMax 将 H3 的性价比定位为行业领先：在 2K 分辨率下，每秒价格不到主流模型的三分之一；在 768p 分辨率下，价格不到竞争对手 720p 档位的一半。按量付费价格从 2K 输出每秒 0.13 美元起。

可用性

MiniMax H3 现已通过 MiniMax 平台 API 和 fal.ai 等第三方提供商开放使用。MiniMax 表示计划在未来数日内开放模型权重，具体须遵守适用法律法规；截至本文撰写时，尚未发布 Hugging Face 仓库，完整技术报告预计即将推出。

在 ComfyUI 中，H3 可通过官方 MiniMax 合作伙伴节点（基于 API）使用，该节点已于 7 月 31 日合并到 ComfyUI（Comfy-Org/ComfyUI #15167）。一旦开放权重发布，预计将提供原生本地支持。