MiniMax H3

MiniMax H3 是 MiniMax 推出的通用全模态生成模型：它同时理解文本、图像、视频与音频上下文，并直接生成带原生立体声的视频，分辨率最高 2K、时长最长 15 秒。它要解决的不是「单点生成」，而是把参考素材、编辑指令与声音放进同一个上下文里统一处理——你可以给参考图、参考视频、参考音频，让它按指定角色、镜头与台词生成或改写片段。开放权重意味着它既能通过云端 API 使用，也能在自己的 GPU 上部署。

核心功能

官方 README 给出了完整的输入输出规格，能力边界写得相当具体。

• 全模态统一理解：文本、图像、视频、音频进入同一上下文，由模型统一理解画面、声音与创作要求。
• 音视频同帧生成：输出 24 FPS 画面并同步生成 32 kHz 立体声，对白、音效与环境声随画面一起产生，省掉后期配音。
• 两种生成模式：H3-Base-FL2VA 为首尾帧模式，可不传图（文生视频）、传一张（首帧或尾帧）、传两张（首尾帧）；H3-Base-Ref2VA 为全参考模式，支持最多 9 张图、3 段视频、3 段音频，混合输入文件总数不超过 12 个。
• 规格明确：输出时长 4–15 秒，支持 21:9、16:9、4:3、1:1、3:4、9:16 等比例，短边默认 768 像素，可经 H3-Regenerate-2K 提升到 2K。
• 稳定多语种对白：阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语共 11 种语言稳定支持。
• 开放权重：完整权重在 Hugging Face 与 ModelScope 发布，采用 MiniMax H3 Community License，可自建与微调。

界面与体验

H3 本身是模型，使用界面取决于你选择的入口，官方提供了三条路径。

• 网页与桌面应用：海外用 hailuoai.video 的 MiniMax H3 页面或 hub.minimax.io，国内用 hailuoai.com 与 hub.minimaxi.com，适合直接在浏览器里出片。
• 开放平台 API：在 platform.minimax.io（国内为 platform.minimaxi.com）创建 API Key 后调用视频生成端点，2K 生成走 video-generation-v2-create。
• 本地部署：官方仓库提供部署脚本与提示词脚本，配合 H3-Base 权重本地出 768p 结果，需要时再走 API 补 2K。

需要注意，H3 的完整系统由三个模块组成：H3-Context-IR 负责把复杂多模态指令理解并重写成模型更易接受的中间表示；H3-Base 负责生成 768p 音视频；H3-Regenerate-2K 把 768p 结果连同原始上下文送回模型重生成为 2K。官方明确说明 Context-IR 与 Regenerate-2K 尚未开源，只提供 API 复现官方效果。

完整使用流程

先明确一点：本地部署只能得到 768p 结果，想要 2K 必须配合官方 API。下面是最省事的云端路径，以及本地部署的关键步骤。

1. 准备账号：在 platform.minimax.io（国内 platform.minimaxi.com）注册并创建 API Key。
2. 最小验证：用官方示例脚本发起一次文生视频任务，确认 Key、模型名与端点都正确。
3. 准备素材：按模式整理输入——首尾帧模式最多两张图；全参考模式准备不超过 9 图 + 3 视频 + 3 音频，单段视频与音频各限 2–15 秒，总时长不超过 15 秒。
4. 写提示词：按官方 Prompting Guidance 描述镜头、动作、台词与音效；也可安装官方的提示词技能获得模板。
5. 生成与升清：先出 768p 结果筛选，再用 H3-Regenerate-2K（video-generation-v2-regeneration）出 2K 母版。
6. 可选：本地部署：克隆仓库、按文档用 SGLang 部署 H3-Base，加载权重后本地推理；分辨率与时长受显存限制。

# 安装官方提示词技能（Markdown + 参考文件，无外部 API 调用）
npx skills add https://github.com/MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing

# 提示词参考文件
# skills/h3-prompt-writing/references/base-en.txt  文本 / 关键帧模式
# skills/h3-prompt-writing/references/ref-en.txt   全参考 Ref2VA 模式

验证结果

判断链路是否正常：API 调用返回任务成功后，检查产出视频的时长是否落在 4–15 秒、比例是否与请求一致、帧率是否为 24 FPS，以及是否带同步立体声音轨；本地部署则以 768p 输出与官方示例对齐为验收标准。若把 768p 结果交给 Regenerate-2K，应在细节（小字、纹理）上看到明显提升，而不是简单放大。

亮点与差异

与闭源视频模型相比，H3 的差异点有三层：开放权重、原生音频、上下文再生式超分。

维度	MiniMax H3	常见闭源视频模型
权重	开放，可在自有 GPU 部署	仅云端调用
音频	同一次生成产出立体声	多为后期配音或额外音效工具
2K 方式	带原始上下文重生，而非单纯超分	超分或固定清晰度档位
参考输入	最多 9 图 + 3 视频 + 3 音频	通常以图生视频为主

官方把 2K 做法称为「in-context regeneration」：让模型带着原始上下文重画一遍，从而恢复超分容易猜错的小字与细节。

典型使用场景

• 产品与品牌短片：用参考图锁定产品外观，生成带环境音与旁白的展示片段。
• 短剧与口播：直接用中文台词生成口型与配音，减少对轨工序。
• 视频编辑与镜头续写：把已有片段作为参考输入，做动作迁移、镜头延续或局部改写。
• 私有化部署：对数据合规有要求的企业在自己机房部署 H3-Base 出草稿。

定价

权重开源免费，云端生成按量计费；具体单价与套餐以官方定价页为准。

方案	价格	适合谁
开放权重（本地部署）	免费，遵循社区许可	有 GPU 资源、需私有化
官方 API	按调用量计费，见 minimax.io 定价页	需要 2K 成片与稳定产能
网页 / 桌面应用	平台内计费	不想写代码的创作者

版本与维护状态

H3 是较新的发布：官方 README 显示首版开放了 H3-Base 权重与推理代码，原生稀疏注意力与 H3-Regenerate-2K 模块标注为「未来更新」，环境要求与依赖以仓库为准。此外，fal.ai 与 MiniMax 联合发布了经过后训练加速的 MiniMax H3 Max，主打更快的 480P / 768P 生成。

局限与注意

• 开源不完整：Context-IR 与 Regenerate-2K 未开源，本地只能复现 768p，2K 依赖官方 API。
• 硬件门槛高：H3-Base 是 33B 参数稠密 Transformer（其中约 13B 在 AdaLN 分支、推理时可预计算缓存），实际部署需要大显存与数百 GB 磁盘空间。
• 商用有条件：采用 MiniMax H3 Community License，社区许可允许免版税商用，但年收入超过 2000 万美元需另行书面授权，使用 H3 的商业产品还需显著标注「MiniMax H3」，且产出不得用于训练非 H3 系列模型。
• 输入时长受限：参考视频与音频单段 2–15 秒、总时长不超过 15 秒，混合输入文件总数上限 12。
• 内容审核：提交的文本、图像、视频与增强后的提示词都会经过自动审核，可能被拦截。

常见问题

以下内容来自官方仓库与文档。

• 能本地跑吗？ 可以部署 H3-Base 出 768p；官方提供 SGLang 部署说明与推理脚本。
• 怎么拿到 2K？ 使用 H3-Regenerate-2K 接口（video-generation-v2-regeneration），把 768p 结果与原始上下文一起提交。
• 支持哪些输入？ 首尾帧模式支持 0–2 张图；全参考模式支持最多 9 图、3 视频、3 音频。
• 输出带声音吗？ 带，32 kHz 立体声，与画面同一次生成。
• 能商用吗？ 社区许可允许商用，但有收入门槛、标注与用途限制，详见许可原文。

产品主页与下载

权重在 Hugging Face 与 ModelScope 发布，使用入口分为应用、API 与 GitHub 仓库。

• MiniMax 官网
• 官方仓库（部署与提示词脚本）
• Hugging Face 权重
• API 文档（视频生成）
• 网页版体验（Hailuo AI）