MiniMax H3 封面
2026 年 7 月 31 日，MiniMax 正式发布第三代海螺视频模型 MiniMax H3（Hailuo 3.0）；8 月 3 日，官方如期开源模型权重。
在长期由闭源方案主导的 AI 视频赛道，H3 凭借统一多模态理解、原生音画同步生成、商用级画质、开放权重四大核心亮点，迅速登顶 Artificial Analysis 有声视频编辑全球榜单，成为当下关注度最高的国产通用视频大模型。
一、MiniMax H3 到底是什么？
MiniMax H3 是一款通用全模态生成模型，打破传统 AI 视频 “图文、视频、音频分开处理” 的流水线架构。
它可以同时接收文本、图片、参考视频、音频混合多模态输入，在同一个模型回路内，一次性输出带有原生双声道立体声的完整视频，不再需要后期拼接配音。
简单概括：
输入：文字 / 图片 / 参考影片 / 音效素材自由组合
输出：最高 2K、24fps、最长 15 秒、自带同步立体声 MP4 视频
完整 H3 系统由三大模块协同构成：
- H3-Context-IR：多模态上下文解析器，统一理解图文音视频混合指令
- H3-Base：基础生成模块，本次开源开放，本地推理最高输出 768P 视频
- H3-Regenerate-2K：上下文高清再生模块（闭源，仅官方 API 支持原生 2K 直出）
H3系统架构图
重要区分：本地部署开源权重仅能生成 768P；想要原生 2K 分辨率视频，需要调用 MiniMax 官方 API。
二、核心能力亮点
1. 原生音画联合生成，告别音画割裂
绝大多数文生视频模型逻辑：先出画面 → 单独调用音频模型配音 → 合成视频。
H3 创新采用联合视频 – 音频扩散 Transformer 架构，画面动作、环境音效、人物台词在同一个去噪流程同步生成，人物口型、动作节奏和音效天然对齐，大幅减少 “画面动、声音脱节” 的违和感。
输出直接封装双声道 32kHz 立体声，适合短片、广告、剧情片段创作。
2. Omni-reference 全能参考输入，可控性大幅提升
H3 支持混合素材参考，单次最多支持：
✅ 9 张参考图片 + 3 段参考视频 + 3 段参考音频
支持主流创作模式：
- 文生视频 T2V
- 图生视频 / 首尾帧插值动画 FL2VA
- 视频到视频动作迁移 V2V
- 多素材混合参考生成 Ref2VA 可以锁定人物形象、产品外观、画风、镜头运镜，非常适合品牌、电商素材批量生产。
3. 指令式局部视频编辑
不用整段视频全部重绘。使用自然语言下达指令，仅修改画面局部光影、物体、特效、镜头运动，原有画面、背景音乐完整保留，极大节省生成耗时与算力成本。
4. 文字与品牌渲染能力突出
实测在 LOGO、产品文字、字幕生成上表现亮眼，是面向商业场景优化的一大优势。非常适合电商主图视频、品牌宣传片、动态海报、UI 动效短片。
5. 极具竞争力的商用性价比
官方公布定价：
- 2K 分辨率：每秒成本不足海外主流模型 1/3
- 768P 分辨率：仅为竞品 720P 价格的 1/2 中小团队、自媒体可以低成本批量生成商用短视频素材。
三、关键参数一览
- 模型规模：33B 参数多模态 DiT 扩散模型
- 帧率：24fps（影视标准帧率）
- 单次生成时长：4–15 秒
- 分辨率：API 支持原生 2K；开源本地版上限 768P
- 音频：原生双声道立体声
- 画面比例：支持 9:16、16:9、1:1、4:3、21:9 等主流画幅
- 推理框架：vLLM、SGLang、Diffusers、ComfyUI 开箱支持
- 硬件生态：首发兼容 NVIDIA、AMD、华为昇腾等多款芯片平台
四、适合哪些场景落地？
商业内容创作
电商产品动态视频、品牌广告小样、短视频信息流素材、动态海报、UI 动效、游戏概念 PV、分镜预演。
独立创作者 & 自媒体
剧情短片、MV 片段、概念艺术动画、影视镜头测试、短视频片头。
开发者私有化部署
对数据隐私有要求的企业，可基于开源 H3-Base 本地部署、二次微调，搭建自有 AI 视频生产管线。
五、开源现状与部署注意事项
- 开放内容：仅 H3-Base 权重开源，遵循 MiniMax 社区许可证；高清再生模块 2K 版本不开放本地权重。
- 显存门槛：完整精度推理显存需求极高；借助 INT8 量化、模型分片、显存卸载，RTX 4090、5090 等消费级显卡可本地运行。
- 生态进度：ComfyUI、vLLM 社区第一时间适配，网上已有现成工作流可供直接使用。
- 版权提示：商用使用务必仔细阅读模型许可协议，区分 API 云端生成与本地开源权重的商用权限。
六、行业意义：推动 AI 视频走向开放生态
过去文生视频赛道头部方案长期闭源，开发者很难自主改造、私有化部署。
MiniMax H3 开源，填补了支持原生音视频联合生成、具备商用水准的开源多模态视频模型空白。
它证明：国产视频生成模型不仅能对标海外顶尖方案，还愿意向社区开放权重，降低全行业使用门槛。未来基于 H3 的微调、行业定制、垂直场景二次开发，会快速涌现大量落地应用。
七、写在最后
如果说之前一代视频模型解决了 “图片动起来”，MiniMax H3 正在迈向直接生成完整视听片段。统一图文音视频的原生生成路线，也是下一代 Omni 全模态模型公认的发展方向。
当然，现阶段 15 秒时长、运动一致性、长镜头逻辑依然存在 AI 视频模型普遍痛点。但 H3 的问世，已经把开源 AI 视频的能力上限拉高了一个台阶。
无论是内容创作者寻找新的素材工具，还是 AI 开发者计划搭建自有视频生成服务，H3 都是现阶段值得重点测试的方案。
