智东西（公众号：zhidxcom）
作者 | 杨京丽
编辑 | 李水青

智东西8月3日报道，今日，MiniMax正式开源新一代通用视频模型MiniMax H3。

MiniMax H3是一个通用型全模态生成系统，可统一理解文本、图像、视频和音频组成的多模态上下文，生成最长15秒、最高2K分辨率并带有原生立体声音频的视频。

此前7月31日，MiniMax H3发布。目前，在Artificial Analysis有声视频编辑榜单中，MiniMax H3以1130分的Elo成绩位列第一，领先Gemini Omni Flash、HappyHorse-1.0、Wan 2.7等国内外视频模型。

▲MiniMax H3位列有声视频编辑榜单榜首

H3系统由H3-Context-IR、H3-Base、H3-Regenerate-2K三个模块组成。开发者可以直接从Hugging Face下载MiniMax H3模型，H3-Base目前支持通过SGLang、vLLM、diffusers和ComfyUI等推理框架和工作流进行部署。

与模型开源同步，华为昇腾、摩尔线程、沐曦、海光信息、昆仑芯、天数智芯、壁仞科技、AMD、Intel等国内外芯片厂商，以及Hugging Face、魔搭ModelScope、ComfyUI、RunningHub、fal等开发社区和云推理平台，另有vLLM-Omni、SGLang等推理框架，共16家生态伙伴均完成了相关适配支持。

开源地址：

huggingface.co/MiniMaxAI/MiniMax-H3

模型体验地址：

H3-2K直出：
platform.minimaxi.com/docs/api-reference/video-generation-v2-create

H3-Context-IR：
platform.minimaxi.com/docs/api-reference/video-generation-v2-h3-context-ir

H3-Regenerate-2K：
platform.minimaxi.com/docs/api-reference/video-generation-v2-regeneration

MiniMax Hub: hub.minimaxi.com

海螺AI：hailuoai.com

今天，智东西对MiniMax H3进行了实测。MiniMax H3已经能够完成不同类型的视频生成任务，在画面自然度、镜头组织和整体风格一致性方面表现较好。模型在画面真实感、镜头编排等方面有一定的提升空间。

比如，我们让模型生成了一段15秒的风光摄影航拍视频，成片中的雪山、草地等自然景观较为真实，色彩、光影和航拍镜头运动也比较自然，长镜头整体保持了较好的视觉连贯性。不过，画面中的寺庙建筑仍有较明显的AI生成感。

随后，我们又让MiniMax H3生成了一段奶茶和游戏IP联动的广告宣传视频。MiniMax生成的视频包含6个分镜头，整体叙事顺序较为清楚，画面风格和广告氛围也基本统一。不过，在多镜头编排方面，模型出现了一处较明显的重复：店员向顾客递出奶茶的动作被连续呈现了两次。

一、最长生成15秒2K视频，画面与立体声同步输出

MiniMax H3 是一个通用型全模态生成系统。在输出规格方面，H3可生成4秒至15秒的视频，支持21:9、16:9、4:3、1:1、3:4、9:16等多种画面比例，输出帧率为24FPS，并可同步生成32kHz立体声音频。

模型默认生成短边为768像素的视频，通过H3-Regenerate-2K可进一步生成2K版本。H3稳定支持中文、英语、日语、韩语、法语、德语等11种语言，对其他语言也提供不同程度的支持。

H3包含FL2VA和Ref2VA两个版本，分别面向首尾帧生成与全模态参考生成。

H3-Base-FL2VA为首尾帧模式，最多可输入两张图像。不输入图像时，模型执行文生视频任务；输入一张首帧或尾帧图像时，可生成对应的首帧生视频或尾帧生视频；同时输入两张图像时，则可根据指定的首尾画面生成中间的视频内容。

H3-Base-Ref2VA支持全模态参考模式，最多可输入9张图像；视频最多可输入3段，每段时长为2秒至15秒，总时长不超过15秒；音频最多可输入3段，每段时长为2秒至15秒，总时长不超过15秒，且必须与图像或视频一同输入，不能作为唯一输入。图像、视频和音频文件合计最多可输入12个。

二、三大模块协同生成音视频，2K画面采用上下文再生成

H3系统由负责理解和整理多模态指令的H3-Context-IR、负责生成音视频的H3-Base，以及负责生成2K画面的H3-Regenerate-2K三个模块组成。

▲MiniMax H3系统概览（图源：MiniMax）

H3-Context-IR是一套托管式预处理与编排系统，能够理解文本、图像、音频和参考视频之间的关系，以及这些素材与预期生成结果之间的关系。其内部工作流包括指令解析、跨模态关联、时序理解和复杂逻辑推理。

H3-Context-IR依赖多阶段工作流，以及多个托管模型与服务，该模块暂未开源。MiniMax目前提供了相应API和提示词指南，开发者可以据此搭建自己的多模态预处理系统。

视频提示词写作指南：
huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md

全参考模式输出指南：
huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md

H3-Base负责实际的音视频生成。文本由H3-Encoder编码，视觉素材同时经过H3-Encoder和H3-VisualVAE处理，音频则由H3-AudioVAE编码。不同模态的信息随后被组织成统一序列，输入H3-Omni-Transformer。

▲MiniMax H3-Base架构概览（图源：MiniMax）

对于H3的2K分辨率输出，H3没有采用传统的专用超分辨率模块，而是通过H3-Regenerate-2K，让基础模型结合原始文本及多模态参考素材，对已经生成的768p视频重新生成。这种方式可以再次利用原始上下文，有助于还原小文字和精细纹理等仅凭低分辨率画面难以补全的信息。该模块目前同样尚未开源，开发者可通过官方API复现完整的2K生成流程。

三、本地部署可生成768p音视频，完整2K工作流需调用API

MiniMax为开发者提供了H3-Base本地部署和完整2K工作流两种验证方式。H3-Base以FL2VA和Ref2VA两个独立模型仓库发布，均包含处理器、分词器、文本编码器、Omni Transformer、Visual VAE和Audio VAE等推理组件，可通过SGLang、vLLM、diffusers和ComfyUI等框架或工作流部署，并支持多GPU并行推理。

仅在本地部署H3-Base时，开发者可以生成短边为768像素的音视频。其中，FL2VA版本支持文生音视频及首尾帧生成，Ref2VA版本支持联合参考图像、视频和音频，完成角色与场景保留、动作和嘴型编辑、音色参考等任务。

完整2K工作流则需要结合本地模型与官方API：首先由H3-Context-IR理解并扩展用户输入，随后由本地部署的H3-Base生成768p音视频，最后通过H3-Regenerate-2K结合原始上下文重新生成2K视频。MiniMax还提供了文生音视频、首帧生音视频和全模态参考生成等可复现案例，相关请求参数、示例代码和参考结果均可在Hugging Face模型页面查看。

结语：全模态视频生成加速走向开放生态

从实际效果来看，MiniMax H3已经能够处理自然风光、商业广告等不同类型的生成任务，在画面自然度、镜头组织和风格一致性方面展现出较高的完成度。

随着多家芯片厂商、开发社区、云推理平台和推理框架同步完成适配，MiniMax H3此次开源不仅开放了模型能力，也初步打通了从模型下载、本地部署到应用开发的生态链路。全模态视频模型之间的竞争，正从单一画面效果进一步延伸至声音生成、复杂指令理解和产业生态建设。