MiniMax H3｜首个开源全能全模态 AI 模型
MiniMax H3 炸场发布：首款开源全模态模型，在线体验生成3D短剧
2026 年 7 月 31 日，MiniMax 正式推出业界首款开源通用全模态生成模型——H3。
01 什么是 H3？一句话看懂
H3 是 MiniMax 首个开源的、能理解并生成文本+图像+视频+声音的全模态模型。
你给它多张图、多段视频、多段音频作为参考，它能一次性生成带有原生双声道声音的 2K 高清视频。不用再为画面和声音做复杂的后期合成，一步到位。
关键规格速览：
- 🎬 视频输出：最高 15 秒、2K 分辨率、24fps
- 🔊 音频输出：原生双声道，包含对话、音效与环境氛围
- 📥 多模态输入上限：最多 9 张图片 + 3 段视频 + 3 段音频，混合文件总数不超过 12 个
02 核心能力：多模态统一理解 × 原生音视频输出
全模态上下文，一次吃透你的创意
H3 能将文本、图像、视频片段、音频等不同形态的内容放在同一个上下文里进行“统一理解”。这意味着你可以上传产品白底图、一段品牌视频、一条旁白音频，再配上文字指令，H3 就能综合所有信息，生成你想要的广告成片。
原生双声道，告别无声视频
以往的 AI 视频大多需要单独配音、加音效。H3 从模型层面直接输出带有原生双声道音频的视频：人物对话、环境鸟鸣、背景音乐……都可在生成时一并完成，适合广告、Vlog、MV 等需要声音画面强绑定的场景。
视频编辑能力全球第一
在 Artificial Analysis 视频编辑能力榜单中，H3 排名全球第一。其 V2V Motion Transfer（视频到视频动作迁移） 技术，可精准提取源视频的动作特征，复刻到目标视频上，让“动作复刻”变得简单。
我使用官网下载的minimax-hub，在线体验了一番全能参考生成视频、首尾帧生成视频。
1、右击、上传图片（作为人物参考）
2、添加节点选择视频
上传图片后，可以直接使用@来添加图片。实测最多支持17秒，生成时间大概20分钟。（可以免费试用3次）
3、使用截帧功能，可以截取图片，作为首帧
4、视频生成方式选择首尾帧
两种方式效果还不错，特别是音画同步和高动态，得益于他的技术架构。
03 技术架构：四大创新重构模型底层
H3 的出色表现，源自对模型底层的系统性重构，主要包含四项技术创新：
-
Contextual Omni Representation
用语言统一所有任务的中间表示，改变数据与标注方式，让不同模态的信息能够在深层实现泛化连结与解释。 -
H3-VAE（高压缩 Tokenizer）
视频被压缩为更少的 Token，直接带来4 倍序列长度收益。这是 H3 能支持原生 2K 分辨率，同时大幅降低推理成本的核心底气。 -
H3-Omni Transformer
理解与生成采用异构训练架构，端到端训练吞吐量提升近 30%，让大模型训练和推理更高效。 -
In-context Regeneration
全新的输出层设计，让模型可以依据指令对生成结果进行二次编辑与优化，为可控生成提供了更大空间。
开源策略与企业本地部署
H3 是 MiniMax 推出的首款开源多模态生成模型。根据官方计划，模型权重将在未来几天内（在符合法律法规的前提下）开放。
开源带来的想象空间极大：
- 🏢 企业本地部署：可在自己的服务器上运行，结合自有数据与业务逻辑进行微调，满足安全合规要求；
- 🤝 生态开放：芯片厂商、云平台、开发者都能参与适配优化，让使用成本进一步降低，应用范围进一步扩大。
05 落地场景：广告、电商、游戏、MV 都在用
H3 的商用级多场景生成能力，已经在多个领域展现出清晰价值：
-
广告与品牌
指令遵循能力强，文字与品牌信息呈现准确，适合制作故事感强、声画协同的品牌广告与产品演示。 -
电商内容
支持旧视频翻新、商品一键换背景、保留人物动作替换视觉元素，极大降低电商短视频的制作门槛。 -
游戏与 UI/UX
能生成游戏 PV、UI 动效、网页滚动动效等视觉包装素材，帮助开发者和设计师快速产出宣传物料。 -
音乐视频与 Vlog
可直接输出带歌词的动态 MV，或自动生成带有节奏装饰与背景音效的日常 Vlog，实现声音与画面的自然融合。
06 市场反应：股价大涨，与 Sora 形成差异化竞争
H3 发布后，市场立刻给出积极反馈：MiniMax 股价单日一度大涨超 14%，扭转了前期因股份解禁与产品降价带来的下跌趋势。
在竞争层面，H3 选择了与 OpenAI Sora、Google Veo、快手可灵等完全不同的路线——开源权重，支持本地部署与二次开发。同时，相比偏向前期影视特效的 Seedance 2.0，H3 在视觉包装和后期特效方面表现突出，两者形成互补。
07 当前局限与未来展望
当然，H3 也并非全能。官方明确指出目前存在以下限制：
- ❌ 不支持 4K 输出；
- ❌ 不支持超过 15 秒的连续镜头；
- ❌ 不支持 48kHz 广播级对话音频；
- ⚠️ 在较小或密集文本的处理上，偶尔会出现乱码问题。
但这些并不妨碍 H3 成为当下开放生态中最具性价比的全模态生成模型。随着权重开源与社区共建，其能力边界还将被进一步拓宽。
期待过几天权重完全开源，可以把LTX 2.3给替换了。
浙公网安备 33010602011771号