MiniMax H3

最近的视频生成模型，画质越来越高，但真正用起来，经常还是要在多个功能之间来回切换：文生视频用一个模型，动作参考用另一个，想加配音和音效，又得单独处理。

MiniMax H3 想解决的，正是这个问题。

MiniMax H3是MiniMax在2026年7月31日正式发布的新一代通用全模态生成模型。它能同时理解文本、图片、视频、声音，然后生成带原生立体声音轨的视频内容。

H3大模型在2026年8月3日正式开源了，最高支持15秒、2K分辨率（2560×1440）、24帧每秒的输出。目前在Artificial Analysis视频编辑评测榜和Arena视频编辑排行榜上都拿了全球第一。这成绩确实挺能打的。

官方介绍原文：https://www.minimaxi.com/blog/minimax-h3

核心功能

H3的核心能力我总结下来就三条：

第一，全模态输入理解。 你可以把文本、图片、视频、音频混在一起丢进去，让它理解你的意图。最多支持混合输入12个文件，提示词上限高达7000字符。举个例子，你可以给一段参考视频、一张人物图片、一段音频，然后告诉它“用视频1的镜头运动方式，让图2里的人物唱音频3里的歌”——H3自己会完成复杂的全模态理解。这个功能在实际创作中真的挺实用，不用像以前那样分开搞好几个步骤。

第二，多模态精准编辑与控制。 包括文生视频、图生视频、首尾帧控制、主体参考、动作参考等等。特别是V2V Motion Transfer（视频到视频动作迁移），可以把一段视频里的人物动作迁移到另一段视频里，同时保持主体形象和画面风格。我试了下“华强买瓜”的梗视频，动作迁移的效果还挺丝滑的。

第三，商用级内容生成。 官方说它“具备商用级的多场景内容生成能力”，在指令遵循、文字与品牌信息呈现方面表现不错。实际测试中，文字渲染确实清晰锐利，不像有些模型生成的字像糊了一层马赛克。

产品特点

H3的特点，我觉得最值得说的有这几个：

1. 打破模态边界，走“通用”路线。 MiniMax之前做过Hailuo 01和02两代模型，到H3这代他们意识到一个问题——以前的模型太“分裂”了：图片生成分T2I、编辑、主体参考、动作参考……全是独立的专家模型；声音生成也是人声、音效、音乐分开研究。H3的做法是把这些都统一起来，让模型在预训练阶段就具备广泛的多模态理解和生成能力。这个思路挺像DeepSeek在语言模型领域做的事——走通用路线而不是搞一堆专用模型。

2. 性价比极其能打。 H3默认提供2K分辨率输出，2K下每秒价格0.8元，768P下每秒0.5元。什么概念呢？业内同类旗舰模型的三分之一左右。有个博主烧了4000块钱对比测试，H3生成15秒视频账单才7块钱，而某竞品2.5版本同样的时长要35块。这价格差距确实让人有点上头。

3. 开源+国产芯片兼容。 H3设计初期就考虑了多款国产芯片的兼容性，官方也计划开放模型权重。这对国内开发者来说是个好消息，不用非得绑在特定硬件上。

使用教程

我梳理了三条路径，看你是什么需求：

路径一：网页端直接体验（最适合小白） 

去MiniMax官网、Hailuo AI或者PixPix的网页端，界面逻辑很简单：选文生视频或图生视频，输入提示词，选分辨率、时长、比例，点生成就行。整个过程像填一个创意表单，零门槛。在PixPix上就能直接用，门槛很低。

路径二：API调用（适合开发者） 

去platform.minimaxi.com注册账号，在“账户管理→接口密钥”生成API Key，然后按文档调用就行。适合想集成到自己工作流里的朋友。

路径三：本地部署（适合折腾党） 

H3开源后可以本地部署。官方模型权重大概115GB，对硬件有要求。GitHub上已经有社区维护的部署指南和ComfyUI工作流。如果你显卡不够猛，建议还是走前两条路。