产品简介
MiniMax H3 是 MiniMax 开源的通用全模态生成系统。它把理解与生成放进同一套模型：输入可以是文本、图像、视频与音频混在一起的多模态上下文，输出是最高 2K、最长 15 秒、带原生立体声音频的视频。
规格上，24 FPS，32kHz 原生立体声，稳定支持 11 种语言，宽高比覆盖 21:9 到 9:16。两个版本分工：H3-Base-FL2VA 支持文生视频、首帧、尾帧与首尾帧四种模式；H3-Base-Ref2VA 走全模态参考，最多可以吃 9 张图、3 段视频和 3 段音频。
开源之后的社区进展值得单独看。官方汇总了 11 项新增集成：8 步参考条件视频加音频生成、4 步蒸馏、稀疏注意力与参考 token 压缩，覆盖 GPU 服务器、TPU 与 Apple Silicon。有开发者用智能体搜集各类优化，把实时生成压到单张 RTX 5090 上，30 秒视频耗时 23.51 秒，约 1.28 倍实时吞吐。
核心功能
- 全模态输入理解：统一处理文本、图像、视频与音频构成的多模态上下文，能跟随复杂的多模态指令，而不是只认一句文字提示。
- 2K 15 秒带原生立体声：最高 2K 分辨率，最长 15 秒，24 FPS，音频为原生 32kHz 立体声，不是后期配音轨。
- 两个版本分工：H3-Base-FL2VA 覆盖文生视频、首帧、尾帧与首尾帧；H3-Base-Ref2VA 接受最多 9 张图、3 段视频、3 段音频作参考，适合保持角色与场景一致。
- 11 种语言与多宽高比：稳定支持中、英、法、德、意、日、韩、葡、俄、西、阿拉伯语，宽高比覆盖 21:9、16:9、4:3、1:1、3:4、9:16。
- 社区把实时生成压到单卡：11 项新增集成里包含 8 步参考生成、4 步蒸馏、稀疏注意力与参考 token 压缩。有开发者跑到单张 RTX 5090 上，30 秒视频耗时 23.51 秒。
- 开源权重与商用接口并存：权重开放，可本地部署与二次定制；不想自己搭环境的可以直接用 MiniMax 官方按秒计费的商用接口。
适合谁用
以下类型的用户会特别受益于 MiniMax H3：
- 根据文字描述生成带音效的短视频片段
- 输入首帧和尾帧图像，生成过渡动画视频
- 提供参考视频和音频，生成风格一致的多模态内容
- 制作多语言对话视频，用于跨语言内容创作
- 生成不同宽高比的视频，适配社交媒体或影视制作
优点亮点
- 开源免费，可本地部署
- 全模态输入，理解能力强
- 输出带原生立体声音频，沉浸感强
- 支持多种宽高比和分辨率，灵活度高
- 多语言支持，适合国际化应用
价格与方案
权重开源免费，可本地部署与二次定制，具体商用条款遵循 MiniMax 开源协议。MiniMax 官方商用接口按秒计费，2K 为 0.4 元每秒，768P 为 0.23 元每秒。
总结与建议
H3 的价值在于把全模态理解与视频生成放进同一套模型。多数视频模型只吃文字或图，H3 还能吃视频与音频作参考，这让它在需要保持角色一致、延续镜头风格的任务上有优势。
开源是另一半。11 项社区集成里有蒸馏也有稀疏注意力，把推理成本往下压，单卡跑到实时的案例已经出现。对预算敏感的团队，这意味着可以不依赖按秒计费的接口。需要留意的是开源模型的部署门槛并不低，2K 与长音频对显存的要求仍然实打实。
版本演进
- 社区生态新增 11 项集成 （2026-10-26）：官方汇总 H3 开源后的社区进展，新增 11 项集成：8 步参考条件视频加音频生成、4 步蒸馏、稀疏注意力与参考 token 压缩，并在 GPU 服务器、TPU 与 Apple Silicon 上提供服务与工作流接入。
- 社区实测单张 RTX 5090 跑实时视频 （2026-10-08）：ComfyUI 博客作者用智能体搜集各类优化，把 MiniMax H3 实时视频生成压缩到单张 RTX 5090（32GB 显存）上运行，生成 30 秒视频耗时 23.51 秒，达到约 1.28 倍实时吞吐。
- 海螺 3 视频模型商用并开放权重 （2026-09-01）：MiniMax 海螺 3 视频模型投入商用，2K 分辨率定价 0.4 元每秒、768P 定价 0.23 元每秒，是同期开放模型权重并支持本地化部署与二次定制的国产视频模型。开源三周下载量超 2400 万次，衍生视频超 300 个。海螺 3 Max 同期接入 MiniMax 开放平台与 MiniMax Design，支持实时生成 5 秒音视频。