MiniMax H3Otevřené váhy
Multimodální AI video s nativním stereo audiem

MiniMax H3 je univerzální multimodální model pro generování AI videí od MiniMax. V jednom kontextu rozumí textu, obrázkům, videu i audiu a umí generovat klipy až do délky 15 sekund v rozlišení 2K se synchronizovaným nativním stereo audiem.

MiniMax H3 je oficiální název modelu. Někteří uživatelé hledají Hailuo 3.0 nebo Hailuo H3, protože Hailuo je spotřebitelský video produkt od MiniMax, ale v launch příspěvku MiniMax i v oficiálním repozitáři modelů se model jmenuje MiniMax H3.

MiniMax publikuje kompletní váhy H3-Base a vydání popisuje jako open source. Přesněji řečeno je ale H3 open‑weight model distribuovaný pod licencí MiniMax H3 Community License, nikoli pod standardní permisivní licencí jako Apache 2.0 nebo MIT. Před komerčním nasazením nebo redistribucí si zkontrolujte aktuální znění licence.

Oficiální repozitář MiniMaxAI MiniMax-H3 na Hugging Face nabízí index modelu a checkpointy FL2VA a Ref2VA. MiniMax také popisuje inference přes Diffusers, SGLang, vLLM a ComfyUI. Soubory modelu jsou velké, takže lokální nasazení vyžaduje výkonný kompatibilní hardware.

Oficiální lokální workflow H3-Base validuje výstup v 768p. Plné 2K workflow od MiniMax kombinuje lokálně nasazenou službu H3-Base s oficiálními API kroky H3-Context-IR a H3-Regenerate-2K. Plně lokální H3-Base a kompletní 2K workflow podpořené API tedy nejsou totožné.

Ano. H3 společně predikuje video i audio a dekóduje nativní stereo zvuk, včetně hlasu, ambientu, efektů i hudby. MiniMax navrhl tyto typy audia tak, aby se modelovaly společně, místo aby se dělily do samostatných generovacích systémů.

H3 podporuje textové instrukce plus referenční obrázky, videa a audio. Oficiální checkpointy pokrývají workflow text-to-audio-video, first-or-last-frame-to-audio-video a reference-to-audio-video, zatímco širší systém podporuje multimodální reference a editační vztahy vyjádřené v přirozeném jazyce.

Popište subjekt, akci, pohyb kamery, sekvenci záběrů, osvětlení, vizuální styl, dialog, atmosféru, zvukové efekty, hudbu i roli každé reference. H3 je navržen tak, aby chápal vztahy mezi vstupy, proto vysvětlete, co si má vzít z každého obrázku, videa nebo audio podkladu.

Ano. MiniMax H3 je dostupný v AI video nástrojích VisionStory, spolu s dalšími filmovými video modely. H3 vytvořil MiniMax — VisionStory poskytuje workflow okolo něj, ne samotný model.

MiniMax H3, Seedance od ByteDance a Kling od Kuaishou jsou multimodální video modely s překrývajícími se možnostmi text na video a obrázek na video. H3 se odlišuje zejména zveřejněnými vahami H3-Base, univerzálním návrhem pro reference a editace, 2K pipeline a nativním stereo audiem. Nejlepší volba závisí na požadovaném pohybu, kontrole referencí, audio workflow, požadavcích na nasazení a aktuální dostupnosti produktu.