MiniMax H3Pesos abiertos
Video con IA multimodal con audio estéreo nativo

MiniMax H3 es un modelo multimodal de propósito general para generación de video con IA de MiniMax. Entiende texto, imágenes, video y audio en un mismo contexto, y puede generar clips de hasta 15 segundos en resolución 2K con audio estéreo nativo sincronizado.

MiniMax H3 es el nombre oficial del modelo. Algunos usuarios buscan Hailuo 3.0 o Hailuo H3 porque Hailuo es el producto de video para consumidores de MiniMax, pero el post de lanzamiento y el repositorio oficial de modelos de MiniMax llaman al modelo MiniMax H3.

MiniMax publica los pesos completos de H3-Base y describe el lanzamiento como open source. Más precisamente, H3 es un modelo de pesos abiertos distribuido bajo la MiniMax H3 Community License, en lugar de una licencia permisiva estándar como Apache 2.0 o MIT. Revisá la licencia vigente antes de un despliegue comercial o redistribución.

El repositorio oficial MiniMaxAI MiniMax-H3 en Hugging Face ofrece el índice del modelo y los checkpoints FL2VA y Ref2VA. MiniMax también documenta la inferencia con Diffusers, SGLang, vLLM y ComfyUI. Los archivos del modelo son grandes, así que el despliegue local requiere hardware compatible de alto rendimiento.

El flujo de trabajo local oficial de H3-Base valida salida en 768p. El flujo completo en 2K de MiniMax combina un servicio H3-Base desplegado localmente con etapas de API oficiales H3-Context-IR y H3-Regenerate-2K. Por lo tanto, H3-Base completamente local y el flujo 2K completo respaldado por APIs no son idénticos.

Sí. H3 predice en conjunto video y audio, y decodifica sonido estéreo nativo, incluyendo voz, ambiente, efectos y música. MiniMax diseñó estos tipos de audio para modelarse en conjunto, en lugar de dividirlos en sistemas de generación separados.

H3 admite instrucciones de texto más imágenes, videos y audio de referencia. Los checkpoints oficiales cubren flujos de texto a audio-video, de primer o último fotograma a audio-video y de referencia a audio-video, mientras que el sistema más amplio admite relaciones de referencia multimodal y edición expresadas en lenguaje natural.

Describí el sujeto, la acción, el movimiento de cámara, la secuencia de tomas, la iluminación, el estilo visual, el diálogo, el ambiente, los efectos de sonido, la música y el rol de cada referencia. H3 está diseñado para entender las relaciones entre las entradas, así que explicá qué querés tomar de cada imagen, video o recurso de audio.

Sí. MiniMax H3 está disponible a través de las herramientas de video con IA de VisionStory, junto a los otros modelos de video cinematográfico. MiniMax creó H3; VisionStory aporta el flujo de trabajo alrededor, no el modelo en sí.

MiniMax H3, Seedance de ByteDance y Kling de Kuaishou son modelos de video multimodales con capacidades superpuestas de texto a video e imagen a video. H3 se diferencia especialmente por sus pesos H3-Base publicados, su diseño generalizado de referencia y edición, su pipeline 2K y su audio estéreo nativo. La mejor elección depende del movimiento buscado, el control por referencia, el flujo de trabajo de audio, las necesidades de implementación y la disponibilidad actual del producto.