MiniMax H3Pesos abiertos
Vídeo con IA multimodal con audio estéreo nativo

MiniMax H3 es un modelo multimodal de generación de vídeo con IA de propósito general de MiniMax. Entiende texto, imágenes, vídeo 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 vídeo de consumo de MiniMax, pero tanto el post de lanzamiento de MiniMax como el repositorio oficial del modelo lo llaman MiniMax H3.

MiniMax publica los pesos completos de H3-Base y describe el lanzamiento como open source. Más concretamente, H3 es un modelo de pesos abiertos distribuido bajo la MiniMax H3 Community License, y no bajo una licencia permisiva estándar como Apache 2.0 o MIT. Revisa la licencia vigente antes de un despliegue comercial o la 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 cierto nivel.

El flujo de trabajo oficial en local de H3-Base valida salida a 768p. El flujo completo en 2K de MiniMax combina un servicio H3-Base desplegado en local con las fases de API oficiales H3-Context-IR y H3-Regenerate-2K. Por tanto, H3-Base totalmente en local y el flujo completo en 2K apoyado en APIs no son idénticos.

Sí. H3 predice conjuntamente vídeo y audio y decodifica sonido estéreo nativo, incluida voz, ambientación, efectos y música. MiniMax diseñó estos tipos de audio para modelarse juntos, en lugar de separarlos en sistemas de generación distintos.

H3 admite instrucciones de texto, además de imágenes, vídeos y audio de referencia. Los checkpoints oficiales cubren flujos de trabajo de texto a audio-vídeo, de primer o último fotograma a audio-vídeo y de referencia a audio-vídeo, mientras que el sistema más amplio admite referencias multimodales y relaciones de edición expresadas en lenguaje natural.

Describe el sujeto, la acción, el movimiento de cámara, la secuencia de planos, la iluminación, el estilo visual, el diálogo, el ambiente, los efectos de sonido, la música y el papel de cada referencia. H3 está diseñado para entender las relaciones entre las entradas, así que explica qué debe tomar de cada recurso de imagen, vídeo o audio.

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

MiniMax H3, Seedance de ByteDance y Kling de Kuaishou son modelos de vídeo multimodales con capacidades solapadas de texto a vídeo e imagen a vídeo. 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 opción depende del movimiento deseado, el control por referencias, el flujo de trabajo de audio, las necesidades de despliegue y la disponibilidad actual del producto.