MiniMax H3Pesos abiertos
Video con IA multimodal con audio estéreo nativo

MiniMax H3 es un modelo multimodal de generación de video con IA de propósito general de MiniMax. Entiende texto, imágenes, video y audio en un solo 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 la publicación de lanzamiento de MiniMax y 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 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. Revisa la licencia vigente antes de un despliegue comercial o de redistribuirlo.

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 y considerable.

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

Sí. H3 predice en conjunto video y audio y decodifica sonido estéreo nativo, incluida voz, ambiente, 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, videos y audio de referencia. Los checkpoints oficiales cubren flujos de trabajo 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 referencias multimodales y relaciones de edición expresadas en lenguaje natural.

Describe 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 explica qué tomar prestado 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 con los otros modelos de video cinematográfico. MiniMax creó H3; VisionStory ofrece el flujo de trabajo alrededor de él, no el modelo en sí.

MiniMax H3, Seedance de ByteDance y Kling de Kuaishou son modelos de video multimodales con capacidades que se superponen de texto a video y de 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 opción depende del movimiento deseado, el control por referencia, el flujo de trabajo de audio, las necesidades de despliegue y la disponibilidad actual del producto.