MiniMax H3Pesos abiertos
Video de IA multimodal con audio estéreo nativo

MiniMax H3 es un modelo multimodal de propósito general para la generación de videos de IA 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 el post 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. Para ser más precisos, 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 una implementación 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 mediante Diffusers, SGLang, vLLM y ComfyUI. Los archivos del modelo son grandes, así que la implementación local requiere hardware compatible considerable.

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

Sí. H3 predice conjuntamente video y audio y decodifica sonido estéreo nativo, incluida la voz, el ambiente, los efectos y la música. MiniMax diseñó estos tipos de audio para modelarse juntos en lugar de dividirlos en sistemas de generación separados.

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 relaciones multimodales de referencia y 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 papel de cada referencia. H3 está diseñado para entender las relaciones entre las entradas, así que explica qué tomar prestado de cada recurso de imagen, video o audio.

Sí. MiniMax H3 está disponible a través de las herramientas de video de 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 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 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.