MiniMax H3Open Weights
Video AI Multimodal dengan Audio Stereo Native

MiniMax H3 adalah model generator Video AI multimodal serbaguna dari MiniMax. Model ini memahami teks, gambar, video, dan audio dalam satu konteks, serta dapat menghasilkan klip hingga 15 detik pada resolusi 2K dengan audio stereo native yang tersinkron.

MiniMax H3 adalah nama model resminya. Sebagian pengguna mencari Hailuo 3.0 atau Hailuo H3 karena Hailuo adalah produk video konsumen dari MiniMax, tetapi posting peluncuran MiniMax dan repositori model resminya menyebut model ini sebagai MiniMax H3.

MiniMax merilis bobot H3-Base secara lengkap dan menyebut rilis ini sebagai open source. Namun lebih tepatnya, H3 adalah model open-weight yang didistribusikan di bawah MiniMax H3 Community License, bukan lisensi permisif standar seperti Apache 2.0 atau MIT. Tinjau lisensi terbaru sebelum deployment komersial atau redistribusi.

Repositori resmi MiniMaxAI MiniMax-H3 di Hugging Face menyediakan indeks model serta checkpoint FL2VA dan Ref2VA. MiniMax juga mendokumentasikan inference melalui Diffusers, SGLang, vLLM, dan ComfyUI. File modelnya besar, jadi deployment lokal membutuhkan hardware kompatibel yang mumpuni.

Alur kerja resmi H3-Base lokal memvalidasi output 768p. Alur kerja 2K penuh dari MiniMax menggabungkan layanan H3-Base yang di-deploy secara lokal dengan tahapan API resmi H3-Context-IR dan H3-Regenerate-2K. Jadi, H3-Base yang sepenuhnya lokal dan alur kerja 2K lengkap berbasis API tersebut tidak identik.

Ya. H3 memprediksi video dan audio secara bersamaan dan mendekode suara stereo native, termasuk vokal, ambience, efek suara, dan musik. MiniMax merancang jenis-jenis audio ini untuk dimodelkan bersama, bukan dipisahkan ke sistem generasi yang berbeda.

H3 mendukung instruksi teks plus gambar, video, dan audio sebagai referensi. Checkpoint resmi mencakup alur kerja text-to-audio-video, first-or-last-frame-to-audio-video, dan reference-to-audio-video, sementara sistem yang lebih luas mendukung referensi multimodal serta hubungan editing yang diekspresikan dengan bahasa natural.

Jelaskan subjek, aksi, pergerakan kamera, urutan shot, pencahayaan, gaya visual, dialog, ambience, efek suara, musik, dan peran dari setiap referensi. H3 dirancang untuk memahami hubungan antar input, jadi jelaskan apa yang perlu diambil dari setiap aset gambar, video, atau audio.

Ya. MiniMax H3 tersedia melalui tool Video AI VisionStory, bersama model video sinematik lainnya. MiniMax yang membangun H3 — VisionStory menyediakan alur kerja untuk menggunakannya, bukan modelnya sendiri.

MiniMax H3, Seedance dari ByteDance, dan Kling dari Kuaishou adalah model video multimodal dengan kemampuan text-to-video dan image-to-video yang saling tumpang tindih. H3 terutama menonjol karena bobot H3-Base yang dirilis, desain reference-and-editing yang lebih general, pipeline 2K, dan audio stereo native. Pilihan terbaik bergantung pada gerakan yang diinginkan, kontrol referensi, alur kerja audio, kebutuhan deployment, dan ketersediaan produk saat ini.