MiniMax H3Open Weights
Video AI Multimodal dengan Audio Stereo Natif

MiniMax H3 ialah model penjanaan video AI multimodal serba guna daripada MiniMax. Ia memahami teks, imej, video, dan audio dalam satu konteks serta boleh menjana klip sehingga 15 saat pada resolusi 2K dengan audio stereo natif yang disegerakkan.

MiniMax H3 ialah nama model rasmi. Sesetengah pengguna mencari Hailuo 3.0 atau Hailuo H3 kerana Hailuo ialah produk video pengguna MiniMax, tetapi hantaran pelancaran MiniMax dan repositori model rasminya menamakan model ini sebagai MiniMax H3.

MiniMax menerbitkan weights H3-Base yang lengkap dan menyifatkan keluaran ini sebagai open source. Namun dengan lebih tepat, H3 ialah model open-weight yang diedarkan di bawah MiniMax H3 Community License, bukannya lesen permisif standard seperti Apache 2.0 atau MIT. Semak lesen semasa sebelum deployment komersial atau pengedaran semula.

Repositori MiniMaxAI MiniMax-H3 rasmi di Hugging Face menyediakan indeks model serta checkpoint FL2VA dan Ref2VA. MiniMax juga mendokumentasikan inferens melalui Diffusers, SGLang, vLLM, dan ComfyUI. Fail model adalah besar, jadi deployment tempatan memerlukan perkakasan serasi yang mencukupi.

Aliran kerja H3-Base tempatan rasmi mengesahkan output 768p. Aliran kerja 2K penuh MiniMax menggabungkan perkhidmatan H3-Base yang di-deploy secara tempatan dengan peringkat API H3-Context-IR dan H3-Regenerate-2K rasmi. Oleh itu, H3-Base yang sepenuhnya tempatan dan aliran kerja 2K lengkap yang disokong API bukanlah sama.

Ya. H3 meramal video dan audio secara bersama serta menyahkod bunyi stereo natif, termasuk suara, ambience, efek, dan muzik. MiniMax mereka bentuk jenis audio ini untuk dimodelkan bersama, bukannya dipecahkan kepada sistem penjanaan berasingan.

H3 menyokong arahan teks serta imej, video, dan audio rujukan. Checkpoint rasmi merangkumi aliran kerja teks-ke-audio-video, bingkai-pertama-atau-terakhir-ke-audio-video, dan rujukan-ke-audio-video, manakala sistem yang lebih luas menyokong rujukan multimodal serta hubungan suntingan yang dinyatakan dalam bahasa yang natural.

Terangkan subjek, aksi, pergerakan kamera, turutan shot, pencahayaan, gaya visual, dialog, ambien, kesan bunyi, muzik, dan peranan setiap rujukan. H3 direka untuk memahami hubungan antara input, jadi jelaskan apa yang perlu diambil daripada setiap aset imej, video, atau audio.

Ya. MiniMax H3 tersedia melalui alat Video AI VisionStory, bersama model video sinematik lain. MiniMax membina H3 — VisionStory menyediakan aliran kerja di sekelilingnya, bukan model itu sendiri.

MiniMax H3, Seedance ByteDance, dan Kling Kuaishou ialah model video multimodal dengan keupayaan teks-ke-video dan imej-ke-video yang bertindih. H3 lebih menonjol dengan weights H3-Base yang telah dikeluarkan, reka bentuk rujukan-dan-penyuntingan yang lebih umum, pipeline 2K, serta audio stereo natif. Pilihan terbaik bergantung pada pergerakan yang diingini, kawalan rujukan, aliran kerja audio, keperluan deployment, dan ketersediaan produk semasa.