MiniMax H3Pesos abertos
Vídeo com IA multimodal com áudio estéreo nativo

O MiniMax H3 é um modelo multimodal de geração de vídeo com IA, de uso geral, da MiniMax. Compreende texto, imagens, vídeo e áudio num único contexto e consegue gerar clipes até 15 segundos em resolução 2K com áudio estéreo nativo sincronizado.

MiniMax H3 é o nome oficial do modelo. Alguns utilizadores procuram por Hailuo 3.0 ou Hailuo H3 porque o Hailuo é o produto de vídeo para consumidores da MiniMax, mas a publicação de lançamento da MiniMax e o repositório oficial do modelo chamam ao modelo MiniMax H3.

A MiniMax publica os pesos completos do H3-Base e descreve o lançamento como open source. Mais precisamente, o H3 é um modelo de pesos abertos distribuído sob a MiniMax H3 Community License, em vez de uma licença permissiva padrão como a Apache 2.0 ou a MIT. Reveja a licença atual antes de qualquer implementação comercial ou redistribuição.

O repositório oficial MiniMaxAI MiniMax-H3 no Hugging Face disponibiliza o índice do modelo e os checkpoints FL2VA e Ref2VA. A MiniMax também documenta a inferência através de Diffusers, SGLang, vLLM e ComfyUI. Os ficheiros do modelo são grandes, pelo que a implementação local exige hardware compatível e substancial.

O fluxo de trabalho oficial local do H3-Base valida saída a 768p. O fluxo de trabalho completo de 2K da MiniMax combina um serviço H3-Base implementado localmente com as etapas oficiais de API H3-Context-IR e H3-Regenerate-2K. Assim, o H3-Base totalmente local e o fluxo de trabalho completo de 2K apoiado por APIs não são idênticos.

Sim. O H3 prevê vídeo e áudio em conjunto e descodifica som estéreo nativo, incluindo voz, ambiente, efeitos e música. A MiniMax concebeu estes tipos de áudio para serem modelados em conjunto, em vez de os dividir por sistemas de geração separados.

O H3 suporta instruções em texto, além de imagens, vídeos e áudio de referência. Os checkpoints oficiais abrangem fluxos de trabalho de texto-para-áudio-vídeo, primeiro-ou-último-fotograma-para-áudio-vídeo e referência-para-áudio-vídeo, enquanto o sistema mais amplo suporta relações de referência multimodal e de edição expressas em linguagem natural.

Descreva o sujeito, a ação, o movimento de câmara, a sequência de planos, a iluminação, o estilo visual, o diálogo, a ambiência, os efeitos sonoros, a música e o papel de cada referência. O H3 foi concebido para compreender as relações entre as entradas, por isso explique o que pretende aproveitar de cada recurso de imagem, vídeo ou áudio.

Sim. O MiniMax H3 está disponível através das ferramentas de vídeo com IA do VisionStory, juntamente com outros modelos de vídeo cinematográficos. A MiniMax criou o H3 — o VisionStory disponibiliza o fluxo de trabalho à sua volta, não o modelo em si.

O MiniMax H3, o Seedance da ByteDance e o Kling da Kuaishou são modelos de vídeo multimodais com capacidades sobrepostas de texto-para-vídeo e imagem-para-vídeo. O H3 diferencia-se sobretudo pelos pesos H3-Base disponibilizados, pelo design generalista de referência e edição, pelo pipeline 2K e pelo áudio estéreo nativo. A melhor escolha depende do movimento pretendido, do controlo por referência, do fluxo de trabalho de áudio, das necessidades de implementação e da disponibilidade atual do produto.