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. Ele entende texto, imagens, vídeo e áudio em um único contexto e pode gerar clipes de até 15 segundos em resolução 2K, com áudio estéreo nativo sincronizado.

MiniMax H3 é o nome oficial do modelo. Alguns usuários pesquisam por Hailuo 3.0 ou Hailuo H3 porque o Hailuo é o produto de vídeo voltado ao consumidor da MiniMax, mas o post de lançamento da MiniMax e o repositório oficial de modelos chamam o modelo de 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 open weight distribuído sob a MiniMax H3 Community License, e não sob uma licença permissiva padrão como Apache 2.0 ou MIT. Revise a licença atual antes de fazer implantação comercial ou redistribuição.

O repositório oficial MiniMaxAI MiniMax-H3 no Hugging Face oferece o índice do modelo e os checkpoints FL2VA e Ref2VA. A MiniMax também documenta a inferência via Diffusers, SGLang, vLLM e ComfyUI. Os arquivos do modelo são grandes, então a implantação local exige hardware compatível e robusto.

O fluxo local oficial do H3-Base valida saída em 768p. Já o fluxo completo em 2K da MiniMax combina um serviço H3-Base implantado localmente com as etapas de API oficiais H3-Context-IR e H3-Regenerate-2K. Portanto, o H3-Base totalmente local e o fluxo completo em 2K com APIs não são idênticos.

Sim. O H3 prevê vídeo e áudio em conjunto e decodifica som estéreo nativo, incluindo voz, ambiência, efeitos e música. A MiniMax projetou esses tipos de áudio para serem modelados em conjunto, em vez de separá-los em sistemas de geração distintos.

O H3 suporta instruções em texto, além de imagens, vídeos e áudio como referência. Os checkpoints oficiais cobrem fluxos de trabalho de text-to-audio-video, first-or-last-frame-to-audio-video e reference-to-audio-video, enquanto o sistema mais amplo suporta relações de referência multimodal e edição descritas em linguagem natural.

Descreva o assunto, a ação, o movimento de câmera, a sequência de tomadas, a iluminação, o estilo visual, os diálogos, a ambiência, os efeitos sonoros, a música e o papel de cada referência. O H3 foi projetado para entender as relações entre as entradas, então explique o que deve ser aproveitado de cada imagem, vídeo ou arquivo de áudio.

Sim. O MiniMax H3 está disponível nas ferramentas de Vídeo com IA do VisionStory, junto com outros modelos de vídeo cinematográfico. A MiniMax criou o H3 — o VisionStory fornece o fluxo de trabalho em torno dele, não o modelo em si.

MiniMax H3, Seedance da ByteDance e Kling da Kuaishou são modelos de vídeo multimodais com capacidades sobrepostas de texto para vídeo e imagem para vídeo. O H3 se diferencia especialmente pelos pesos H3-Base liberados, pelo design generalizado de referência e edição, pelo pipeline em 2K e pelo áudio estéreo nativo. A melhor escolha depende do movimento desejado, do nível de controle por referência, do fluxo de trabalho de áudio, das necessidades de implantação e da disponibilidade atual do produto.