MiniMax H3, MiniMax tarafından geliştirilen genel amaçlı bir multimodal üretim modelidir. Metin, görsel, video ve ses üzerinden yaratıcı bağlamı kabul eder; bu girdiler arasındaki ilişkileri anlar ve senkronize yerel stereo sesle video üretir. MiniMax, 2K çözünürlükte 15 saniyeye kadar çıktı duyurdu ve H3’ü reklamcılık, markalaşma, e-ticaret, film, ürün tasarımı, UI, oyun ve diğer ticari yaratıcı işler için konumlandırdı.
Metinden videoya, görselden videoya, hareket referansı, özne referansı, ses ve düzenleme gibi ayrı modellere bölünmüş video sistemlerinin aksine H3, bu görevleri tek bir genel sistem içinde doğal dil talimatlarıyla ifade edecek şekilde tasarlanmıştır. Desteklediği iş akışları arasında metinden-sese-videoya, ilk-ve-son-kare üretimi, referanstan-sese-videoya, multimodal düzenleme, hareket aktarımı, yerel çok planlı modelleme ve ses, efekt ve müziğin birlikte üretilmesi bulunur.
MiniMax, H3-Base ağırlıklarını MiniMax H3 Community License altında yayımladı. Resmî model kartı; 33B dense H3-Omni Transformer’ı, H3 görsel ve ses VAE’lerini ve ilk-ya-da-son-kare ile referanstan-sese-videoya görevleri için ayrı checkpoint’leri tanımlar. Bu VisionStory sayfası bağımsız bir model profilidir: H3’ü MiniMax geliştirdi; VisionStory ise içerik üreticilerinin Yapay Zeka Video iş akışlarını keşfetmesine ve önde gelen video modellerini karşılaştırmasına yardımcı olur.
