MiniMax H3开放权重
原生立体声音频的多模态 AI 视频

MiniMax H3 是 MiniMax 推出的通用多模态 AI 视频生成模型。它能在同一上下文中理解文本、图片、视频与音频，并可生成最长 15 秒、2K 分辨率的片段，且原生立体声音频与画面同步。

MiniMax H3 是官方模型名称。有些用户会搜索 Hailuo 3.0 或 Hailuo H3，因为 Hailuo 是 MiniMax 的面向消费者的视频产品；但在 MiniMax 的发布文章与官方模型仓库中，该模型名称均为 MiniMax H3。

MiniMax 发布了完整的 H3-Base 权重，并将该发布称为开源。更准确地说，H3 属于开放权重模型，采用 MiniMax H3 Community License 分发，而非 Apache 2.0、MIT 等标准宽松许可证。在商业部署或二次分发前，请务必查看当前许可条款。

Hugging Face 上的官方 MiniMaxAI MiniMax-H3 仓库提供模型索引以及 FL2VA、Ref2VA checkpoints。MiniMax 也提供了通过 Diffusers、SGLang、vLLM 与 ComfyUI 进行推理的文档。由于模型文件较大，本地部署需要较高规格且兼容的硬件。

官方的本地 H3-Base 工作流验证的是 768p 输出。MiniMax 的完整 2K 工作流会将本地部署的 H3-Base 服务，与官方的 H3-Context-IR 与 H3-Regenerate-2K API 阶段结合使用。因此，“完全本地的 H3-Base”与“完整的 API 加持 2K 工作流”并不相同。

会。H3 会联合预测视频与音频，并解码原生立体声，包含人声、环境音、音效与音乐。MiniMax 的设计目标是让这些音频类型共同建模，而不是拆分到不同的生成系统中。

H3 支持文本指令，并可搭配参考图片、视频与音频。官方 checkpoints 覆盖文生音频视频、首帧/末帧生成音频视频、以及参考生成音频视频等工作流；更完整的系统还支持用自然语言表达多模态参考与编辑关系。

用自然语言描述主体、动作、运镜、镜头顺序、光线、视觉风格、对白、环境氛围、音效、音乐，以及每个参考素材的作用。H3 旨在理解不同输入之间的关系，因此请说明要从每张图片、视频或音频素材中分别借用什么。

可以。MiniMax H3 已在 VisionStory 的 AI 视频工具中上线，可与其他电影感视频模型一起使用。H3 由 MiniMax 开发——VisionStory 提供的是围绕它的工作流，而非模型本身。

MiniMax H3、ByteDance Seedance 与 Kuaishou Kling 都是多模态视频模型，在文生视频与图生视频能力上有一定重叠。H3 的差异化优势在于已发布的 H3-Base 权重、更通用的参考与编辑设计、2K 管线，以及原生立体声音频。最佳选择取决于你想要的运动表现、参考可控性、音频工作流、部署需求，以及当前产品的可用情况。