MiniMax H3開放權重
多模態 AI 影片，配備原生立體聲音訊

MiniMax H3 係 MiniMax 推出嘅通用多模態 AI 影片生成模型。佢可以喺同一個上下文理解文字、圖片、影片同音訊，並生成最長 15 秒、2K 解像度嘅片段，同步輸出原生立體聲音訊。

MiniMax H3 係官方模型名稱。有啲用戶會搵 Hailuo 3.0 或 Hailuo H3，因為 Hailuo 係 MiniMax 面向消費者嘅影片產品；但喺 MiniMax 嘅發佈文章同官方模型倉庫入面，呢個模型都叫做 MiniMax H3。

MiniMax 已公開完整嘅 H3-Base weights，並將呢次發佈描述為 open source。不過更準確嚟講，H3 係一個 open-weight 模型，按 MiniMax H3 Community License 發佈，而唔係 Apache 2.0 或 MIT 呢類標準寬鬆授權。商業部署或再分發之前，請先查閱最新授權條款。

Hugging Face 上面官方嘅 MiniMaxAI MiniMax-H3 倉庫提供模型索引，以及 FL2VA 同 Ref2VA checkpoints。MiniMax 亦有文件說明點樣透過 Diffusers、SGLang、vLLM 同 ComfyUI 進行推理。模型檔案體積好大，所以本機部署需要相當強勁而且兼容嘅硬件。

官方本機 H3-Base 工作流程會驗證 768p 輸出。MiniMax 完整嘅 2K 工作流程，會將本機部署嘅 H3-Base 服務同官方 H3-Context-IR 及 H3-Regenerate-2K API 階段結合。因此，完全本機嘅 H3-Base 同「由 API 支援」嘅完整 2K 工作流程並唔相同。

會。H3 會同時預測影片同音訊，並解碼原生立體聲，包括人聲、環境聲、音效同音樂。MiniMax 係將呢啲音訊類型設計成一齊建模，而唔係拆開做唔同嘅生成系統。

H3 支援文字指示，並可加入參考圖片、影片同音訊。官方 checkpoints 覆蓋文字轉音訊影片（text-to-audio-video）、首幀／尾幀轉音訊影片（first-or-last-frame-to-audio-video），以及參考轉音訊影片（reference-to-audio-video）等工作流程；而更完整嘅系統亦支援用自然語言表達多模態參考同編輯關係。

描述主體、動作、鏡頭運動、鏡頭順序、燈光、視覺風格、對白、氛圍、音效、音樂，以及每個參考素材嘅角色。H3 係為咗理解各種輸入之間嘅關係而設，所以請講清楚你想由每張圖片、每段影片或每個音訊素材借用啲乜。

可以。MiniMax H3 已喺 VisionStory 嘅 AI 影片工具入面提供，並列其他電影級影片模型。H3 由 MiniMax 開發——VisionStory 提供嘅係圍繞佢嘅工作流程，而唔係模型本身。

MiniMax H3、ByteDance Seedance 同 Kuaishou Kling 都係多模態影片模型，喺文字轉影片同圖片轉影片方面有唔少重疊功能。H3 嘅主要差異在於已釋出嘅 H3-Base 權重、通用嘅參考＋編輯設計、2K 流水線，以及原生立體聲音訊。最啱用邊個，要視乎你想要嘅動作表現、參考控制程度、音訊工作流程、部署需求，同埋目前產品可用性。