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，同时输出音画同步的原生立体声音频。

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 的发布公告与官方模型仓库中，该模型的名称是 MiniMax H3。

MiniMax 发布了完整的 H3-Base 权重，并将该发布描述为开源。更准确地说，H3 属于开放权重模型，采用 MiniMax H3 Community License 分发，而不是 Apache 2.0 或 MIT 等常见宽松许可。在进行商业部署或再分发前，请先查阅当前许可条款。

Hugging Face 上的官方 MiniMaxAI MiniMax-H3 仓库提供模型索引，以及 FL2VA 与 Ref2VA checkpoints。MiniMax 也提供通过 Diffusers、SGLang、vLLM 和 ComfyUI 进行推理的文档。由于模型文件体积较大，本地部署需要性能充足且兼容的硬件。

官方的本地 H3-Base 工作流用于验证 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 及 H3-Regenerate-2K API 阶段组合使用。因此，完全本地的 H3-Base 与依赖 API 的完整 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，包括人声、环境音、音效与音乐。MiniMax 设计这些音频类型时，就让它们在同一个模型中一起建模，而不是拆分成不同的生成系统。

H3 支持文本指令，以及参考图片、视频与音频。官方 checkpoints 覆盖文本转音频视频、首帧或尾帧转音频视频，以及参考素材转音频视频等工作流；更完整的系统还支持用自然语言表达的多模态参考与编辑关系。

用自然语言描述主体、动作、镜头运动、镜头顺序、灯光、视觉风格、对话、环境氛围、音效、音乐，以及每个参考素材的作用。H3 专为理解各类输入之间的关系而设计，因此请说明你希望从每张图片、每段视频或音频素材中“借用”什么。

可以。MiniMax H3 已在 VisionStory 的 AI 视频工具中上线，可与其他电影级视频模型一起使用。H3 由 MiniMax 开发——VisionStory 提供的是围绕它的工作流，而不是底层模型本身。

MiniMax H3、ByteDance Seedance 和 Kuaishou Kling 都是多模态视频模型，在文本转视频与图片转视频能力上有不少重叠。H3 的差异化优势主要在于已发布的 H3-Base 权重、更通用的“参考 + 编辑”设计、2K 生成管线，以及原生立体声音频。最适合你的选择取决于你想要的动作效果、参考控制力度、音频工作流、部署需求，以及当前产品可用性。