MiniMax H3開放權重
具原生立體聲音訊的多模態 AI 影片

MiniMax H3 是 MiniMax 推出的通用型多模態 AI 影片生成模型。它能在同一個情境中理解文字、圖片、影片與音訊，並生成最長 15 秒、2K 解析度的片段，同時輸出同步的原生立體聲音訊。

MiniMax H3 是官方模型名稱。有些人會搜尋 Hailuo 3.0 或 Hailuo H3，因為 Hailuo 是 MiniMax 的消費級影片產品；但 MiniMax 的發布文章與官方模型倉庫，皆將該模型稱為 MiniMax H3。

MiniMax 已釋出完整的 H3-Base 權重，並將此次發布描述為 open source。更精確地說，H3 屬於開放權重（open-weight）模型，採用 MiniMax H3 Community License 發布，而非 Apache 2.0 或 MIT 等標準寬鬆授權。進行商用部署或再散布前，請先確認當前授權條款。

Hugging Face 上的官方 MiniMaxAI MiniMax-H3 倉庫提供模型索引，以及 FL2VA 與 Ref2VA checkpoints。MiniMax 也提供透過 Diffusers、SGLang、vLLM 與 ComfyUI 進行推理的文件說明。模型檔案容量很大，因此本地部署需要相當程度、且相容的硬體資源。

官方的本地 H3-Base 工作流程是以 768p 輸出做驗證。MiniMax 的完整 2K 工作流程，會把本地部署的 H3-Base 服務，與官方的 H3-Context-IR 與 H3-Regenerate-2K API 階段結合。因此，「完全本地的 H3-Base」與「由 API 支援的完整 2K 工作流程」並不相同。

會。H3 會共同預測影片與音訊，並解碼原生立體聲音效，包含人聲、環境音、音效與音樂。MiniMax 的設計理念是讓這些音訊類型一起建模，而不是拆成彼此獨立的生成系統。

H3 支援文字指令，以及參考圖片、影片與音訊。官方 checkpoints 涵蓋文字轉影音（text-to-audio-video）、首/尾幀轉影音（first-or-last-frame-to-audio-video）與參考轉影音（reference-to-audio-video）等工作流程；而更完整的系統也支援以自然語言表達的多模態參考與剪輯關係。

用自然語言描述主體、動作、鏡頭運動、鏡頭順序、燈光、視覺風格、對白、環境氛圍、音效、音樂，以及每個參考素材扮演的角色。H3 的設計能理解各種輸入之間的關係，因此請說清楚你希望從每張圖片、影片或音訊素材中借用哪些元素。

可以。MiniMax H3 可透過 VisionStory 的 AI 影片工具使用，並與其他電影感影片模型並列。H3 由 MiniMax 開發——VisionStory 提供的是圍繞它的工作流程，而非底層模型本身。

MiniMax H3、ByteDance Seedance 與快手 Kling 都是多模態影片模型，在文字轉影片與圖片轉影片能力上有不少重疊。H3 的主要差異點在於已釋出的 H3-Base 權重、更通用的參考與編輯設計、2K 工作流程，以及原生立體聲音訊。最佳選擇取決於你想要的動作表現、參考控制程度、音訊工作流程、部署需求，以及目前產品的可用性。