MiniMax H3发布：统一多模态视频生成模型，支持2K分辨率与原生立体声，API已上线

一句话看懂

MiniMax发布H3，一个统一的多模态视频生成模型，能根据文本、图像、视频和音频的混合输入生成2K分辨率、4-15秒的带原生立体声视频，API已上线。

详细发生了什么

MiniMax于2026年7月31日发布MiniMax H3，定位为通用多模态生成模型，而非简单的文生视频模型。H3将文本、图像、视频和音频视为统一上下文，直接输出带原生立体声的视频。规格包括：2K输出、时长4-15秒（仅整数秒）。

与以往将文生视频、图生视频、首尾帧、主体参考、运动参考、视频编辑等拆分为多个专家模型的做法不同，H3将这些功能整合到一个预训练范式中，通过自然语言表达参考和编辑关系。例如，提示词可以这样写：“参考视频1的运镜，让图2中的角色唱歌，匹配音频3的人声”。

H3已通过API（模型ID：MiniMax-H3）和消费级应用Hailuo AI上线。API提供三种入口模式：文生视频、首/尾帧图生视频、参考生成。流程为异步三步：创建任务、轮询task_id、下载content.url。输入限制：参考图最多9张，参考视频最多3段（每段2-15秒，总长≤15秒），参考音频最多3段（需搭配图像或视频），混合输入总文件数≤12个。提示词≤7000字符，请求体≤64MB，建议大文件用URL输入。文件大小：视频≤50MB，图像≤30MB，音频≤15MB。格式：H.264/H.265视频，JPG/PNG/WEBP/HEIC/HEIF图像，WAV/MP3音频。

技术核心包括：

Contextual Omni Representation：重写captioning，描述上下文与目标视频的关系，而非仅描述目标，平均将约100K token的推理压缩至约4K token。
H3-VAE：全新tokenizer，高压缩比带来4倍有效序列长度增益，降低训练和推理成本，是实现原生2K的关键。
H3-Omni Transformer：放弃Hailuo-02架构，分离理解与生成任务，分别优化硬件利用率，端到端训练吞吐量提升近30%。
In-Context Regeneration：基础模型在上下文中重新生成低分辨率输出，而非外挂超分模块，从而恢复小文字和细节。

价格方面，MiniMax声称2K下每秒价格低于主流模型三分之一，768p下低于主流720p一半。第三方数据显示2K按量付费约$0.13/秒，15秒片段约$1.95，但官方页面当时仅显示Hailuo 2.3档位。据SCMP引用Artificial Analysis，H3在视频编辑上领先，但在文生视频上落后于Google Gemini Omni Flash，在图生视频上落后于Seedance 2.0和Gemini Omni Flash。

中文圈视角

对中文用户来说，MiniMax H3的发布有几个值得关注的要点：

可用性与平替：H3已通过API和Hailuo AI应用上线，国内用户可直接访问，无需梯子。相比Sora等海外模型，MiniMax作为中国公司，服务更稳定，且支持中文提示词，对中文内容生成更友好。国产同类产品如可灵、Vidu等也在视频生成领域发力，但H3的多模态统一输入和原生立体声是差异化优势。
价格优势：H3的定价低于主流模型，对国内中小企业和个人开发者是利好。例如，生成一个15秒2K视频约$1.95，相比其他模型动辄数美元的成本，能显著降低内容创作门槛。
应用场景：对电商、广告、游戏等行业，H3能快速生成产品视频、动画海报、角色一致的过场动画等，提升效率。中文用户尤其关注其在中文文字渲染上的表现，H3的In-Context Regeneration技术有望改善小字和品牌标识的清晰度。
开源承诺：MiniMax承诺“未来几天”开源权重，但尚未兑现。若开源，国内开发者可本地部署，避免数据出境问题，但需关注合规要求。

几条值得记住的细节

H3支持2K分辨率，时长4-15秒，仅整数秒，输出带原生立体声。
API输入限制：参考图≤9张，参考视频≤3段（总长≤15秒），参考音频≤3段（需配图或视频），混合总文件≤12个。
提示词≤7000字符，请求体≤64MB，建议大文件用URL输入。
H3-VAE带来4倍有效序列长度增益，是原生2K经济可行的关键。
第三方价格：2K按量付费约$0.13/秒，15秒约$1.95，但官方页面未列出，需以实际为准。

一句话总结

MiniMax H3让中文用户以更低成本生成高质量多模态视频，API已可用，值得立即尝试。