MiniMax-H3 视频生成模型登陆 Apple Silicon：MLX 移植版实测，115GB 模型本地跑通

一句话看懂

MiniMax 发布全模态生成系统 MiniMax-H3，支持文本、图像、音频和视频输入，可生成带音频的 15 秒视频；开发者 PipeNetwork 将其移植到 MLX，让 Apple Silicon 用户本地运行。

详细发生了什么

MiniMax 两天前在 Hugging Face 上发布了 MiniMax-H3，官方称其为“通用全模态生成系统”。实际能力是接受文本、图像、音频和视频输入，并生成最长 15 秒、包含音频的视频片段。

开发者 PipeNetwork 发布了一个 Python 包，将 MiniMax-H3 移植到 MLX 框架，专门用于 Apple Silicon 芯片。Simon Willison 在 M5 Max MacBook Pro 上实测，克隆仓库后通过命令行运行。他下载了约 115 GB 的模型文件，生成一个视频片段耗时不到 45 分钟。

测试提示词为“一只彩虹色的臭鼬在超市里跳过一根长满苔藓的原木”，生成的视频效果令人印象深刻，但因为没有提供音频提示，生成的音频是类似语音的乱码。Simon 表示视频本身质量不错，但音频部分需要进一步优化。

整个流程依赖 Hugging Face 下载模型，使用 uv 工具管理依赖，命令相对简单，但需要足够的磁盘空间和耐心。

中文圈视角

对中文用户来说，这个 MLX 移植版有几个关键点值得关注。

首先，MiniMax-H3 是国产模型，但 Hugging Face 在国内访问不稳定，下载 115 GB 模型需要梯子或镜像站。如果网络条件不允许，可以考虑使用 ModelScope（魔搭）上的替代版本，不过目前尚未看到官方或第三方上传。

其次，Apple Silicon 用户（M 系列芯片）可以直接本地运行，无需 GPU 服务器，这对个人创作者和中小团队是巨大便利。但 115 GB 的模型体积和 45 分钟的单次生成时间，意味着它更适合离线批量处理，而不是实时交互。

对比国产同类产品，如可灵、即梦等云端视频生成服务，MiniMax-H3 的优势是本地部署、数据不出域，适合对隐私敏感的场景（如商业项目、医疗内容）。但劣势是硬件门槛高，普通用户可能更倾向使用云端 API。

另外，中文提示词的支持情况尚未明确，建议英文提示词为主。如果后续社区推出中文优化版本，可能会更贴近国内用户需求。

几条值得记住的细节

MiniMax-H3 支持文本、图像、音频、视频输入，输出最长 15 秒带音频的视频。
MLX 移植版由 PipeNetwork 开发，专为 Apple Silicon 优化，M 系列芯片均可尝试。
模型文件约 115 GB，生成一个视频耗时约 45 分钟（M5 Max 实测）。
运行命令依赖 uv 和 Hugging Face，需要预先下载两个模型仓库。
音频生成质量目前不稳定，无音频提示时可能产生语音式乱码。

一句话总结

MiniMax-H3 的 MLX 移植让 Apple 用户本地跑视频生成，但 115GB 体积和 45 分钟耗时，更适合有硬件储备的创作者尝鲜。