MiniMax lanza MiniMax H3: modelo de vídeo omni-modal que genera clips 2K de 15 segundos con audio estéreo nativo

MiniMax ha lanzado MiniMax H3, un modelo de generación multimodal de propósito general que lee texto, imágenes, vídeo y audio como un contexto unificado y devuelve vídeo con audio estéreo nativo, con soporte para resolución 2K y duraciones de 4 a 15 segundos (solo enteros). A diferencia de las arquitecturas anteriores que requerían modelos separados para texto a vídeo, imagen a vídeo y otras tareas, H3 integra todo esto en un solo paradigma de preentrenamiento donde las relaciones se expresan en lenguaje natural, como hacer referencia al movimiento de cámara de un vídeo o igualar voces con audio. El modelo se lanzó el 31 de julio de 2026 y está disponible a través de la API con el ID de modelo MiniMax-H3 y en la aplicación de consumo Hailuo AI. Está orientado a publicidad, branding, comercio electrónico, diseño de productos, UI/UX, juegos, previsualización de películas y medios de catálogo minorista, con aplicaciones que incluyen variantes de anuncios, vídeos de productos, pósteres animados y transferencia de movimiento de vídeo a vídeo. La API admite tres modos de entrada: texto a vídeo, imagen a vídeo con primer o último fotograma, y generación con referencia, con límites de entrada que incluyen hasta 9 imágenes de referencia, 3 vídeos de referencia (de 2 a 15 segundos cada uno, ≤15 segundos en total) y 3 clips de audio de referencia (el audio requiere ir acompañado de imagen o vídeo). El límite de entrada mixta es de 12 archivos; las indicaciones (prompts) tienen un máximo de 7.000 caracteres; el cuerpo de la solicitud tiene un máximo de 64 MB; los tamaños de archivo son: vídeo ≤50 MB, imagen ≤30 MB y audio ≤15 MB. Los formatos incluyen vídeo H.264/H.265, imágenes JPG/PNG/WEBP/HEIC/HEIF y audio WAV/MP3. Cuatro componentes técnicos permiten su rendimiento: Representación Ómnica Contextual (un subtitulado que describe relaciones, destilando de ~100 mil tokens a ~4 mil), H3-VAE (un tokenizador con una ganancia efectiva de longitud de secuencia de 4× que permite 2K nativo), Transformador Ómnico H3 (separa las cargas de trabajo de comprensión y generación, aumentando el rendimiento del entrenamiento en ~30%) y Regeneración en Contexto (el modelo base regenera la salida de baja resolución en contexto en lugar de añadir superresolución). Afirmaciones de precios: en 2K, el precio por segundo es inferior a un tercio del de los modelos principales; en 768p, inferior a la mitad del precio de los modelos principales en 720p. Los rastreadores de terceros reportan $0,13 por segundo (~$1,95 por clip de 15 segundos), pero la página de pago por uso de MiniMax todavía muestra los niveles de Hailuo 2.3. Según el South China Morning Post (SCMP), citando a Artificial Analysis, H3 lidera en edición de vídeo, va por detrás de Gemini Omni Flash de Google en texto a vídeo, y se sitúa detrás de Seedance 2.0 y Gemini Omni Flash en imagen a vídeo. Se prometen pesos abiertos 'en los próximos días', pero aún no se han publicado.