MiniMax Merilis MiniMax H3: Model Video Omni-Modal yang Menghasilkan Klip 2K Selama 15 Detik dengan Audio Stereo Asli

MiniMax merilis MiniMax H3, model generasi multimodal serbaguna yang membaca teks, gambar, video, dan audio sebagai konteks terpadu dan mengembalikan video dengan audio stereo asli, mendukung resolusi 2K, durasi 4 hingga 15 detik (hanya bilangan bulat). Tidak seperti tumpukan teknologi sebelumnya yang memerlukan model terpisah untuk teks-ke-video, gambar-ke-video, dan tugas lainnya, H3 menggabungkan semuanya ke dalam satu paradigma pra-pelatihan di mana hubungan diekspresikan dalam bahasa alami, seperti merujuk pada pergerakan kamera dari video atau mencocokkan vokal dengan audio. Model ini diluncurkan pada 31 Juli 2026, tersedia melalui API dengan ID model MiniMax-H3 dan di aplikasi konsumen Hailuo AI. Model ini diposisikan untuk periklanan, branding, e-commerce, desain produk, UI/UX, game, pra-visualisasi film, dan media katalog ritel, dengan aplikasi termasuk varian iklan, video produk, poster animasi, dan transfer gerakan video-ke-video. API mendukung tiga mode entri: teks-ke-video, gambar-ke-video bingkai pertama/terakhir, dan generasi referensi, dengan batasan input termasuk hingga 9 gambar referensi, 3 video referensi (masing-masing 2-15 detik, total ≤15 detik), dan 3 klip audio referensi (audio memerlukan gambar/video pendamping). Batas input campuran maksimal 12 file; prompt ≤7.000 karakter; ukuran body permintaan ≤64 MB; ukuran file: video ≤50 MB, gambar ≤30 MB, audio ≤15 MB. Format termasuk video H.264/H.265, gambar JPG/PNG/WEBP/HEIC/HEIF, dan audio WAV/MP3. Empat komponen teknis memungkinkan kinerjanya: Representasi Omni Kontekstual (keterangan yang menjelaskan hubungan, menyuling ~100K token menjadi ~4K), H3-VAE (tokenizer dengan peningkatan panjang urutan efektif 4× memungkinkan 2K asli), Transformer Omni H3 (memisahkan beban kerja pemahaman dan generasi, meningkatkan throughput pelatihan ~30%), dan Regenerasi Dalam-Konteks (model dasar meregenerasi output resolusi rendah dalam konteks, bukan menambahkan super-resolusi). Klaim harga: pada 2K, harga per detik di bawah sepertiga model arus utama; pada 768p, di bawah setengah 720p arus utama. Pelacak pihak ketiga melaporkan $0,13 per detik (~$1,95 per klip 15 detik), tetapi halaman bayar-per-pakai MiniMax masih mencantumkan tingkat Hailuo 2.3. Menurut SCMP yang mengutip Artificial Analysis, H3 memimpin dalam penyuntingan video, tertinggal dari Gemini Omni Flash milik Google dalam teks-ke-video, dan berada di belakang Seedance 2.0 dan Gemini Omni Flash dalam gambar-ke-video. Bobot terbuka dijanjikan 'dalam beberapa hari mendatang' tetapi belum dirilis.