MiniMax H3：能导、能配音、还能自我剪辑的神经网络
MiniMax 发布了 H3（又名海螺 3.0），这是一款多模态人工智能模型，能生成带同步音频的视频、依据参考视频执行剪辑操作，甚至支持绿幕移除。该模型已开源并提供许可证，权重可在 Hugging Face 上获取，通过应用程序接口（API）可支持高达 2K 分辨率。它旨在将文本、图像、视频和音频处理统一到单一上下文中。
MiniMax推出了H3，品牌名也叫Hailuo 3.0或Hailuo 03，这是一款多模态模型，能以24帧每秒的帧率生成4至15秒的视频，自带32千赫兹的原生立体声音频，通过API最高支持2K分辨率，自托管时则最高768p。该模型可同时接收多达9张参考图片、3段视频和3个音频文件，并能根据参考剪辑的节奏与风格来编辑视频。它还能去除绿幕并调整光照。其架构将源内容压缩为语言描述（将约10万个token缩减至4千个），采用重新设计的VAE分词器，使得有效序列长度提升四倍，并分别针对理解与生成进行独立计算。MiniMax于2026年8月2日至3日在Hugging Face上发布了该模型的权重，这距离2026年7月31日API上线已过去数日。演示视频展示了该模型处理复杂编辑、广告和流畅转场指令的能力，但在处理视频中的小字体文本方面仍显不足，这是生成式视频模型的常见短板。
来源: Habr — хаб ИИ —
原文