MiniMax 发布 MiniMax H3：全能多模态视频模型，可生成 15 秒 2K 片段并自带立体声

MiniMax发布了MiniMax H3，这是一款通用多模态生成模型，能够将文本、图像、视频和音频作为统一上下文进行读取，并返回带有原生立体声音频的视频，支持2K分辨率，时长从4秒到15秒（仅限整数）。与以往需要针对文本生成视频、图像生成视频等任务分别使用独立模型的体系不同，H3将这些功能整合到单一的预训练范式中，其中的关联关系以自然语言表达，例如引用视频中的镜头移动或将人声与音频匹配。该模型于2026年7月31日推出，可通过模型ID MiniMax-H3调用API，也可在消费级应用海螺AI中使用。它面向广告、品牌推广、电子商务、产品设计、UI/UX、游戏、电影预览和零售目录媒体等场景，应用包括广告变体、产品视频、动态海报和视频到视频的动作迁移。API支持三种输入模式——文本生成视频、首帧/末帧图像生成视频以及参考生成——输入限制包括最多9张参考图像、3个参考视频（每个2-15秒，总时长≤15秒）和3个参考音频片段（音频需要附带图像或视频）。混合输入上限为12个文件；提示词≤7000个字符；请求体≤64 MB；文件大小：视频≤50 MB，图像≤30 MB，音频≤15 MB。支持的格式包括H.264/H.265视频、JPG/PNG/WEBP/HEIC/HEIF图像以及WAV/MP3音频。其性能依赖于四个技术组件：上下文全方位表示（描述关系的字幕生成，将约10万个标记压缩至约4000个）、H3-VAE（一种分词器，有效序列长度提升4倍，支持原生2K）、H3-Omni Transformer（分离理解与生成工作负载，训练吞吐量提升约30%）以及上下文再生（基础模型在上下文中再生低分辨率输出，而非附加超分辨率）。定价声明称：在2K分辨率下，每秒价格低于主流模型的三分之一；在768p分辨率下，低于主流720p模型的一半。第三方追踪器报告价格为每秒0.13美元（每条15秒视频约1.95美元），但MiniMax的按需付费页面仍列出海螺2.3的层级。根据《南华早报》援引Artificial Analysis的数据，H3在视频编辑方面领先，在文本生成视频方面落后于谷歌的Gemini Omni Flash，在图像生成视频方面落后于Seedance 2.0和Gemini Omni Flash。开放权重承诺“在未来几天内”提供，但尚未发布。