模型介紹

MiniMax H3，讓畫面、聲音與動作統一生成

了解 MiniMax 開放式通用影片模型的多模態導演、原生立體聲音訊與最高 2K 輸出能力。

MiniMax H3 把文字、圖片、影片與音訊理解為同一個創作脈絡。它不再把畫面生成和聲音設計拆成兩套流程，而是根據混合參考素材生成影音同步的結果，讓人物、動作、鏡頭語言、對白、環境聲與節奏在一次創作中協同完成。

從混合參考素材到完整影音場景

01 · 理解

把文字、圖片、影片與音訊理解為同一組創作指令。

02 · 生成

生成影音同步的 768p 影片序列。

03 · 精煉

重新結合原始脈絡，把選中結果再生成至最高 2K。

把文字指令與圖片、影片、音訊參考組合使用。H3 可以理解其中的人物、環境、動作、運鏡、視覺風格、聲音、音效與剪輯節奏。

生成 4 至 15 秒、24 FPS 的影片，並原生輸出 32 kHz 立體聲音訊。對白、環境聲、音效與畫面在同一次生成中保持同步，不必分開製作後再拼接。

可以提供首幀、尾幀或同時提供兩者，明確鏡頭如何開始和結束。這讓圖生影片的構圖更可控，也有助於穩定完成畫面之間的過渡。

全模態參考版本最多支援 9 張圖片、3 段影片和 3 段音訊，混合素材總數不超過 12 份。不同素材可以分別承擔人物、動作、構圖、運鏡、風格、聲音與節奏等用途。

支援常見橫向、方形與直向畫幅，預設以短邊 768 像素生成；還可透過 H3-Regenerate-2K 獲得最高 2K 的高解析度結果。

H3 可穩定支援 11 種對白語言，包括中文、英文、日文與韓文，適合面向不同市場製作影音內容。

可以透過 MiniMax API 使用完整託管流程，也可以部署已開放的 BF16 H3-Base 權重，在本機完成 768p 的文字生成影音、首尾幀生成與多模態參考生成。

模型介紹

H3 使用對應的編碼器或 VAE 處理文字、視覺素材與音訊，再把它們組織成統一的多模態序列。空間與時間關係會一同進入單流 H3-Omni-Transformer，讓模型把畫面內容、動作與聲音理解為同一場景中彼此關聯的部分。

H3-Context-IR 是託管的理解與編排層。它會解析指令、建立跨媒介關聯、理解時間順序、推理不同參考素材之間的關係，再轉化為生成模型可接收的結構化表示；在不偏離原始意圖的前提下，也能補足不明確的語義。

H3-Base 負責生成 768p 影音序列。視覺與音訊使用不同的潛空間，但在同一套系統中聯合生成：VisualVAE 表達畫面細節與動作，AudioVAE 分別處理左右聲道，最後重新組合成原生立體聲輸出。

H3-Regenerate-2K 並非單純放大像素，而是把 768p 結果連同最初的創作脈絡再次交給 H3，以更高解析度重新生成。模型可以重新查看原始指令與參考素材，恢復更準確的人物、材質和環境細節。

H3-Base-FL2VA 支援文字生成影片，以及首幀、尾幀或首尾幀控制。H3-Base-Ref2VA 面向多模態參考，最多接收 9 張圖片、3 段影片與 3 段音訊。影片和音訊每段需為 2 至 15 秒，每類總時長不超過 15 秒，且音訊不能是唯一參考類型。

MiniMax 已開放完整 H3-Base 模型權重，包括 FL2VA 與 Ref2VA checkpoint，可供本機部署與進一步微調。初始版本暫不包含 H3-Context-IR、H3-Regenerate-2K 與原生稀疏注意力實作，因此完整官方 2K 流程仍需配合 MiniMax 服務。

H3 適合電影感鏡頭、產品短片、多語言人物場景、音樂驅動畫面、廣告多版本、分鏡動態預演與參考驅動變體。創作者可把不同素材分別指定為人物、動作、鏡頭、聲音或節奏依據，再收束成完整的影音場景。