MiniMax 开源 FastH3 v1：13 秒出 15 秒视频

FastH3 v1 是一个开源权重的音视频联合生成模型，它能让你用文本在极短时间内直接生成带音频的视频。它的主打卖点就是一个字：快。在 8 张英伟达 B200 GPU 上，它生成一段 15 秒、768p 分辨率的视频只需要不到 13 秒，在单张英伟达 Blackwell 架构 GPU 上最高可以实现 14 倍的推理加速。

这个项目由 Hao AI Lab 与 MiniMax 联合推出，合作方还包括 NuvaLab 以及英伟达的 FastGen 和企业产品团队。项目基于 MiniMax 此前公开的 H3-Base 基础模型蒸馏而来，耗费了超过 1000 个 B200 GPU 训练小时。更方便的是，你不需要为不同画幅切换不同的模型文件，单个检查点就原生支持不同分辨率、不同长宽比和不同视频时长。

它是怎么做到这么快的

FastH3 提速的核心在于蒸馏和稀疏注意力机制。团队推荐使用的 FastH3 Preview v1 检查点采用了 4 步无数据蒸馏方案。所谓无数据蒸馏，就是训练时只输入提示词，不需要预先准备成对的目标视频。

同时，它搭配了 90% 稀疏度的视频稀疏注意力机制，也就是 FastVideo 的 VSA-H3 后端和自定义算子。普通模型生成每一帧画面都要在所有像素之间算一遍注意力，而 VSA 把它做了稀疏化切块，大幅减少了计算量。模型还直接复用了 H3-Base 原本的文本编码器、视频 VAE、音频 VAE、分词器和调度器，只对核心的 Transformer 主干进行蒸馏。

在分辨率和画幅上，它不局限于 1344×768 这种标准尺寸。无论是正方形、竖屏、横屏还是超宽屏，只要高和宽是 32 的倍数，FastVideo 的推理代码都能直接接受。

开放程度与目前限制

在开放性上，团队已经公开了完整的模型权重、预先提取的 LoRA 权重，以及密集的消融版本和基于合成数据的对照检查点。推理代码现已开源，训练代码也将在不久后放出。

不过目前版本也有明确的局限。当前的 Preview v1 仅支持纯文本生成音视频，也就是 T2VA 任务。H3 原版支持的首尾帧控视频生成（FL2VA）以及参考图生成（Ref2VA），在这个学生模型里还没完成适配。团队表示针对首尾帧和参考图的检查点会在未来几周内陆续更新。

硬件方面，模型报告的极限性能需要依赖英伟达 Blackwell GPU 和专属的 VSA 内核，普通密集注意力机制无法直接平替。团队后续还计划推出 NVFP4 量化支持、显存优化，以及针对 RTX 显卡、DGX Sparks 和苹果 Apple MLX 的本地适配。

如果你想尝试，可以通过 FastVideo 官方仓库获取完整的权重文件和推理代码进行本地部署。

为什么重要

我们认为，FastH3 标志着开源视频模型从「能不能跑」跨入到了「能不能在工业管线里实用」的新阶段。此前开源视频生成虽然百花齐放，但动辄几分钟的生成延迟让它很难真正接入商业业务。

现在团队联合芯片原厂，直接用后训练把生成速度压到了比播放时长还短的亚实时水平。如果你需要搭建高吞吐的视频生成服务，或者开发需要快速出图反馈的创作工具，现在就非常值得把 FastH3 跑起来摸摸底。唯一的门槛是当下要完全发挥它的算力极限仍需要高端硬件，普通开发者或许还需要等待随后的量化与消费级显卡适配。