MiniMax 发布全模态模型 H3：自带立体声 2K 视频，权重即将开源

做过 AI 视频创作的人都知道，过去的工作流有多碎：先用文生图模型刷分镜，再挑图扔进图生视频模型碰运气，最后还要找专门的音频模型配背景乐和音效。一旦想让角色卡着节拍换个运镜，整套流程基本就得推倒重来。

MiniMax 正式推出了通用全模态模型 H3。这家之前打造了海螺 AI（Hailuo）的公司，这次试图把所有被拆碎的工序打包装进同一个模型里。更抓人眼球的是，在闭源商业模型长期盘踞的高清视频赛道，MiniMax 宣布将在未来几天把 H3 的模型权重完全开源。

4 种模态揉进同一句指令

H3 最直接的能力，是能同时理解文本、图像、视频和音频，并直接输出带原生立体声、最高 2K 分辨率、最长 15 秒的视频。

以前做视频生成，行业里塞满了各种各样的「专项专家模型」：图生视频、文生视频、首尾帧控制、主体参考、动作迁移全部分家。H3 则走了一条彻底通用的路线，把这些关系全部交给语言去调度。

比如你可以给它一段复杂的跨模态指令：「参考视频 1 的希区柯克式运镜，让图 2 的人物开口唱歌，人声还要对齐音频 3 的音轨」。模型自己会理解这几份素材之间的逻辑关联。

在海外博主的实际测试里，无论是给两张图片让它拼出一段预告片，还是输入一段绿幕素材与指定背景合成，H3 都能准确跟牢提示。甚至扔给它一段开源工具生成的音乐和一张韩团照片，它也能剪出一支在 3 秒节奏点内精准硬切卡点的 MV。

架构做减法，2K 画面自己修

为了把这些复杂任务塞进一个体系，MiniMax 在工程上做了不少调整。

首先是理解流程。面对输入的多模态材料，H3 会通过专用的全模态理解管道，把大约 10 万 token 的推理压缩到 4000 token 左右，以此建立全局上下文表征。

其次是架构设计。MiniMax 放弃了上一代 Hailuo 02 的一些设计，改用专为通用化设计的 H3-Omni Transformer。他们在训练时把理解和生成的计算负载拆分开，硬件利用率优化后，端到端的训练吞吐提升了近 30%。

很有意思的一点是画质生成机制。以往做 2K 视频，通常是在生成低清视频后再套一层单独的超分辨率模块。但这种超分算法往往是靠「猜」来脑补细节，遇到小字和品牌标志很容易露馅。

H3 采用了上下文内再生成（In-Context Regeneration），直接让基座模型调用最初的完整多模态上下文，重新生成高分辨率画面。这样不仅复用了基座模型的生成能力，还能把原始素材里的微小文字和细节准确还原出来。

在成本上，MiniMax 宣称其 2K 视频每秒生成价格不足主流模型的三分之一。据博主实测，在官方平台生成一段 10 秒视频大约消耗 120 积分，折合 1.2 美元，价格比字节跳动的同类方案便宜将近三倍。

为什么重要

对创作者和中小团队来说，H3 是视频生成领域极具冲击力的一次突破。长久以来，高画质、带音效且遵循度高的视频模型基本被商业闭源平台垄断。一旦 H3 的权重如约开源，开发者和工作室就能在私有算力上自由微调，把广告展示、电商产品设计和动态海报的生产管线真正本地化，而不需要受制于外部 API 的配额和审核。

对行业而言，MiniMax 这一招直接把竞争维度从「画质卷不卷」拉到了「全模态架构统一度」上。把视觉、文本和立体声音频统一在一个模型里原生生成，不仅大幅降低了拼接工具链的工程复杂度，也会倒逼还在用拼接方案的对手加速底层架构的重构。

我们认为，MiniMax 这一步走得相当清醒：用自然语言作为全模态互动的桥梁，远比给每个任务搭积木更具备扩展性。不过全模态联合训练在工程和算力上的要求极其严苛，MiniMax 自己也提到模型在复杂场景的视觉细节上依然有局限。接下来最关键的看点，就在于即将放出的权重到底能在开源硬件生态上适配到什么程度，这才是决定它能否真正颠覆闭源护城河的核心检验。