MiniMax 開源 FastH3 v1：13 秒出 15 秒影片

FastH3 v1 是一個開源權重的音影片聯合生成模型，它能讓你用文本在極短時間內直接生成帶音訊的影片。它的主打賣點就是一個字：快。在 8 張輝達 B200 GPU 上，它生成一段 15 秒、768p 解析度的影片只需要不到 13 秒，在單張輝達 Blackwell 架構 GPU 上最高可以實現 14 倍的推理加速。

這個專案由 Hao AI Lab 與 MiniMax 聯合推出，合作方還包括 NuvaLab 以及輝達的 FastGen 和企業產品團隊。專案基於 MiniMax 此前公開的 H3-Base 基礎模型蒸餾而來，耗費了超過 1000 個 B200 GPU 訓練小時。更方便的是，你不需要為不同畫幅切換不同的模型檔案，單個檢查點就原生支援不同解析度、不同長寬比和不同影片時長。

它是怎麼做到這麼快的

FastH3 提速的核心在於蒸餾和稀疏注意力機制。團隊推薦使用的 FastH3 Preview v1 檢查點採用了 4 步無資料蒸餾方案。所謂無資料蒸餾，就是訓練時只輸入提示詞，不需要預先準備成對的目標影片。

同時，它搭配了 90% 稀疏度的影片稀疏注意力機制，也就是 FastVideo 的 VSA-H3 後端和自定義運算元。普通模型生成每一幀畫面都要在所有畫素之間算一遍注意力，而 VSA 把它做了稀疏化切塊，大幅減少了計算量。模型還直接複用了 H3-Base 原本的文本編碼器、影片 VAE、音訊 VAE、分詞器和排程器，只對核心的 Transformer 主幹進行蒸餾。

在解析度和畫幅上，它不侷限於 1344×768 這種標準尺寸。無論是正方形、豎屏、橫屏還是超寬屏，只要高和寬是 32 的倍數，FastVideo 的推理程式碼都能直接接受。

開放程度與目前限制

在開放性上，團隊已經公開了完整的模型權重、預先提取的 LoRA 權重，以及密集的消融版本和基於合成數據的對照檢查點。推理程式碼現已開源，訓練程式碼也將在不久後放出。

不過目前版本也有明確的侷限。當前的 Preview v1 僅支援純文本生成音影片，也就是 T2VA 任務。H3 原版支援的首尾幀控影片生成（FL2VA）以及參考圖生成（Ref2VA），在這個學生模型裡還沒完成適配。團隊表示針對首尾幀和參考圖的檢查點會在未來幾週內陸續更新。

硬體方面，模型報告的極限效能需要依賴輝達 Blackwell GPU 和專屬的 VSA 核心，普通密集註意力機制無法直接平替。團隊後續還計劃推出 NVFP4 量化支援、視訊記憶體最佳化，以及針對 RTX 顯示卡、DGX Sparks 和蘋果 Apple MLX 的本地適配。

如果你想嘗試，可以通過 FastVideo 官方倉庫獲取完整的權重檔案和推理程式碼進行本地部署。

為什麼重要

我們認為，FastH3 標誌著開源影片模型從「能不能跑」跨入到了「能不能在工業管線裡實用」的新階段。此前開源影片生成雖然百花齊放，但動輒幾分鐘的生成延遲讓它很難真正接入商業業務。

現在團隊聯合晶片原廠，直接用後訓練把生成速度壓到了比播放時長還短的亞即時水平。如果你需要搭建高吞吐的影片生成服務，或者開發需要快速出圖反饋的創作工具，現在就非常值得把 FastH3 跑起來摸摸底。唯一的門檻是當下要完全發揮它的算力極限仍需要高階硬體，普通開發者或許還需要等待隨後的量化與消費級顯示卡適配。