MiniMax发布全模态生成模型H3：支持15秒2K音视频，价格不到主流三分之一

AI公司MiniMax今日正式发布通用全模态生成模型MiniMax H3。官方介绍称，这是首款实现文本、图像、视频、音频统一理解与生成的模型，打破了视频生成领域各任务、各模态相互割裂的局面。

据介绍，H3支持原生双声道音视频输出，最高可生成15秒2K分辨率内容。在前期邀测中，模型在指令遵循、品牌信息呈现、V2V动作迁移等场景下表现出商用级稳定性，可应用于广告、电商、游戏、UI设计等多个领域。

用户只需用自然语言描述复杂关系——例如“参考某段视频的希区柯克式镜头运动，让指定图片中的人物唱出某段音频的歌声”——模型即可自动完成全链路理解与生成。

技术层面，H3引入了Contextual Omni Representation（上下文全模态表示）技术，使自然语言成为连接各类模态的通用桥梁；配合自研的H3-VAE与In-context Regeneration技术，模型在2K分辨率下的每秒生成成本不到主流模型的1/3，768P分辨率下不到1/2。

定价与生态方面，MiniMax宣布将在未来几天内、在符合相关法律法规的前提下开源H3模型权重。这也是国产视频生成大模型首次面向社区开放权重，旨在推动开源生态建设并加速国产芯片适配——H3在设计初期就考虑了多款国产芯片的兼容性。

MiniMax方面表示，H3目前仍存在画面精细度和模型规模上的提升空间，后续将推进H系列与M系列模型能力的融合，并通过Scaling持续扩展模型上限。

业内分析认为，H3的发布与开源或将改变闭源模型长期主导视频生成领域的格局，为多模态AI的普惠化应用按下加速键。