MiniMax 发布全能多模态生成模型 MiniMax-H3，支持原生立体声与音画同步生成

MiniMax 在 Hugging Face 官方模型库发布全新模型 MiniMax-H3，模型卡将其定位为“通用全能多模态生成系统”。这是该公司在开源生态的又一次官方更新，模型以 image-text-to-video 管线接入 diffusers 库，开发者可直接通过 DiffusionPipeline 加载使用。

与常见的单一文生视频模型不同，H3 支持对文本、图像、视频与音频组合的多模态上下文进行统一理解，并在此基础上生成带原生立体声音频的视频。模型卡显示，其输出时长 4 至 15 秒、默认短边 768 像素、帧率 24 FPS，音频为 32kHz 立体声，2K 生成可通过专门的 H3-Regenerate-2K 变体实现。

输入输出规格覆盖了完整的视频工作流：既支持文生视频、图生视频，也支持视频生视频，还支持文本、图像、视频或音频到音视频的联合生成，并标注了音画同步生成能力。对话语言方面，模型对中文、英文、日文、韩文、阿拉伯文等 11 种语言提供稳定支持。

模型提供 H3-Base、H3-Context-IR、H3-Regenerate-2K 等变体，分别对应基础生成、长上下文理解与 2K 高清再生等场景。许可采用 minimax-h3-community-license-agreement 社区许可协议，属于开放权重发布。

从发布状态看，模型卡显示下载量仍为 0、已收获 148 次点赞，说明该模型刚刚上线，属于当天的官方注册表更新。其标签体系覆盖了 text-to-video、image-to-video、video-to-video 以及 text-to-audio-video、image-to-audio-video 等完整能力集。

值得关注的是，H3 把“原生立体声”直接做进了生成管线，这意味着视频与音频可以在同一模型内同步生成，而不是像常见做法那样先出画面再后期配音。对开源社区而言，这类音画一体的全能视频模型仍属稀缺，实际生成质量与 2K 再生流程的效果将是接下来的观察重点。

后续看点包括：社区基于 diffusers 的复现与微调进展、H3 系列在长视频与多语言场景下的表现，以及 MiniMax 是否会进一步开放更大规模的权重与在线 API。