MiniMax H3 AI 视频生成器 - 全模态参考、原生双声道与 2K 成片
MiniMax H3 是 MiniMax 于 2026 年 7 月 31 日发布的全模态视频模型。它把文本、图像、视频和声音放进同一次理解，直接输出带原生双声道的成片，单次 4–15 秒、24 帧，分辨率覆盖 768P 和 2K（短边 1440）。指令遵循、画面文字与品牌信息、视频到视频的动作迁移，是它在广告、品牌、电商、产品设计、界面演示和游戏里比较稳的地方。
适用场景：品牌大片 | 广告电商 | 游戏与界面演示 | 动态海报 | 多语种短片 | 角色与镜头参考
立即免费体验 MiniMax H3 · MiniMax H3 Max 480P 最低每秒 7 VA 币（相当于 7 美分），注册即送 32 VA 币
MiniMax H3 核心能力
🎬 一次读懂图片、视频和声音
真实创作很少只有一句画面描述。MiniMax H3 允许同时放进图片、视频和音频，再用自然语言说明它们和成片的关系。下面这个镜头的提示词是：参考视频 1 的希区柯克镜头运动，让图 2 中的人物唱歌，歌声参考音频 3。
视频 1，用作运镜参考：
图 2，用作人物参考：
生成结果：
🖼️ 768P 与 2K，2K 不是外挂超分
768P 已开放。宽高比落在 16:9 到 9:16 之间时，短边为 768 像素；更宽或更高的比例按大约 100 万像素输出，例如 21:9 为 1536×672。这一档的结果可以升级到 1440P。
官方推荐档是 2K，短边 1440。同样，16:9 到 9:16 之间走短边 1440；21:9 则为 2976×1248，总面积约 370 万像素。2K 不是另接一个超分模块，而是用 H3 自己对低分辨率结果做 In-context Regeneration，把原来的多模态上下文再送回去，小字和细节更不容易靠猜测补出来。
🔊 每次都带原生双声道
人声、音效和音乐在同一次生成里完成，输出是原生双声道，不是先出无声画面再单独配音。提示词里可以把台词原文、音效和是否需要背景音乐写清楚。不想要配乐时，在末尾写明不要额外添加背景音乐。
🎛️ 文生视频、首尾帧、全能参考
三条入口覆盖常见用法，对应 API 里的 FL2VA 与 Ref2VA。
| 入口 | 适合 | 输入 |
|---|---|---|
| 文生视频 | 没有参考素材，从文字建立主体、场景和动作 | 不上传文件。提示词需要写清外观、场景、动作和风格 |
| 首尾帧 | 锁定开头或结尾画面 | 0、1 或 2 张图。宽高 256–5760，宽高比在 5:2 到 2:5 之间。两张图时，模型补中间的动作、光影和声音，不自动加切镜 |
| 全能参考 | 同时锁定人物、物体、动作、运镜、音色或做视频编辑 | 图片不超过 9 张，视频不超过 3 段，音频不超过 3 段，合计不超过 12 个文件。音频必须搭配图片或视频 |
文生视频和全能参考可选的成片比例为 21:9、16:9、4:3、1:1、3:4、9:16。全能参考还可以选自动，由模型判断比例。首尾帧成片跟随输入图片的原始比例。
单段参考视频或音频为 2–15 秒，视频总时长、音频总时长各自不超过 15 秒。视频编码支持 H.264 / H.265，片内音频支持 AAC、MP3。图片支持 JPG、JPEG、PNG、WebP、HEIC、HEIF。独立音频支持 WAV、MP3。单个视频不超过 50MB，单张图片不超过 30MB，单段音频不超过 15MB。提示词不超过 7000 字。
台词朗读对中文、英语、日语、韩语、法语、德语、西班牙语等 11 种语言更稳，阿拉伯语、泰语、印尼语、印地语等更多语言可以继续试。适合海外广告、跨语言短片和本地化产品介绍。
MiniMax H3 规格
| 项目 | MiniMax H3 |
|---|---|
| 发布 | 2026 年 7 月 31 日，MiniMax |
| 单次时长 | 4–15 秒 |
| 帧率 | 24 FPS |
| 分辨率 | 768P；可升级到 2K（短边 1440） |
| 声音 | 全部结果原生双声道 |
| 成片比例 | 21:9、16:9、4:3、1:1、3:4、9:16；全能参考可自动 |
| 全能参考上限 | 9 张图片 + 3 段视频 + 3 段音频，合计不超过 12 个文件 |
| 提示词 | 不超过 7000 字 |
MiniMax H3 Max
MiniMax H3 Max 是在 MiniMax H3（海螺 3）开源权重上继续后训练得到的高速视频模型。它主打 5–15 秒、480P / 768P / 1080P、带原生音频，最高到 1080P，没有 2K。权重没有公开，只在 fal 上托管。靠 fal 的推理栈，大约 5 秒的片段可以在 3 秒左右返回。
它用来换镜头、换动作、看构图是否成立。方向定了、要 2K 成片和品牌交付，再回到 MiniMax H3。
Video Arena 的质量 Elo 来自人工盲测偏好。图中 MiniMax H3 Max 为 1195，MiniMax H3 为 1181，排在 Gemini Omni Flash（1178）和 Seedance 2.0 720p（1176）前面。
| 项目 | MiniMax H3（基础版） | MiniMax H3 Max |
|---|---|---|
| 训练 | MiniMax | MiniMax H3 开源权重，由 fal 继续后训练 |
| 权重 | 开源 | 未公开，仅 fal 托管 |
| 时长 | 4–15 秒 | 5–15 秒 |
| 分辨率 | 768P 原生，可经 Regenerate-2K 到 2K | 480P / 768P / 1080P，没有 2K |
| 声音 | 原生双声道 | 原生音频 |
| 速度 | 常规扩散生成 | 约 5 秒片段 3 秒返回 |
| 更适合 | 正式交付、2K 输出 | 快速迭代、创意测试 |
要高分辨率交付选 MiniMax H3，要快速试方向选 MiniMax H3 Max。在 AIGCVA 上，H3 Max 的 480P 最低每秒 7 VA 币（相当于 7 美分），注册即送 32 VA 币。
MiniMax H3 与 Seedance 2.5、Gemini Omni Flash
| MiniMax H3 | Seedance 2.5 | Gemini Omni Flash | |
|---|---|---|---|
| 发布方 | MiniMax，2026-07-31 | 字节跳动 Seed，2026-07-31 | Google，I/O 2026 |
| 单次时长 | 4–15 秒 | 4–30 秒，可多轮延长 | 10 秒 |
| 分辨率 | 768P，以及 2K（短边 1440） | 最高 1080P | 720P |
| 声音 | 每次都是原生双声道 | 音视频联合生成 | 原生语音、音乐和音效 |
| 参考规模 | 最多 9 图 + 3 视频 + 3 音频 | 最多 30 图 + 10 视频 + 10 音频 | 最多 10 图 + 3 视频 |
| 更适合 | 全模态参考、动作迁移、画面文字和品牌、首尾帧 | 30 秒长叙事、白模调度、时间戳编辑 | 知识推理、对话式修改 |
时长要拉到 30 秒以上，继续看 Seedance 2.5。希望用对话把一条片子改几轮，看 Gemini Omni Flash。
MiniMax H3 适用场景
🎬 品牌大片与电影片头
预告片节奏、标题包装、字幕和品牌名可以写进同一次生成。需要逐字出现的文字，把原文放进提示词。
🎮 游戏界面与数字体验
游戏菜单、装备面板、网页滚动和交互动效可以按时间轴写。界面上的按钮文案要给出原文，并说明只出现一次。
📰 动态海报
保持原图的画框、配色和排版，只让画面和文字动起来，并给文字出场加上音效。
🛍️ 广告与电商
产品旋转、卖点字幕、竖屏投流素材。标签和卖点文字写成引号里的原文，并写明不要重复、不要错字。
如何用 MiniMax H3 做一条视频
1. 进入 AIGCVA
打开 AIGCVA 应用中心，选择 MiniMax H3。
2. 选入口
没有素材就用文生视频。只有开头或结尾画面，用首尾帧。人物、动作、音色或一段已有视频要同时参考，用全能参考。
3. 按三段写提示词
完整提示词可以分成三块：每个素材是干什么的、一句话里的主体地点事件和风格、按镜头写下要出现的画面和不要出现的内容。素材按上传顺序写成 @图片1、@视频1、@音频1。
4. 设定成片
时长在 4–15 秒里选。比例用 21:9、16:9、4:3、1:1、3:4 或 9:16；全能参考可以交给模型自动判断。清晰度从 768P 或 2K 里选。
5. 改一轮只动一件事
第一版方向对了，下一轮只改一个对象、一句台词或一种光线，并把要锁住的脸、产品和镜头再写一遍。
MiniMax H3 最佳实践
- 每个上传文件都写用途：人物参考、动作参考、运镜参考、音色参考、首帧或尾帧、视频编辑。没写用途，模型只能猜。
- 台词长度要跟镜头长度匹配。一个 3 秒镜头里塞一大段话，口型会散。跨镜头的同一句台词，写明从哪一个镜头接到哪一个镜头。
- 画面里要出现的品牌名、按钮和标题，用引号写出原文，并写明只出现一次。文字容易乱时，把文字做成参考图，并注明这张图按图片理解，不要按文字识别。
- 要一镜到底，就不要再拆许多分镜。环绕镜头写成 truck left 加 pan right，或相反方向，比只写「环绕」更稳。
- 少写比喻，改写看得见的景别、动作、光线和声音。不想要背景音乐，在结尾明确写不要额外添加背景音乐。
- 唱歌或复刻一段音频时，把歌词或台词原文一并写上。
MiniMax H3 提示词示例
首尾帧，中间不切镜
@图片1 是首帧，@图片2 是尾帧。
补上两帧之间的动作和光影，不要切镜。
人物从持杯站立，走到窗边坐下，室内只有脚步声和窗外雨声。
不要额外添加背景音乐。竖屏产品广告
15 秒，9:16。@图片1 是产品参考，锁住瓶身形状和标签。
白棚，产品缓慢旋转一周，最后停在正面特写。
画面文字只出现一次：「晨露」。字体清晰，不要重复，不要错字。全能参考里改一段已有视频
编辑 @视频1。镜头、人物动作和其余场景保持不变。
把报纸换成绿色封皮的书，椅子换成红色沙发，去掉墨镜并保留清晰的脸。纯文字，从空间写到动作
15 秒，16:9。写实自然纪录片，电影级光线。
0–5 秒：大全景，清晨薄雾里的湿地芦苇荡。
5–11 秒：中景，一只白鹤单腿站在浅水中，缓慢转头看向镜头。
11–15 秒：特写，逆光里的雾气和羽毛边缘。只有水声和远处鸟鸣，不要背景音乐。MiniMax H3 常见问题
MiniMax H3 是什么？
MiniMax H3 是 MiniMax 于 2026 年 7 月 31 日发布的全模态视频模型。它统一理解文本、图像、视频和声音组成的上下文，并一次输出带原生双声道的音视频，而不是把文生视频、图生视频、配音和剪辑拆成互不相通的功能。
MiniMax H3 一次能生成多长、多清晰的视频？
单次 4 到 15 秒，24 帧。768P 在 16:9 到 9:16 之间时短边为 768，更宽或更高的比例按约 100 万像素输出，例如 21:9 为 1536×672，这一档可以再升级到 1440P。官方推荐的 2K 档短边为 1440，例如 21:9 为 2976×1248。
全能参考最多能放进多少素材？
全能参考最多 9 张图片、3 段视频和 3 段音频，所有文件合计不超过 12 个。每段视频或音频 2 到 15 秒，视频总时长和音频总时长各自不超过 15 秒。音频必须和图片或视频一起提交，不能单独上传。
MiniMax H3 的声音是后配的吗？
不是后配。每一次输出都带原生双声道声音，人声、音效和音乐在同一次生成里完成。
文生视频、首尾帧、全能参考怎么选？
没有参考素材时用文生视频，把主体、场景、动作和风格写具体。要锁定开头或结尾画面时用首尾帧，上传 1 张或 2 张图，两张图之间由模型补动作和声音，不自动加切镜。要同时锁定人物、动作、音色或运镜时用全能参考，并写清每个素材的用途。API 里前两种对应 FL2VA，全能参考对应 Ref2VA。
开源权重和在线版有什么区别？
开源权重在本地生成，短边原生 768P。在线和 API 额外有两段服务端处理。H3-Context-IR 把文字、图片、视频和音频指令整理成模型更容易遵循的表示。H3-Regenerate-2K 把 768P 结果连同原始上下文送回模型，重生成短边 1440 的画面。权重按社区许可提供，研究和商用免版税。年收入超过 2000 万美元的商业产品需要另行书面授权，产品界面需要标注 MiniMax H3，产出和权重不能用于训练其他非 H3 系模型。欧盟、英国、美国和韩国目前不在权重下载范围内。在 AIGCVA 上使用的是在线能力，不需要自己部署。
MiniMax H3 Max 和 MiniMax H3 怎么选？
MiniMax H3 Max 是在 MiniMax H3（海螺 3）开源权重上继续后训练的高速版本，时长 5 到 15 秒，分辨率有 480P、768P 和 1080P，最高 1080P，带原生音频，没有 2K。权重未公开，只在 fal 上托管。大约 5 秒的片段可以在 3 秒左右返回。要 2K 正式交付用 MiniMax H3，要快速试镜头用 MiniMax H3 Max。在 AIGCVA 上，H3 Max 的 480P 最低每秒 7 VA 币（相当于 7 美分），注册即送 32 VA 币。
MiniMax H3 在 AIGCVA 上免费吗？
注册即送 32 VA 币。MiniMax H3 Max 480P 最低每秒 7 VA 币（相当于 7 美分）。需要更高额度时可充值 VA 币。
生成的视频可以商用吗？
可以。通过 AIGCVA 平台生成的视频支持商业使用，具体商用条款请参阅平台服务协议。
MiniMax H3 技术优势
- 任务统一：文生图、文生视频、文生音频、参考和编辑放在同一个模型里，用自然语言说明素材和成片的关系
- 原生双声道：人声、音效、音乐一次生成，多镜头里的声画关系一起建模
- 2K 重生成：In-context Regeneration 复用基模和原始上下文，小字和细节不靠单独的超分模块硬猜
- H3-VAE：更高压缩带来约 4 倍序列长度收益，原生 2K 的训练和推理成本因此降下来
- 动作迁移：可以用一段视频锁定运镜或动作，再用图片和音频换主体与声音
- MiniMax 公布的成本定位：托管服务默认提供 2K，2K 每秒价格不到主流模型的三分之一，768P 约为主流模型 720P 的一半。AIGCVA 按 VA 币计费
立即开始使用 MiniMax H3
用文字、图片、视频和声音一起说清楚要拍什么：
🎬 立即免费体验 MiniMax H3 · MiniMax H3 Max 480P 最低每秒 7 VA 币（相当于 7 美分），注册即送 32 VA 币