MiniMax H3（又称Hailuo 3.0）▁▁▁▁▁▁▁▁▁　　MiniMax H3（也常被社区称为 Hailuo 3.0）是中国AI公司MiniMax于2026年7月31日正式发布的新一代通用全模态生成模型。它是Hailuo系列视频模型的重大升级，定位从单一的文生视频/图生视频工具，转向能统一理解和生成文本、图像、视频、音频的全模态系统。

◆ 核心能力与技术特点

　　H3的最大亮点是真正的多模态统一上下文理解。它不需要把不同任务拆成多个模型流水线，而是在一次生成中同时处理文字描述、参考图片、参考视频和参考音频，并直接输出带有同步立体声音轨的视频。

　　主要输出规格包括：

• 时长：4–15秒（整数秒）• 分辨率：默认短边768p；通过H3-Regenerate-2K模块可实现原生2K（约1440p短边，宽屏可达约2976×1248）• 帧率：24 fps• 音频：32 kHz原生立体声，包含对话、音效、环境声，与画面同步生成• 宽高比：支持21:9、16:9、4:3、1:1、3:4、9:16等多种比例，也支持自适应模式• 提示词长度：最长约7000字符，可支持多镜头叙事描述

　　输入方面，H3支持两种主要模式：

1. 首尾帧模式（FL2VA）：纯文本、单首帧、单尾帧或首尾帧组合，适合从静态图像生成连贯视频。2. 全参考模式（Ref2VA / Omni-reference）：最多可输入9张图片 + 3段视频（总时长≤15秒） + 3段音频（总时长≤15秒），总文件数不超过12个。可精确锁定人物身份、动作、声音和风格。

　　此外，它还支持基于指令的视频编辑，例如修改人物、背景、对话或声音，同时尽量保持其他元素不变。

　　底层采用了多项自研技术，包括Contextual Omni Representation（上下文全模态表征）、H3-VAE、H3-Omni Transformer以及In-context Regeneration（上下文内重生成）。这些技术让模型在预训练阶段就具备较强的任务泛化能力，指令遵循、文字与品牌信息呈现、视频到视频动作迁移（V2V Motion Transfer）等表现突出。

　　完整系统由三个模块构成：

• H3-Context-IR：负责深度理解并提炼复杂的多模态指令，转化为模型更易处理的中间表示（对最终质量影响很大，官方强烈推荐使用）。• H3-Base：基于中间表示生成带音频的768p视频。• H3-Regenerate-2K：将低分辨率结果连同原始上下文送回模型，重新生成更高精度的2K结果，能更好地保留细节（尤其是小字、品牌标识等）。

◆ 开源与使用方式

　　2026年8月3日，MiniMax正式开源了H3的基础权重（H3-Base），可在Hugging Face和魔搭社区下载。开源版本主要支持本地生成768p结果，完整的Context-IR和2K重生成仍依赖官方API服务。社区已有多种本地部署方案（ComfyUI、Diffusers等），在经过量化和优化后，可在16GB甚至更低显存的消费级显卡上运行（速度较慢）。

　　线上体验可通过Hailuo AI应用或MiniMax官方API（模型ID为MiniMax-H3）。定价方面，MiniMax宣称在2K分辨率下每秒价格不到主流模型的1/3，768p下约为主流720p的一半，性价比较高。

◆ 应用场景与定位

　　H3特别适合广告、品牌宣传、电商产品展示、游戏过场、UI/UX演示、短剧分镜等需要精准控制和多模态参考的商业内容创作。它能一次性完成“参考某视频的镜头运动 + 让某图片中的人物按某音频唱歌”这类复杂指令，大幅降低多工具拼接的成本。

　　与前代Hailuo 2.3相比，H3在分辨率（原生2K vs 最高1080p）、时长（最长15秒 vs 约10秒）、原生音频、多参考输入和指令编辑等方面都有明显提升，是MiniMax视频生成能力的一次质变。

　　总体而言，MiniMax H3代表了当前开源视频生成领域向“通用全模态”迈进的重要一步，既保留了较高的商用潜力，又通过开源推动了生态发展。