什么是 MiniMax H3
MiniMax H3 以 Hailuo 3.0 名义于 2026 年 7 月 31 日发布，是一个 330 亿参数的稠密全模态 transformer。它把文本、图像、视频和音频视为同一个流，而不是拼接多个独立管线。模型生成 4 至 15 秒、24 FPS 的片段，并带 32 kHz 立体声，本地在短边达到 768 像素，通过托管的再生成阶段可达 2K。计入编码器和 VAE，完整推理栈接近 690 亿参数。
主要能力
声音是生成出来的，不是后期附加的。H3-Omni Transformer 在同一次生成中产出人声、音效和音乐，官方记录为 32 kHz 立体声，省去了需要单独音频环节的模型所做的一整个制作阶段。
H3-VAE 带来约 4 倍的序列长度提升，这是 15 秒带同步声音片段可行的结构性原因。H3-Contextual Omni Representation 以语言作为模态之间的桥梁，约 10 万 token 的推理平均被压缩到约 4K 再进入生成。
2K 通过再生成而非放大实现。基础模型在短边渲染 768 像素，H3 在原上下文中重新生成以达到 2K。托管 API 可直接请求 2K；本地部署除非自行运行再生成阶段，否则输出 768p。
规格要点
- 330 亿参数稠密全模态 transformer，含编码器和 VAE 的完整推理栈约 690 亿参数
- 4 至 15 秒整数时长，固定 24 FPS，支持原生多镜头建模
- 原生 32 kHz 立体声，人声、音效与环境音随画面生成
- 官方文档列出的画幅比例示例包括 21:9、16:9、4:3、1:1、3:4、9:16
- 文档中的输入路径包括 FL2VA（文本提示加 0、1 或 2 张图像）和 Ref2VA（图像、视频与音频混合参考）
- Ref2VA 图像上限 9、视频上限 3、音频上限 3，但合并文件总数限制为 12，音频需搭配图像或视频
- 提示词上限 7,000 字符，请求体上限 64 MB
使用方式
MiniMax H3 有三条主要路径：
- Hailuo AI 应用：消费级应用以积分系统提供 H3，有免费层级和按月付费方案，最新费率需查看应用内信息。这条路最快看到模型表现，但不暴露 endpoint、随机种子或分辨率参数。
- 开放平台 API：按输出秒计费，2K 档高于 768p 档，模型 ID 为 MiniMax-H3。Context-IR 变体按 token 单独计价。768p 档曾被间歇性限制，批量预算前应确认实时价目表。
- 本地权重：2026 年 8 月初发布检查点。最小可用集合约 42.5 GB，两个检查点在最小可用精度下约 63.4 GB，完整 bf16 研究权重约 123.6 GB。ComfyUI 报告在激进卸载下 12 GB 显存为下限，64 GB 系统内存会让运行更可接受。
适用场景
根据官方资料，MiniMax H3 适合需要画面与声音一次生成的短片、产品展示、角色动作、垂直短剧、时尚影像等场景。官方给出了九个可复现提示示例，覆盖科幻预告、动画食物小品、竖屏短剧、产品发布、角色动作、参考主导的场景编辑、竖屏动漫角色、时尚影像和对话替换等用途。
限制
MiniMax H3 的社区许可排除美国、欧盟、英国和韩国，托管访问在发布时也未在这些市场上线，MiniMax 提及不断演变的 AI 监管和版权顾虑。在这些地区内，MiniMax H3 更适合被理解为研究对象而非部署对象，可考虑 Sora 2、Veo 3.1 或 Seedance 1.5 Pro 等授权替代方案。
权重可下载，但不属于 OSI 意义上的开源。商业使用需要在界面中可见地标注「MiniMax H3」署名，禁止模型蒸馏，年营收约 2000 万美元以上的组织需要单独书面授权。
其他限制：本地部署默认输出 768p，除非自行运行再生成阶段；消费级应用不暴露 endpoint、种子或分辨率参数，不利于可复现的比较；音频参考需要搭配图像或视频；构建可复现评测时需记录提供方、endpoint、变体和分辨率。
定价
MiniMax 开放平台按输出秒数计费，2K 档高于 768p 档，Context-IR 变体按 token 计价，具体金额需查看实时价目表。站内站点的定价页面列出积分套餐：Basic 年度方案每月 800 积分、全年 9600 积分；Pro 年度方案每月 2000 积分、全年 24000 积分；Enterprise 年度方案每月 6000 积分、全年 72000 积分，并列出对应的每月图像上限。资料中标注站内生成为积分计量：768p 每秒 18 积分，2K 每秒 29 积分。
