促销封面模板

**MiniMax H3** 是 MiniMax（海螺 AI / Hailuo）于 2026 年 7 月 31 日正式发布的通用全模态生成模型，随后于 8 月 3 日开源了核心权重。它是海螺视频生成系列的下一代产品，定位为打破任务与模态边界的通用系统，而非单纯的文生视频模型。 ### 核心能力 H3 能统一理解由**文本、图像、视频、音频**组成的多模态上下文，并一次性生成带**原生立体声**（32 kHz）的视频。音频（人声、音效、音乐等）与画面在同一推理过程中联合生成，无需后期叠加。 典型应用场景包括广告、品牌、电商、产品设计、UI/UX、游戏、电影预演等。它在指令遵循、文字与品牌信息准确呈现、视频到视频动作迁移（V2V Motion Transfer）等方面表现突出，支持精准可控的多模态编辑与生成。 示例指令风格：“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”——模型可自行理解各模态间的关系。 ### 主要规格 - **时长**：4–15 秒（整数秒） - **分辨率**：默认短边 768px；通过 H3-Regenerate-2K 可达 2K - **帧率**：24 FPS - **宽高比**：支持 21:9、16:9、4:3、1:1、3:4、9:16 等多种比例 - **音频**：原生 32 kHz 立体声 - **语言**：稳定支持 11 种（中、英、阿、法、德、意、日、韩、葡、俄、西等） - **输入限制**：混合输入合计最多约 12 个文件；参考模式最多支持约 9 张图、3 段视频、3 段音频 ### 系统架构（三大模块） 1. **H3-Context-IR**：多模态指令理解与提炼模块，生成中间表示（Context Intermediate Representation）。对最终质量至关重要，目前以托管 API 形式提供（未完全开源），官方也发布了提示词指南供自建。 2. **H3-Base**：开源的核心生成模型（约 33B 参数的 dense 单流 Omni Transformer，使用 Qwen3-VL-32B 作为编码器），输出 768p 带原生音频的视频。提供 FL2VA（文生/首尾帧）和 Ref2VA（多参考）等变体。 3. **H3-Regenerate-2K**：将 768p 结果结合原始上下文重新生成，提升至 2K 并增强细节（尚未完全开源）。 关键技术包括 Contextual Omni Representation（统一多模态上下文）、H3-VAE、H3-Omni Transformer、In-Context Regeneration 等。预训练覆盖文生图/视频/音频、原生多镜头建模，音频不区分人声/音效/音乐统一联合建模。 ### 开源与生态 - 权重已发布至 Hugging Face（MiniMaxAI/MiniMax-H3），支持 Diffusers、ComfyUI 等。有 bf16、INT8、剪枝等量化版本。 - 许可证为 MiniMax H3 Community License（有地域等限制，使用前需查看）。 - 多家芯片厂商（华为昇腾、摩尔线程等）、框架（vLLM、SGLang、ComfyUI）和平台已适配。 - 在 Artificial Analysis 等评测中，视频编辑（带音频）能力表现领先。 ### 价格与使用 官方称性价比突出：2K 分辨率下每秒价格不到主流模型的 1/3，768p 约为主流 720p 的一半。可通过 MiniMax / Hailuo AI 平台 API、网页/App 体验，或本地部署开源权重。 官网相关页面：minimax.io / minimaxi.com，体验地址可搜索 Hailuo AI 或 MiniMax H3 工具页。 总体来说，H3 的亮点在于真正的全模态统一理解与联合音视频生成，以及较强的可控性和开源开放度，适合需要复杂参考控制与商业内容创作的场景。具体性能和细节以官方最新文档为准。 @promo 封面 Size: 1080 × 1800 (小红书全屏（3:5）)