MiniMax H3 详细介绍

[ikaijua]

MiniMax H3 详细介绍

MiniMax H3 是 MiniMax 推出的 AI 视频生成模型：给它一句话或几张图，就能生成一段自带声音的短视频，最高 2K、单次 4–15 秒。

定位。 2026 年 7 月 31 日发布，8 月 3 日开源 H3-Base 权重，是业界首个开源的通用全模态生成模型；C 端即海螺 AI 的 Hailuo 3.0。

招牌能力。 最多 9 图 + 3 视频 + 3 音频当作同一份上下文理解，擅长「给素材、按我的意思改」；复杂文本（片头标题、logo、UI 字幕）能真正参与画面构图。

榜单。 Artificial Analysis 视频编辑全球第一（Elo 1130）、文生视频第二、图生视频第三；Video Arena 开源模型第一。

价格。 开源权重免费；API 2K $0.13/秒（国内发布期 0.8 元/秒），约为同梯队竞品的三分之一。

注意。 权重采用自定义社区许可，排除美国、欧盟、英国、韩国的本地部署；本地开源版只出 768p，2K 需走官方 API。

📊 相关实测对比：Seedance / MiniMax 等视频生成模型实测对比

下面按「快速上手 → 进阶与部署 → 背景与深入」分楼层展开。

目录

快速上手

1. MiniMax H3 是什么
2. 在线使用入口
3. 榜单与实测
4. 费用

进阶与部署

5. 能力与规格
6. 提示词与上手技巧
7. 本地部署
8. 许可与合规

背景与深入

9. 发展时间线
10. 技术架构
11. 参考来源

点击目录可跳转至对应楼层；若页内点击无反应，可在新标签页中打开链接。

[ikaijua]

MiniMax H3 是什么

MiniMax H3 是 MiniMax（稀宇科技）推出的 AI 视频生成模型：给它一句话、几张图，或者一段参考视频 / 音频，它就能生成一段自带声音的短视频。

一句话记住它。 别的视频模型是「画一段动画」，H3 更像「给你一堆素材、按你的意思改出一支片子」——它先把你要的东西看懂，再动手。

你能用它做什么。

• 纯生成：写一句描述，直接出片（文生视频）
• 让图动起来：给一张图当首帧或尾帧，生成中间的画面
• 照着素材来：最多给它 9 张图 + 3 段视频 + 3 段音频，让它换主角、换配音、迁移动作或按你的指令改画面

它比较特别的三点。

• 参考素材最多给 12 份，图片、视频、声音可以混着给，模型当成一整套来理解
• 声音和画面一起生成：对白、音效、配乐一次出来，不用后期配音对轨
• 画面里的文字不容易糊：片头标题、品牌 logo、字幕能贴着物体和光影走，这是它最有名的强项

在哪用（三种人三种用法）。

• 普通用户：上海螺 AI 网页版或 App，选 H3 直接用，国内海外都有站点
• 开发者：调 MiniMax 开放平台 API，按秒计费
• 有显卡的团队：下载开源的 H3-Base 权重自己部署

贵不贵。 开源权重免费；API 2K 约 $0.13/秒（国内发布期 0.8 元/秒），大约是同类顶尖模型的三分之一。

两个要先知道的前提。

• 本地开源版只出 768p，想要 2K 得走官方 API 或海螺
• 许可有地域限制：美国、欧盟、英国、韩国不能拿开源权重做本地部署

发布与开源。 2026 年 7 月 31 日正式发布，8 月 3 日开源权重，是业界首个开源的通用全模态生成模型；C 端产品名是海螺 AI 的 Hailuo 3.0。

[ikaijua]

在线使用入口

官方渠道（国内外同步上线）

渠道	国内	海外
网页 / App	https://hailuoai.com/	https://hailuoai.video/
开发者 API	https://platform.minimaxi.com/	https://platform.minimax.io/
桌面端 Hub	https://hub.minimaxi.com/	https://hub.minimax.io/

第三方分发与云推理。 OpenRouter、fal、Higgsfield、RunningHub、PixPix、FrameSurfer 等平台已陆续接入；ComfyUI 也提供官方 H3 API 节点（走同一批服务器，用 Comfy 积分计费）。

上手路径怎么选。

• 只是想做片：海螺 AI 网页 / App，选 H3（或更便宜的 H3-Max），写提示词、加参考素材、挑分辨率与画幅即可
• 要接进产品：走 MiniMax 开放平台 API，按秒计费
• 要接进自己的工作流：ComfyUI 原生模板（H3 模板需 ComfyUI 0.30.0 及以上）

2K 的现实。 只有走官方完整流程（API 或海螺）才能拿到 2K——本地开源版止步 768p，因为 Context-IR 与 Regenerate-2K 两个模块未开源。

[ikaijua]

榜单与实测

Artificial Analysis（发布当日）

能力项	排名
视频编辑	全球第一（Elo 1130）
文生视频	第二
图生视频	第三

Video Arena。 MiniMax H3 是开源模型第一：文生视频与图生视频均列开源榜榜首，比第二名 hunyuan-video-1.5 高出约 280 分；相比上一代 Hailuo 2.3 的第 27 名（1,199 分），是一次跨档跃升。

与同期竞品对比（纸面参数）

项目	MiniMax H3	Kling 3.0 Turbo	Seedance 2.5
发布	2026-07-31	2026-02-05	2026-07-31
最高分辨率	2K（本地仅 768p）	4K / 60fps	4K
单次时长	4–15 秒	≤ 15 秒	≤ 30 秒（可延长）
原生音频	✅ 32 kHz 立体声	✅	✅
参考素材	≤ 12 份（9 图 + 3 视频 + 3 音频）	运动笔刷 / 多镜头故事板	≤ 50 份（30 图 + 10 视频 + 10 音频）
权重	部分开源（仅 H3-Base / 768p）	闭源	闭源
API 价格	$0.13/秒（2K）	约 $0.084–0.126/秒	未正式公布

本站实测对比。 本仓库的 Seedance / MiniMax 等视频生成模型实测对比 收录了三组样本：

• 分手片段微表情（2026-08-13）：Seedance 2.5 对人物微表情的控制更细腻
• 写实电影质感动作 Vlog（2026-08-05）：两模型流畅度都好，MiniMax H3 的运镜与电影级光影更出彩，Seedance 2.5 的视觉特效更强；H3 是 2K、2.5 是 720P，积分消耗 180 vs 390
• 数数字、伸手指（2026-10-01）：Gemini 手势全对，其余模型均有出错

结论。 两者同属第一梯队、各有胜负；H3 的核心优势是「同价位下分辨率更高 + 权重开源可自部署」。

[ikaijua]

费用

开源权重免费，但商用有门槛。 年营收低于 2,000 万美元的组织可免费商用，超过则需 MiniMax 书面授权；商用产品界面还需注明「MiniMax H3」。

API 按生成秒数计费（海外站牌价，2026 年 9–10 月口径）

项目	价格
H3 @ 768p	$0.08 / 秒
H3 @ 2K	$0.13 / 秒
768p → 2K 再生成	$0.05 / 秒
H3-Max @ 480p	$0.05 / 秒
H3-Max @ 768p	$0.08 / 秒
参考图	前 5 张免费，之后 $0.04 / 张
参考音频	免费（须搭配至少一张图或一段视频）
参考视频	按输入秒数、以输出档位的费率计费

国内站价格更低。

• 发布期口径：2K 0.8 元/秒、768p 0.5 元/秒
• 叠加海螺会员：年度基础会员 2K 低至 0.53 元/秒、768p 低至 0.31 元/秒；年度 Pro 更低至 2K 0.40 元/秒、768p 0.23 元/秒
• 第三方平台：限时 768p 曾低至 0.10 元/秒

横向对比。 同梯队竞品约 10 元/秒，H3 只有其零头——这是它最常被提及的竞争力。

海螺 AI 订阅（2026-10-01 口径，海外站）

套餐	月费	积分	约合 H3 时长
Free	$0	无月度积分，仅一次性试用额度，下载带水印	试用
Standard	$10.50（原价 $14.99）	1,000	768p 约 143 秒 / 2K 约 84 秒
Pro	$38（原价 $54.99）	4,500	768p 约 643 秒 / 2K 约 375 秒
Master	$89（原价 $119.99）	10,500	768p 约 1,500 秒 / 2K 约 875 秒
Max	$216	27,000	768p 约 3,857 秒 / 2K 约 2,250 秒

两个容易踩的点。 H3 目前是独立按量计费，海螺既有的视频积分包尚不支持 H3；另外视频模型价格变动频繁，做预算前请以官方实时定价页为准。

[ikaijua]

能力与规格

输出规格。

项目	规格
时长	4–15 秒（单次）
分辨率	短边默认 768 像素；最高 2K（需 H3-Regenerate-2K）
帧率	24 FPS
音频	32 kHz 立体声，与画面同一次生成
画幅	21:9、16:9、4:3、1:1、3:4、9:16 等
对话语言	稳定支持 11 种：阿、中、英、法、德、意、日、韩、葡、俄、西

两个 checkpoint，四类主要玩法。

变体	输入方式	典型任务
H3-Base-FL2VA	文本 + 0/1/2 张图	文生音视频、首帧生视频、尾帧生视频、首尾帧过渡
H3-Base-Ref2VA	文本 + 多模态参考	参考生音视频（换人换声换场景）、视频动作迁移、指令式视频编辑

参考素材上限。 图像 ≤ 9 张、视频 ≤ 3 段（每段 2–15 秒）、音频 ≤ 3 段（每段 2–15 秒），所有输入文件的合计上限为 12；Prompt 上限约 7,000 字符。

招牌能力：复杂文本保持。 影视片头的中英文标题、动态海报上的品牌 logo、UI 动效里的字幕，H3 能让文字真正参与视觉构图——贴合物体透视、接受场景光照、跟随镜头与主体运动，而不是「另外贴上去的字」。

音画同步。 环境音、音效、配乐、对白在同一次生成里完成，不用后期单独配音对轨。

已知短板。 小字、密集 UI、复杂品牌包装、长叙事、严格合规文本等场景仍可能需要人工复核；官方也承认在画面精细度与模型规模上还有提升空间，后续计划推进 H 系列与 M 系列的能力融合。

[ikaijua]

提示词与上手技巧

官方提示词是「三字段 + 英文」结构。

• integrated_multimodal_description —— 集成描述：主体、动作、场景、镜头运动、光线
• overall_soundscape —— 环境音与音效
• non_diegetic_music —— 画外配乐

说话人要用 ID 标注。 多人对白时用 (S1)、(S2) 标记说话人，台词放进对应的 tag 里，模型才能把声音分配到正确的角色。

没有 negative prompt。 官方模板不提供反向提示词，正确做法是把不想要的内容写成正向描述。

像写分镜一样写。 一个可用的模板：主体 + 动作 + 地点 + 运镜 + 光线。例如「意式浓缩咖啡缓缓注入玻璃杯，慢动作，清晨窗边侧光，浅景深」，比「咖啡视频」有效得多。

素材给足但别堆砌。 参考素材能让模型理解你要的风格 / 人物 / 声音，但文件越多越吃上下文；改动方向明确时，优先给最相关的 1–2 份。

长片靠拼接。 单次上限 15 秒，做更长的成片需要先生成多段再剪辑对齐。

这些场景要多复核。 小字、密集 UI、复杂 logo 包装、严格合规文案——生成结果可能仍需人工把关后再交付。

[ikaijua]

本地部署

先确认许可。 社区许可排除美国、欧盟、英国、韩国的本地部署（需书面授权），这些地区只能用官方 API。另外 H3 必须使用其仓库自带的 tokenizer 与配置文件，不能替换成通用版本。

官方推荐推理框架

框架	适用场景	说明
SGLang	高性能服务化部署	官方示例用 4 GPU（--num-gpus 4 --ulysses-degree 4）
vLLM	可扩展推理	官方 recipes
diffusers	轻量 Python 流水线	类落地 PyPI 前需用 minimax-h3 分支
ComfyUI	可视化节点工作流	需 0.30.0+，官方提供 T2V / R2V 模板

模型文件怎么来。 两条路：从 HuggingFace / ModelScope 下载原始权重（MiniMaxAI/MiniMax-H3，单个 checkpoint 的 transformer 约 66GB），或用 Comfy-Org 提供的 ComfyUI 量化版（T2V 文件集约 42GB）。

硬件门槛（社区实测口径，非官方最低要求）

配置	表现
4×H100 / 4×H200（SGLang，BF16/FP32）	官方级部署，单卡峰值约 50–94 GB
2×RTX 5090（SGLang，分层卸载）	5 秒 1344×768，约 26.3 GiB/卡
单张 RTX 5090（NVFP4 量化）	约 12GB 常驻，可跑
RTX 4090 24GB（pruned INT8 + Turbo LoRA）	社区甜点配置，可兼做 LoRA 训练
RTX 3060 12GB	能跑但很慢（5 秒约 9–50 分钟，视参数）
Mac（NF4 量化）	8GB 统一内存起步，简化提示词效果可接受

真正的瓶颈常是系统内存而不是显存。 在 4090 + pruned INT8 的配置下，采样时显存只占约 6.6GB，权重常驻主机内存按需调页——所以 32GB 系统内存是底线，64GB 更稳。

社区生态。 Kijai 的量化与节点包、Turbo LoRA（4–6 步快速生成，官方模板已内置 LightX2V Turbo LoRA）、GGUF 量化梯度（city96 的加载器），以及 musubi-tuner / ai-toolkit / DiffSynth-Studio 可训练 H3 LoRA。

注意。 LoRA 必须与训练时所用的 checkpoint 匹配，且同样受许可的地域限制约束。

[ikaijua]

许可与合规

不是标准开源许可。 H3-Base 权重采用自定义的 MiniMax H3 Community License，附带地域与营收限制，不要按 Apache / MIT 那样的宽松许可去理解。

地域限制。 权重及其产出排除美国、欧盟、英国、韩国的本地部署，这些地区需向 MiniMax 申请书面授权（有渠道报价约 $5,000/月起）；官方 API 全球可用。

商用门槛。 年营收低于 2,000 万美元可免费商用；超过需授权；商用产品界面需显示「MiniMax H3」标识。

安全护栏。 用户提交的文本、图像、视频以及增强后的提示词都会经过自动审核，涉嫌违法、色情或侵犯第三方权利的内容可能被拦截；官方说明采用行业标准过滤，但无法消除误报与漏报。

内容审核尺度。 遵循中国监管要求，对政治与敏感话题的审核相对严格，面向海外发行时需要注意这一点。

未开源与待发布。 H3-Context-IR（理解与编排）与 H3-Regenerate-2K（2K 再生成）均为托管服务、未开源；稀疏注意力实现也尚未随首次发布放出。

LoRA 与衍生模型。 社区微调、量化、LoRA 都要沿用同一套许可条款，地域限制同样适用。

[ikaijua]

发展时间线

2026 年 7 月（发布月）

• 7 月 17 日：在 WAIC（世界人工智能大会）首次公开亮相
• 7 月 31 日：正式发布，同日国内外 API 上线；AI 创作平台 RunningHub、PixPix 当日接入，并宣布将开放权重。当天字节跳动也发布了 Seedance 2.5
• 发布当日榜单：Artificial Analysis 视频编辑全球第一、文生视频第二、图生视频第三

2026 年 8 月（开源与生态）

• 8 月 3 日：正式开源 H3-Base 的两个 checkpoint（FL2VA / Ref2VA），许可排除美、欧、英、韩
• 8 月 3 日 Day 0 适配：华为昇腾、摩尔线程、沐曦、海光、昆仑芯、天数智芯、壁仞、AMD、Intel 等芯片厂商，以及 HuggingFace、ModelScope、ComfyUI、RunningHub、fal 等社区与云平台，vLLM-Omni、SGLang 等推理框架完成适配
• 8 月：进入 Higgsfield 等海外分发平台；开源首周登 HuggingFace 热度榜第一
• 8 月 11 日：超算互联网 AI 社区基于 H3 满血版推出视频生成智能体「光影智创」
• 8 月 12 日：成都智算中心联合浙江聚算，基于昇腾 910A 完成 H3 适配与验证

2026 年 9–10 月（补齐商业档位）

• 9 月：新增 H3-Max 档（480p / 768p），进一步压低单价，面向高并发批量生产
• 持续：H3-Context-IR 与 H3-Regenerate-2K 仍以 API 形式提供；官方称稀疏注意力实现将在后续更新中单独发布

待补的缺口。 2K 再生成与上下文理解两个模块尚未开源，因此本地部署目前止步于 768p。

[ikaijua]

技术架构

完整系统分三个模块，只有中间那层开源。

模块	职责	是否开源
H3-Context-IR	读懂并精炼多模态指令，压成生成模型好懂的结构化表示	❌ 托管，仅 API
H3-Base	实际生成音视频，输出 768p	✅ 已开源
H3-Regenerate-2K	把 768p 结果连同原始上下文回炉，再生成 2K	❌ 仅 API

设计的重心在「生成之前」。 大部分素材要先跑掉十万级的 token 推理，压成约 4,000 token 的结构化表示，再交给生成模型——这也是它在「给一段素材、按我的意思改」这类任务上特别强的原因。

核心网络：H3-Omni-Transformer。 33B 参数的稠密、单流（single-stream）Transformer，其中约 13B 位于 AdaLN 相关分支——这些参数的调制结果可以预计算并缓存，纯推理部署时无需加载。

模态特定的部分被刻意做薄。 注意力层与 FFN 层不含任何模态特定结构，模态差异只体现在输入/输出层与 AdaLN 分支，因此训练与推理的额外开销都很低。

编码器与 VAE。

组件	说明
H3-Encoder	直接使用 Qwen3-VL-32B 的完整预训练权重，向 Omni-Transformer 提供第 50 层的 hidden states
H3-VisualVAE	时序因果视频自编码器，记为 f16t4d24：空间 16×、时间 4×、24 个 latent 通道；再按 1×2×2 patchify 后，进入 Transformer 的有效空间下采样达 32×
H3-AudioVAE	左右声道独立编解码再合并，支持立体声；把 32 kHz 音频压成 40 Hz 的 latent 序列

位置编码。 使用三维多模态旋转位置编码 MM-RoPE，用 (t, h, w) 同时表达时间与两个空间维度。

稀疏注意力。 训练最后阶段引入了原生稀疏注意力以降低长序列成本，但首次开源的版本只提供全注意力推理，稀疏实现将在后续更新中单独发布。

Contextual Omni Representation。 把整段素材当作统一上下文来组织信息与相互关系，用自然语言连接不同模态——这是「先看懂、再生成」的技术底座。

In-context Regeneration。 2K 输出不走传统超分模块，而是把 768p 结果连同原始上下文重新喂回基模再生成一遍，好处是能最大限度复用基模的生成能力、细节更准。

[ikaijua]

参考来源

官方

• 发布与开源公告（架构、规格、系统三模块）：https://www.minimax.io/news/minimax-h3-open-source
• 代码与文档仓库：https://github.com/MiniMax-AI/MiniMax-H3
• 模型权重：https://huggingface.co/MiniMaxAI/MiniMax-H3 ｜ https://modelscope.cn/models/MiniMax/MiniMax-H3
• 许可协议原文：HuggingFace 仓库内 LICENSE（MiniMax H3 Community License）
• 提示词指南：仓库内 skills/h3-prompt-writing（含 base-en.txt / ref-en.txt）
• ComfyUI 官方教程与模板：https://docs.comfy.org/tutorials/video/minimax/minimax-h3
• 定价与 API 文档：https://platform.minimaxi.com/（国内）｜ https://platform.minimax.io/（海外）
• C 端产品：https://hailuoai.com/video

第三方整理与核对（2026 年 8–10 月读）

• 开源细节与竞品对比：https://pandaily.com/minimax-h3-open-source-vs-seedance-jul2026
• 规格与定价评述：https://www.usefastlane.ai/models/minimax-h3 、https://www.anijam.ai/blog/minimax-h3-review/
• 本地部署与硬件实测汇总：https://minimax-h3.wiki/local/minimax-h3-hardware-requirements 、https://minimaxh3.app/posts/minimax-h3-local-comfyui
• ComfyUI / GGUF 工作流与渲染时长：https://www.runaihome.com/blog/minimax-h3-comfyui-gguf-workflow-tutorial-2026
• 海螺订阅档位与额度：https://framesurfer.com/blogs/hailuo-ai-video 、https://iimagined.ai/blog/minimax-h3-comfyui-guide
• 时间线与国内定价：百度百科「MiniMax H3」词条

说明。 H3 仍在快速迭代，价格、额度与榜单排名随时可能变动，重要决策请以官网与官方文档为准。