# MiniMax H3 | 开源通用全模态视频生成模型（2026）

从闭源 API 到开放权重——视频生成赛道的开源拐点

MiniMax H3（简称 H3）是 MiniMax 于 2026 年 7 月 31 日发布、2026 年 8 月 3 日正式开放权重的通用全模态生成模型。它把文本、图像、视频、音频当作同一件事统一理解与生成，能输出最长 15 秒、2K 分辨率、原生立体声的短视频。与其前身”海螺（Hailuo）”系列不同，H3 首次以开放权重形式发布——开发者可免费下载 H3-Base 权重，在本地或国产算力上部署、微调与二次开发。它标志着视频生成从”顶级效果必须闭源”走向”开源也能旗舰级”的拐点。需要明确的是：H3 是一个模型（开放权重），而非开箱即用的桌面软件；它经 API、本地推理框架或第三方平台（ComfyUI、RunningHub 等）使用。

基础信息（Metadata）

• 软件名称：MiniMax H3（MiniMax-H3）
• 首次发布：2026 年 7 月 31 日（正式发布）；2026 年 8 月 3 日（开放模型权重 / 开源）
• 主要开发者 / 机构：MiniMax（稀宇科技），总部位于上海的人工智能公司；以”海螺（Hailuo）”视频模型、语音合成与多模态大模型闻名
• 软件类别：特效与模拟（主） / 创作与设计
• 形态 / 运行平台：开放权重模型。本地部署支持 SGLang / vLLM / diffusers / ComfyUI；云端 API 为 platform.minimax.io（全球）/ platform.minimaxi.com（中国）；在线 App 为 hailuoai.video 等
• 授权模式：开放权重，采用 MiniMax H3 Community License Agreement（MiniMax H3 社区许可证，自定义协议，非标准 OSI 开源许可证）。H3-Base 权重免费下载；但 H3-Context-IR（理解预处理）与 H3-Regenerate-2K（2K 重生成）两个模块未开源，仅经官方 API 提供。商用边界以许可证原文为准
• 官方网站：🚀 https://www.minimax.io ｜ 模型卡：https://huggingface.co/MiniMaxAI/MiniMax-H3

↑ MiniMax H3一键整合包 BY：comfyui秋葉

历史背景与发展历程（Historical Context & Development）

H3 的故事，是视频生成从”闭源 API 垄断顶级画质”走向”开放权重也能旗舰级”的关键转折。

MiniMax（稀宇科技）是一家总部位于上海的 AI 公司，长期以”海螺（Hailuo）”系列的闭源视频生成 API、语音合成与多模态大模型见长。在 H3 之前，其视频模型（如 Hailuo 02、Hailuo 2.3）走的是典型的”闭源 API”路线——画质顶尖，但权重不开放，开发者无法在本地微调或私有化部署。

2026 年 7 月 31 日，MiniMax 发布 H3，定位为”通用全模态生成模型”：它不再以图片、视频、声音的单一任务为边界，而是在一个多模态上下文中统一理解创作意图，并输出原生带立体声的视频。发布同时，MiniMax 宣布将在”符合相关法律法规的前提下”开放模型权重。

2026 年 8 月 3 日，H3 权重正式在 Hugging Face 与魔搭（ModelScope）开放下载。随后，华为昇腾、摩尔线程、沐曦、海光、昆仑芯、天数智芯、壁仞、AMD、Intel 等国内外芯片厂商，以及 HuggingFace、魔搭、ComfyUI、RunningHub、fal、OpenRouter、Leonardo.Ai 等社区与云平台，vLLM-Omni、SGLang 等推理框架，均完成或宣布适配。

• ⚠️ 关于”首款开源视频模型”的澄清（准确性提示）： 多家媒体称 H3 为”首款开源视频模型 / 首个开源全能全模态模型”。严格来说，在 H3 之前业界已有多个开放权重的视频生成模型（如腾讯 HunyuanVideo、阿里 Wan 等）。H3 真正的突破在于把“旗舰级画质 + 全模态统一理解 + 原生音频输出”三者以开放权重形式组合在一起，并把 2K 旗舰视频的 API 价格压到主流产品的约三分之一。请勿将营销表述当作”史上第一个开源视频模型”的事实。

在动画与游戏技术史上，H3 值得被记录，不是因为它”做了动画”，而是因为它把视频生成的开放权重路线从语言/图像延伸到了带原生音频的旗舰级视频——对需要大量短视频素材（概念片、提案样片、社媒物料）的创作者而言，这意味着顶级视频生成第一次真正可本地化、可微调、可合规私有部署。

核心功能与技术特征（Core Features & Technical Character）

H3 的核心身份是全模态统一理解与生成的视频基础模型——它把”理解意图”和”生成画面+声音”放进同一个模型与同一套上下文里，而非多个专用模型接力。

📅 本部分基于 MiniMax H3（2026 年 8 月开放权重版） 撰写。

技术要点：

• 全模态统一上下文（Omni-modal）： H3 可在同一个上下文中接收文本、图像、视频、音频，并输出视频 + 原生立体声音频。参考模式下最多可混合输入 12 个文件（图≤9、视频≤3 段、音频≤3 段），使”多张参考图保角色一致 + 参考视频保运动 + 参考音频保音色”能一次完成。
• 三模块系统（仅 H3-Base 开源）： 完整 H3 由三部分组成——
  • H3-Context-IR（理解预处理，未开源，仅 API）：解析指令、跨模态关联、时序理解与逻辑推理，输出结构化表示（Context IR）；
  • H3-Base（开源，可本地部署）：核心生成模型，编码多模态序列并联合预测视频与音频 latent；
  • H3-Regenerate-2K（2K 重生成，未开源，仅 API）：将 H3-Base 的 768p 结果与上下文喂回，重生成 2K 画质。
    这意味着：本地开源部署得到的是 768p 视频；要拿到官方 2K 结果，仍需调用官方 API（Context-IR 与 Regenerate-2K 两模块未开放权重）。
• 33B 稠密单流 Transformer（H3-Omni-Transformer）： 总参数约 330 亿（33B）稠密单流 Transformer；其中约 13B 参数位于 AdaLN 相关分支（推理部署时可预计算并缓存，无需每次加载）。它使用 3D MM-RoPE（t, h, w） 捕捉时空关系，没有模态专属的注意力 / FFN——模态差异只体现在输入/输出层与 AdaLN 分支，这是它能”统一”多模态的关键设计。
• 编码器与 VAE： 文本/视觉编码器 H3-Encoder 复用 Qwen3-VL-32B 的全预训练权重（取第 50 层隐状态）并新增特殊 token；H3-VisualVAE 为时空因果 VAE（空间压缩 16×、时间压缩 4×）；H3-AudioVAE 左右声道独立编解码，将 32kHz 音频压至 40Hz latent 序列，支持原生立体声。
• 任务模式： FL2VA（首/末帧生视频，输入 0/1/2 张图：无图=文生视频，1 图=首或末帧，2 图=首末帧）；Ref2VA（参考图/视频/音频生视频）；对外输出能力记为 T2VA / FL2VA / Ref2VA。
• 输出规格： 时长 4–15 秒；默认短边 768px（2K 经 API 模块）；24 fps；多宽高比（21:9、16:9、4:3、1:1、3:4、9:16 等）；原生立体声 32kHz。
• 部署框架： 官方推荐 SGLang（提供 cookbook）、vLLM（提供 recipes）、diffusers（ModularPipeline 自动加载）、ComfyUI（提供 R2V / T2V 模板）。初始开源版为全注意力推理，稀疏注意力训练/推理将后续更新。

代表性应用案例（Representative Uses）

H3 不是动画制作全流程工具，而是”从创意/素材直接生成带声音的视频片段”的生成器。典型用法：

• 广告与电商短视频： 上传商品图，直接生成带原生配音的展示视频，省去”生成画面→单独配音→对口型”的多工具接力。
• 游戏与动画相关： 概念片、提案样片、游戏 UI / 宣传物料的动画化；用参考模式锁定角色、LOGO 与画风一致性（多参考图/视频混合输入），快速产出社媒物料或内部评审样片。
• 创作者内容： 社交媒体短视频、带同步声音的素材片段，适合需要批量生产的团队以低成本试错。
• 企业本地部署： 在自有服务器运行 H3-Base（768p），结合私有数据与品牌风格微调，满足安全合规要求；2K 成品再经官方 API 的 Regenerate-2K 模块提升画质。

需明确：上述每一条，H3 都在”生成带声音的视频片段”这一层加速你；它不替代分镜设计、镜头语言、表演与剪辑等专业判断。它让”把想法变成一段能用的视频”变得极快，但成片质量仍取决于创作者的意图与审美。

版本迭代中的关键技术更新（Milestone Versions + Legacy）

👾 版本清单由AI整理生成，请谨慎参考

H3 作为 2026 年新发布模型，以下按”海螺系列 → H3 开放权重”的脉络梳理：

闭源 API 视频模型时期（海螺系列）

• Hailuo 02 / Hailuo 2.3：MiniMax 闭源视频生成 API，支持文生视频 / 图生视频，1080p / 768p，6–10 秒，24fps，以”指令遵循”与物理表现见长；权重不开放。

H3 发布与开源（2026）

• 2026 年 7 月 31 日 — MiniMax H3 发布： 通用全模态生成模型，最高 15 秒、2K、原生立体声；宣布将在合规前提下开放权重。
• 2026 年 8 月 3 日 — H3-Base 权重开源： 在 Hugging Face / 魔搭开放下载（FL2VA 与 Ref2VA 检查点、tokenizer、VAE、Encoder）；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 ComfyUI、RunningHub、fal、OpenRouter、Leonardo.Ai 等平台完成/宣布适配。
• 定价档（API 云端）： 2K 约 0.8 元/秒（官方旗舰价，约主流同类 1/3）；768p 低至 0.23 元/秒；按年度 Pro 会员额度折算 2K 约 0.4 元/秒。开源权重本地部署仅产生算力/电费成本。
• 待开源模块： H3-Context-IR 与 H3-Regenerate-2K 经官方 Open Platform API 提供，官方表示就绪后发布（模型卡讨论区持续更新）。

版本代际与技术脉络

把 H3 放进视频生成模型的演进脉络，位置很清楚：

• 第一代 — 闭源 API 视频模型（海螺系列及同期商业模型）： 顶级画质但权重不开放，开发者只能调用云端 API，无法本地微调或私有化。”顶级效果 = 必须闭源”是行业默认规则。
• 第二代 — 开放权重视频模型（H3 开启）： 旗舰级画质 + 全模态统一理解 + 原生音频，权重开放可本地部署与微调；2K 与理解预处理模块仍经 API。H3 把”开放权重路线”从语言/图像真正延伸到了带原生音频的旗舰级视频。

对动画与游戏技术史而言，H3 的意义在于：它第一次让”顶级视频生成”变得可本地化、可合规、可低成本批量试错——这正是开放权重对创作生态最实在的价值。

结语

H3 的意义不在”又多了一个能生视频的工具”，而在于它把视频生成”顶级效果必须闭源”的铁律打破了。对动画与游戏技术史，它值得被记录为视频生成走向开放权重的拐点。

但边界必须讲清：H3 是开放权重的模型，不是开箱即用的桌面软件；所谓”开源免费”，准确含义是——H3-Base 权重在自定义《MiniMax H3 社区许可证》下可免费下载，而理解预处理（Context-IR）与 2K 重生成（Regenerate-2K）两个模块仍仅经 API 提供，且商用边界需阅读许可证原文。把它等同于”完全无限制的开源”是误解。

对创作者最务实的用法是：用 API 快速试错、拿 2K 成品；用开源权重做本地合规部署与品牌风格微调——让开放生态放大创作，而不是神话”开源 = 无所不能”。

用户评价

欢迎提供！