MiniMax发布全模态模型H3，2K视频生成成本不足主流三分之一

发布概述

今日，AI公司MiniMax正式发布通用全模态生成模型 MiniMax H3。该模型首次实现了文本、图像、视频、音频的统一理解与生成，打破了视频生成领域各任务、各模态相互割裂的局面，标志着多模态生成模型从“专用专家”向“通用助手”迈出关键一步。

核心能力

H3支持原生双声道音视频输出，最高可生成15秒2K分辨率内容。在前期邀测中，H3在指令遵循、品牌信息呈现、V2V动作迁移等场景下表现出商用级稳定性，已可应用于广告、电商、游戏、UI设计等多个商业领域。

官方强调，H3通过自然语言即可驱动跨模态复杂任务，例如“参考某段视频的希区柯克式镜头运动，让指定图片中的人物唱出某段音频的歌声”——模型可自动完成全链路理解与生成。

技术亮点

H3引入了 Contextual Omni Representation（上下文全模态表示） 技术，使自然语言成为连接各类模态的通用桥梁。配合自研的 H3-VAE 与 In-context Regeneration 技术，H3在2K分辨率下的每秒生成成本不到主流模型的 1/3，768P分辨率下不到 1/2，为行业提供已知的最优性价比方案。

开源计划

值得关注的是，MiniMax宣布将在未来几天内，在符合相关法律法规的前提下开源H3模型权重。这也是国产视频生成大模型首次面向社区开放权重，旨在推动开源生态建设并加速国产芯片适配。H3在设计初期就考虑了多款国产芯片的兼容性，其开源将进一步降低国内企业在多模态AI应用上的技术门槛。

未来展望

MiniMax方面表示，H3目前仍存在画面精细度和模型规模上的提升空间，后续将推进 H系列与M系列模型能力的融合，并通过Scaling持续扩展模型上限。

业内分析认为，H3的发布与开源或将改变闭源模型长期主导视频生成领域的格局，为多模态AI的普惠化应用按下加速键。