---
url: /lm/minimax-h3/introduction.md
description: >-
  MiniMax H3（海螺 3.0）是稀宇科技于 2026 年 8 月开源的通用全模态视频生成模型，业界首个开源即可本地运行的音画一体生成模型，原生
  2K、原生立体声、视频编辑榜全球第一。本文带你快速认识它是什么、能干什么、怎么上手。
---

# 认识 MiniMax H3：把"会自己配声音"的 2K 视频开源给全世界

你有没有过这种经历：用 AI 生成一个视频，画面挺美，一放声音——得，静音的。然后你还得再开一个配音工具、一段段对嘴型、调情绪、卡节奏，原本三分钟能收工的活儿，硬生生折腾成一下午的"音视频缝合怪"。问题不在你手笨，在于这个圈子里绝大多数视频模型，天生就是"聋的"。

2026 年 8 月 3 日，上海公司 MiniMax 干了件让整个 AI 视频圈睡不着觉的事：**H3（海螺 3.0）直接把权重开源到了 HuggingFace**。它不是又一款"画质还行但要后期配音"的模型，而是业界首个开源就能本地跑、而且**画面和声音是同一次前向推理一起蹦出来**的通用全模态视频模型。消息一出，当天 Video Arena 上它的开源榜直接冲到第一，把第二名 hunyuan-video-1.5 甩开 280 分。

> 有人说这是"视频圈的 DeepSeek 时刻"。我倒觉得更准确的说法是：它把"音画分离"这件行业默认的事，变成了历史。

## 什么是 MiniMax H3

MiniMax H3 是稀宇科技（MiniMax）的旗舰**通用全模态视频生成模型**，也是 MiniMax **第一款开源的多模态模型**。它最初在 2026 年 7 月的世界人工智能大会（WAIC 2026）亮相，7 月 31 日正式发布，8 月 3 日就把权重开放下载——从发布到开源，只隔了三天。

它最炸裂的点不是分辨率，而是\*\*"音画同出"\*\*：视频和双声道立体声是同一个模型、同一次前向过程生成的，而不是"先生成静音视频、再拿 MMAudio 或者 Foley 去贴声音"。给它一张人物图、一段希区柯克式运镜的参考视频、一段歌声音频，它能直接产出人物按指定运镜动作、用参考歌声演唱的 2K 成片。

> 一句话：它不是"视频模型 + 配音插件"的拼装货，而是一个把文本、图像、视频、音频统一塞进同一个上下文、又能统一吐出来的"生成系统"。

## MiniMax H3 有什么特点

* **业界首个开源通用全模态生成模型**：一个模型同时理解并生成文本、图像、视频、声音四种模态，视频和原生立体声一次生成，不用事后配音。
* **33.1B 密集单流 Omni Transformer**：文本编码器用的是 Qwen3-VL-32B，整体是单流结构，理解和生成在同一个模型里完成。
* **三大核心模块**：`H3-Context-IR` 负责多模态上下文理解，`H3-Base` 是统一生成主干，`H3-Regenerate-2K` 负责高分辨率重生（注意：2K 模块闭源，本地只能跑 768P 的 H3-Base）。
* **原生 2K + 原生立体声**：最高 2K（1440P）分辨率、24fps 电影级帧率、4–15 秒时长（延伸模式约 30 秒），音频是原生 32kHz 双声道，口型、停顿、情绪跟着给定音频走。
* **全能参考输入**：文本 + 图片 + 视频 + 音频任意组合，单次最多 9 张图 + 3 段视频 + 3 段音频（共 12 份参考素材），Prompt 上限 7000 字符。
* **六大画幅全覆盖**：21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16，支持 11 种语言（中 / 英 / 日 / 韩等）。
* **结构降本而非补贴**：自研 `H3-VAE` 把视频序列长度压缩 4 倍，`H3-Omni Transformer` 用异构训练把端到端吞吐提升近 30%，这才有底气把价格打到地板价（详见下文）。
* **开源即生态**：发布当天就有 **16 家芯片厂商和平台**完成适配，创下国产开源模型纪录；可走 SGLang、vLLM、diffusers、ComfyUI 多种部署路径。

> 先泼盆冷水：H3 是**视频模型**，不是聊天/代码大模型。要对话、写代码，得用同门的 MiniMax M3 文本大模型。别拿它问"地球有多大"，它会给你生成一段地球自转的带声音视频——虽然也很酷，但不是你想要的。

## MiniMax H3 能用在哪（真实案例）

别只看"开源"两个字上头，这模型是真有人拿它干正事的，而且数据挺硬：

* **独立电影人省下真金白银**：有创作者向某闭源视频模型（Seedance）反复提交同一条提示词，十多次被拒；同样需求交给 H3，镜头很快生成、价格更低。他在社交媒体感叹：如果 H3 早些发布，自己的片子或许早就用上了。
* **一张产品图 → 一条 2K 广告**：另一位创作者只上传了一张产品图 + 一句提示词，H3 就生成了一段 2K 广告。打动他的不仅是清晰度，而是模型自己把光线、镜头和品牌调性都处理妥当了——这对电商、品牌小样、游戏概念 PV 是刚需。
* **MiniMax 自家产品直接用**：海螺 AI（Hailuo）、Talkie 等 MiniMax 系应用背后就是这套生成能力，相当于"自己造的引擎自己先踩油门"。
* **资本用脚投票**：8 月 3 日开源当天，MiniMax 股价（MiniMax-W）一度涨超 **8.67%**——市场比我们还兴奋。

榜单上它也一点不含糊（数据来自 Artificial Analysis，截至 2026-07-31 H3 发布当日）：

| 能力项 | 排名 |
| --- | --- |
| 视频编辑（Video Editing） | **全球第一**（Elo 1130，领先 Gemini Omni、Seedance 2.0） |
| 文生视频（Text-to-Video） | 全球第二 |
| 图生视频（Image-to-Video） | 全球第三 |

在 Video Arena 上，MiniMax-H3 是**开源模型第一**：文生视频、图生视频均居开源榜首，比第二名 hunyuan-video-1.5 高出 280 分，直接从 Hailuo-2.3 的 #27（1199 分）跳到开源榜头名。

> 最颠覆的是价格。H3 的 API 定价 **0.8 元 / 秒**，仅为同类旗舰视频模型（如 Seedance 2.5 的 10 元 / 秒）的约十二分之一；一条 15 秒 2K 视频标价约 1.95 美元。2K 分辨率下每秒价格不到主流模型的三分之一。这不是烧钱补贴，是 H3-VAE 把 Token 量压缩下来的结构性降本。

## 初体验：怎么上手 MiniMax H3

普通人根本不用自己扛 33B 的权重去炼丹，先薅 API 或本地玩 768P 最香：

**想最快看到效果**：直接去 MiniMax 开放平台或海螺 AI 网页端，上传一张图 + 一句话就能生成带声音的视频；开发者走 OpenAI 兼容接口，换个 `base_url` 即可。

**想本地部署（768P）**：开源的 H3-Base 模块支持 ComfyUI、diffusers、vLLM、SGLang。ComfyUI v0.30.0+ 已合入原生支持，一张 RTX 5090 就能本地跑 768P 带立体声的视频。

```bash
# 从 HuggingFace 拉取权重（注意：本地开源版最高 768P）
# 用 diffusers 加载 H3-Base 示例（伪代码示意，具体以官方 repo 为准）
from diffusers import ...  # MiniMax 官方会给出 H3 的 diffusers / transformers 加载示例
# 路径：https://huggingface.co/MiniMaxAI/MiniMax-H3
```

**想冲 2K 画质**：原生 2K 由闭源的 `H3-Regenerate-2K` 模块负责，本地无论什么硬件都跑不出原生 2K，只能调用官方 API 实现。换句话说——**本地玩玩法、云端拿画质**，是 H3 当前的现实分工。

> 部署前务必读一遍 **MiniMax Community License**：该协议**排除欧盟、英国、韩国、美国**地区；年营收超过 2000 万美元的商业用户需单独授权；且生成内容**不能用于训练其他 AI 模型**。商用前把 License 读三遍，别等律师找上门。

## 进阶

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。