开源发布
2026 年 8 月 3 日，我们正式开源新一代通用视频模型 MiniMax H3。
MiniMax H3 是一个通用型全模态生成系统。它能够统一理解由文本、图像、视频和音频构成的多模态上下文，并可生成最高 2K 分辨率、最长 15 秒、带有原生立体声音频的视频。得益于以任务泛化为导向的系统设计，H3 在预训练阶段便已具备广泛的多模态上下文理解与生成能力，能够出色地遵循复杂的多模态指令。
模型规格
输入输出规格
- 输出时长： 4–15 秒
- 输出宽高比： 支持多种宽高比，包括但不限于 21:9、16:9、4:3、1:1、3:4 和 9:16
- 输出分辨率： 支持多种分辨率，默认较短边 768 像素。使用 H3-Regenerate-2K 可实现 2K 分辨率生成
- 输出帧率： 24 FPS
- 输出音频： 32 kHz 立体声
- 支持语言： 稳定支持 11 种语言——阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语
模型版本
① H3-Base-FL2VA（首尾帧模式） 支持输入 0 张、1 张或 2 张图像：
- 不输入图像：文生视频模式
- 输入首帧：首帧生视频
- 输入尾帧：尾帧生视频
- 同时输入首尾帧：首尾帧生视频
② H3-Base-Ref2VA（全模态参考模式）
- 图像： 最多 9 张
- 视频： 最多 3 段，每段 2–15 秒，总时长不超过 15 秒
- 音频： 最多 3 段，必须与图像/视频一同输入，每段 2–15 秒，总时长不超过 15 秒
- 混合输入： 所有类型输入文件合计最多 12 个
完整 H3 系统架构
完整的 H3 系统由三个模块组成：
H3-Context-IR
随着输入日益复杂，我们构建了一套专门系统用于深入理解和提炼输入的多模态指令，并将其转换为 H3 更易理解、可直接用于生成的形式——Context Intermediate Representation（上下文中间表示）。
H3-Context-IR 对最终输出质量非常重要。因此我们强烈建议将 H3-Context-IR API 接入生成流程，或者参考提示词指南搭建自己的上下文处理系统。
其内部工作流包括指令解析、跨模态关联、时序理解和复杂逻辑推理，会将理解序列化为结构化表示，并在不偏离用户原始意图前提下补充缺失或描述不充分的语义细节。
H3-Context-IR 依赖多阶段工作流和多个托管模型与服务，因此不包含在本次开源发布中。我们提供了 API 和详细教程（视频提示词写作指南、全参考模式输出指南）帮助开发者构建自己的预处理系统。
H3-Base
根据 H3-Context-IR 输出生成音频和视频，输出 768p 分辨率结果。
架构概览： H3-Base 使用不同模态各自对应的编码器或 VAE 进行编码，将编码后的表示组织成统一的 packed multimodal sequence，通过 RoPE 表达 token 之间的空间和时间关系，再输入 H3-Omni-Transformer。
具体而言：
- 文本由 H3-Encoder 编码
- 视觉输入同时由 H3-Encoder 和 H3-VisualVAE 编码
- 音频仅由 H3-AudioVAE 编码
H3-Omni-Transformer 联合预测视频 latent 和音频 latent，随后分别解码为视频和立体声音频。
H3-Encoder： 使用 Qwen3-VL-32B 完整预训练权重，提供第 50 层 hidden states 给 H3-Omni-Transformer。tokenizer 中增加了若干 special tokens（如
H3-VisualVAE： 时间因果结构视频自编码器，空间压缩 16 倍，时间压缩 4 倍，latent channel 24（记作 f16t4d24）。进入 Transformer 前视觉 latent 以 1×2×2 patch size 进一步 patchify，等效 32 倍空间下采样。完成 encoder 训练后还训练了基于 ViT 的 decoder 以降低解码成本并提升重建质量。
H3-AudioVAE： 使用同一套编码器/解码器分别独立处理左右声道再组合，支持立体声输入输出。每个声道将 32 kHz 音频压缩为 40 Hz latent token 序列。
H3-Omni-Transformer： 33B 参数 dense single-stream Transformer，其中约 13B 参数位于 AdaLN 相关分支（推理时 AdaLN 调制输出可预计算缓存，无需加载这部分参数）。attention 层和 FFN 层不包含 modality-specific 结构，模态相关参数仅存在于 input/output layer 和 AdaLN 分支。使用三维 MM-RoPE 表达 (t, h, w) 位置关系。训练最后阶段引入原生稀疏注意力（首个开源版本仅提供全注意力推理，稀疏注意力后续更新发布）。
H3-Regenerate-2K
将 768p 生成结果连同原始上下文一并送回 H3，以 2K 分辨率重新生成。不采用传统专用超分辨率模块，而是通过 in-context 方式用 H3 基础模型对自身低分辨率结果重新生成。
优势：
- 最大程度复用 H3 基础模型已有生成能力
- In-context 形式再次利用原始多模态上下文，还原传统超分只能"猜"的小文字和精细细节
该模块目前尚未开源，提供 API 可复现并验证官方完整生成结果。
推荐工作流
H3-Base 本地部署
MiniMax H3 以两个 task-specific checkpoints 形式发布（FL2VA 和 Ref2VA），每个均包含针对相应任务训练的 Omni Transformer Model、processor、tokenizer、text encoder、Visual VAE 和独立 Audio VAE。
发布的 checkpoint 均采用 CFG Distillation 的 Omni Transformer 权重，以 self-contained 的 Hugging Face 模型仓库发布。目前支持通过 SGLang、vLLM、diffusers 和 ComfyUI 部署。
提供三类可复现的 768p 音视频生成案例：
- T2VA： 输入完整 H3-Context-IR Prompt，直接生成包含画面、环境音、音效与配乐的音视频
- FL2VA： 以首帧/尾帧/首尾帧为 keyframe，生成后续音视频
- Ref2VA： 联合使用参考图像/视频/音频，实现人物与场景保留、动作与嘴型编辑、音色参考、原始音频复用等复合任务
完整 2K 工作流
将本地部署的 H3-Base 与官方 H3-Context-IR、H3-Regenerate-2K API 组合使用，复现 2K 视频质量：
- H3-Context-IR 理解与扩展多模态输入，生成完整 Prompt
- 本地 H3-Base 生成 768p 音视频
- H3-Regenerate-2K 以 768p 视频为
base_video，结合扩展 Prompt 与原始上下文，再生成 2K 视频
同样提供 T2VA、I2VA、Ref2VA 三类完整复现案例，以及 API 直接生成的 2K/768p 参考结果。
许可协议
MiniMax H3 基于 MiniMax H3 Community License 发布。
快速体验
- H3-2K 直出 API：https://platform.minimaxi.com/docs/api-reference/video-generation-v2-create
- H3-Context-IR API：https://platform.minimaxi.com/docs/api-reference/video-generation-v2-h3-context-ir
- H3-Regenerate-2K API：https://platform.minimaxi.com/docs/api-reference/video-generation-v2-regeneration
- MiniMax Hub：https://hub.minimaxi.com/
- 海螺 AI：https://hailuoai.com/
- Hugging Face：https://huggingface.co/MiniMaxAI/MiniMax-H3
- 魔搭社区：https://modelscope.cn/models/MiniMax/MiniMax-H3
Intelligence with Everyone.