MiniMax Hailuo H3 发布:2K 分辨率下最长 15 秒视频,支持原生立体声与全模态参考
MiniMax 发布通用多模态生成模型 Hailuo H3,可统一理解文本、图像、视频与音频,生成带原生立体声、最长 15 秒、最高 2K 的视频。官方称 2K 每秒价格低于主流模型的三分之一,并计划在近期开放模型权重,目标覆盖广告、电商与产品设计场景。
Hailuo H3 统一四种模态,原生 2K 最长 15 秒
MiniMax Hailuo H3 用一个模型统一文本、图像、视频与音频任务,原生输出 2K、最长 15 秒并带立体声。
统一上下文与输出
官方原文称:“H3 understands unified context across text, images, video, and audio, generating video with native stereo sound, up to 15 seconds at 2K resolution.”(来源:MiniMax 官方博客)
任务合并
官方把图像生成、编辑、主体参考、运动参考、风格参考,以及视频的文生、图生、首尾帧、编辑等任务,合并进同一个模型,减少按任务拆分的专家模型。这意味着过去要在多个模型之间切换的工作,可以用一段上下文描述完成。
价格与权重
2K 下每秒价格低于主流模型的三分之一,768p 低于主流 720p 的一半;官方计划在符合法规的前提下于近期开放权重,并优先考虑硬件兼容。默认输出就是 2K,不需要先出低分辨率再放大。
提示词改为描述素材关系,分镜表要加编号列
提示词写法从逐条参数变成描述素材关系:例如引用视频 1 的运镜、让图 2 的角色唱歌、对上音频 3 的人声。
提示词写法
官方示例是引用视频 1 的镜头运动、让图 2 的角色唱歌、并对上音频 3 的人声。复杂约束写成语义关系,而不是逐条参数。提示词的重点从描述画面,转向说明素材之间的关系。
广告与电商
官方点名广告、品牌、电商、产品设计、UI/UX 与游戏场景,目标是可直接用于商用内容生产。品牌文字与标识的准确渲染,是这类场景能否落地的关键。
需要重做的模板
把主体、运动、风格拆成不同参考后,旧的单段提示词模板需要重写,分镜表也要加上“素材编号”这一列。
多模态参考与原生音频场景优先接入
需要多模态参考、原生音频与按秒控制成本的团队值得接入;只做纯文生视频的用户可以等权重开放后再本地试。
适用场景
广告、电商产品片与需要品牌文字准确的成片。需要把多个素材串成一条镜头的项目,收益最直接。
上手步骤
- 先把角色、运动、声音分别准备成参考素材。
- 用一句话写清各素材之间的关系。
- 在 768p 下试方向,再按需要升到 2K。
- 记录每次生成的素材组合,方便复用同一条提示词。
验证与对比
官方称 H3 在指令遵循、文字与品牌渲染、V2V 运动迁移上表现突出,完整技术报告将另行发布。按秒计费的低价区间需要按实际分辨率核算。需要 12 个参考文件与音频分轨的另一条路线,可看 Pika H3 Flex;需要时间戳编辑,可对照 Seedance 2.5。
常见问题
- H3 最长能生成多少秒?
- 官方称最长 15 秒,原生 2K 分辨率,并带原生立体声。
- 它能接收哪些类型的参考?
- 文本、图像、视频与音频都可以作为统一上下文输入。
- 价格水平如何?
- 官方称 2K 下每秒价格低于主流模型的三分之一,768p 低于主流 720p 的一半。
- 会开放权重吗?
- 官方计划在符合法规的前提下于近期开放模型权重。
相关术语
- 全模态
- 全模态指模型可同时理解并生成文本、图像、视频与音频。
- V2V 运动迁移
- V2V 运动迁移是把参考视频中的动作或运镜迁移到新生成的画面上。
- 上下文
- 上下文是模型在生成时参考的全部输入信息,包括文字、图片与音频。
- 开放权重
- 开放权重指模型参数可下载部署,使用范围由许可证约定。
这篇文章的来源是什么?
文中涉及版本、价格与功能的信息,均以厂商原文为准;下面是可以核对的原始出处。
- MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities · MiniMax Hailuo · 2026-11-12
「MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities」 —— MiniMax Hailuo
文章目录