MiniMax H3 是什么？把视频、声音、动作装进一个模型的开源炸弹

2026 年 8 月初，MiniMax 把第三代视频模型 H3 的权重开源了。这不是又一个"文生视频"小玩具——它是一个通用全模态生成系统：你给它文字、图片、视频、音频当上下文，它一次性吐出一条带原生立体声的视频。

它到底强在哪

过去做一条像样的 AI 视频，最累的往往是"拼接"：先找图做角色参考，再找视频定动作，画面出来还得去另一个工具补声音，想改一句台词前面的素材全得重对齐。H3 想解决的正是这件事——把文字、图像、视频、音频一起当上下文，一次生成。

三个模块，只有中间开源

H3 完整系统由三个模块组成：Context-IR（理解指令，闭源、只走 API）、Base 33B（生成 768p 音视频，这是开源主体）、Regenerate-2K（把 768p 重绘成 2K，闭源、只走 API）。所以"本地免费跑"基本成立，但成立的只有 768p 这一半；想要官方原汁原味的 2K，得走 API。

关键参数一表速记

原生立体声 32kHz；一次最多喂 12 个素材（9 张图 + 3 段视频 + 3 段音频）；提示词最长 7000 字符；最高 2K（2560×1440），6 种宽高比，时长 4–15 秒，24fps。本分类还有 6 篇讲怎么上手、写提示词、本地部署和对比，建议顺着看。

H3 适合谁用

H3 比较对路的是"重度中文 + 多模态 + 长文本"的用户：写长文、做文档分析、要生图生视频、要自然语音对话的人，能在它一套体系里闭环。开发者可以接 API 把它嵌进自家产品；内容创作者能用它从文案到配音到短片一条龙产出。

如果你主要做英文硬推理或极客向 coding，可能别的模型更尖；但走"中文内容生产"这条路，H3 的整合度（文本+语音+音乐+视频）确实是少数能打的选项，值得内容工作者重点试。