MiniMax H3 开源权重指南 — 全模态视频生成模型

目录

1. MiniMax 开源权重战略概述
2. MiniMax 开源权重模型产品线（M1 · M3 · H3）
3. H3 核心技术
4. 入门指南 — API
5. 入门指南 — 本地部署（开源权重）
6. 使用示例 — T2V · I2V · Ref2V
7. 优点
8. 缺点
9. 对视频制作/编辑产业的影响
10. 主要竞争对手
11. 总结

---

1. MiniMax 开源权重战略概述

在文本为主的 LLM（M 系列）之后，MiniMax 于 2026 年 7 月发布了 首个开源权重视频生成模型 H3，将开源权重战略扩展到图像、音频、视频全栈。

核心战略方向：

• 模态统一：将文本、图像、视频、音频作为统一输入上下文理解，并联合生成视频与立体声音频的"全模态"模型。
• 任务统一：把原本分散在专业模型上的任务 — 文本转视频（T2V）、图像转视频（I2V）、参考转视频（Ref2V）、视频编辑、语音/音效/音乐生成 — 泛化到单一模型。
• 开源权重开放：最新 H3 权重公开，可在本地或私有环境直接部署，无需 API 费用，也可针对特定领域微调。
• 价格颠覆：2K 分辨率每秒价格不足主流竞品的 1/3，768p 不足主流 720p 价格的一半。

---

2. MiniMax 开源权重模型产品线

模型	发布时间	主要特点与性能
MiniMax-M1	2025 年 6 月	全球首个开源权重混合注意力推理模型 - 架构：混合 MoE，总参数 4560 亿，每 token 激活 459 亿 - 上下文：最高 100 万 token（DeepSeek-R1 的 8 倍） - 效率：生成 10 万 token 仅需 DeepSeek-R1 的 25% FLOPs - 基准：优于 DeepSeek-R1、Qwen3-235B 等主流开源模型
MiniMax M3	2026 年 6 月	首个结合编码、1M 上下文、原生多模态的开源权重模型 - 架构：MoE，总参数约 4280 亿，每 token 激活约 230 亿 - 编码：SWE-Bench Pro 达 59.0%（超过 GPT-5.5 的 58.6%） - 价格：API 价格为竞品闭源模型的 5%~10%（促销期 $0.3/百万输入 token）
MiniMax H3	2026 年 7 月	MiniMax 首个以开源权重发布的视频模型 - 性能：视频编辑领域全球第一，文本转视频第二 - 能力：接受文本、图像、视频、音频输入，生成最高 2K、15 秒、带原生立体声音频的视频 - 许可证：MiniMax 社区许可证（年收入 2000 万美元以下组织可商用） - 开源权重：HuggingFace MiniMaxAI/MiniMax-H3（33B，BF16）

---

3. H3 核心技术

H3 由三个模块组成。API 集成提供三者，开源权重仅包含 H3-Base。

模块	作用	开放情况
H3-Context-IR	理解并精炼多模态输入，转换为结构化提示（中间表示）。以语言作为"泛化的桥梁"	仅 API
H3-Base	依据 Context-IR 输出生成 768p 视频 + 立体声音频（33B dense Omni-Transformer）	开源权重
H3-Regenerate-2K	将 768p 结果与原上下文一起重新注入，再生成 2K。复用基础模型生成能力，替代专用超分辨率模块	仅 API

关键技术亮点：

• H3-Contextual Omni Representation：覆盖视频、音频、多镜头关系的字幕化流水线。大部分原始素材经约 10 万 token 推理，蒸馏为平均约 4 千 token。
• H3-VAE：彻底重新设计分词器，同时提升重建质量与可学习性。高压缩率带来 4 倍有效序列长度，是原生 2K 支持的关键技术。
• H3-Omni Transformer：面向任务泛化的 dense Transformer。分离理解与生成负载以优化硬件利用率，训练吞吐提升近 30%。MM-RoPE 表达（时间、高度、宽度）三维位置关系，并原生支持稀疏注意力。
• In-Context Regeneration：不用专用超分模块，由 H3 基础模型将自身低分辨率输出与原多模态上下文一起再生成，可恢复传统 SR 只能"猜测"的小文字、细节等信息。

H3 输入/输出规格

项目	规格
输出时长	4~15 秒
输出分辨率	768p（默认）~ 2K（经 H3-Regenerate-2K）
输出帧率	24 FPS
输出音频	32 kHz 立体声
支持纵横比	21:9、16:9、4:3、1:1、3:4、9:16、adaptive
对话语言	稳定支持阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语等 11 种语言

---

4. 入门指南 — API

H3 采用异步生成流程。提交生成请求后立即获得 task_id，随后轮询任务状态，下载完成的视频。

4.1 准备工作

1. 在 platform.minimax.io 注册账号
2. 在 Account Management > API Keys 创建 API Key（用于 Authorization: Bearer <API_KEY> 请求头）
3. 充值余额/token 套餐（2K 每秒价格不足主流模型的 1/3）

export MINIMAX_API_KEY="<YOUR_API_KEY>"
export MINIMAX_API_BASE="https://api.minimax.io"   # 全球（中国：https://api.minimaxi.com）

4.2 创建任务

POST {MINIMAX_API_BASE}/v2/video_generation

curl -X POST "$MINIMAX_API_BASE/v2/video_generation" \
  -H "Authorization: Bearer $MINIMAX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [
      {
        "type": "text",
        "text": "Epic space-opera theatrical teaser: a female captain stands alone before a massive observation window as the last fleet gathers and jumps away in a blinding flash, the bridge shaking, leaving her behind."
      }
    ],
    "resolution": "2K",
    "duration": 5,
    "ratio": "16:9"
  }'

响应中返回 task_id。

{ "task_id": "424010985738629" }

4.3 查询任务

GET {MINIMAX_API_BASE}/v2/query/video_generation/{task_id}

curl -s "$MINIMAX_API_BASE/v2/query/video_generation/424010985738629" \
  -H "Authorization: Bearer $MINIMAX_API_KEY"

成功后 status 变为 succeeded，content.url 返回视频下载地址。

{
  "task": {
    "id": "424010985738629",
    "model": "MiniMax-H3",
    "status": "succeeded",
    "content": { "url": "https://your-cdn.example.com/h3-generated-2k-output.mp4" },
    "resolution": "2K",
    "duration": 5,
    "ratio": "16:9"
  }
}

• 状态：queued → running → succeeded / failed / cancelled
• 仅可查询最近 7 天任务，视频 URL 有时效，请及时下载保存。
• 失败时返回 error 字段（含 code/message）。

4.4 Python 完整示例（创建 → 轮询 → 下载）

import time
import requests

API_BASE = "https://api.minimax.io"
API_KEY = "<YOUR_API_KEY>"
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}

def create_video(prompt, resolution="2K", duration=5, ratio="16:9"):
    resp = requests.post(
        f"{API_BASE}/v2/video_generation",
        headers=HEADERS,
        json={
            "model": "MiniMax-H3",
            "content": [{"type": "text", "text": prompt}],
            "resolution": resolution,
            "duration": duration,
            "ratio": ratio,
        },
    )
    resp.raise_for_status()
    return resp.json()["task_id"]

def wait_video(task_id, timeout=600):
    url = f"{API_BASE}/v2/query/video_generation/{task_id}"
    deadline = time.time() + timeout
    while time.time() < deadline:
        data = requests.get(url, headers=HEADERS).json()["task"]
        if data["status"] in ("succeeded", "failed", "cancelled"):
            return data
        time.sleep(5)
    raise TimeoutError("task did not finish in time")

task_id = create_video("A boy playing basketball by the sea, golden hour, cinematic")
result = wait_video(task_id)
if result["status"] == "succeeded":
    video_url = result["content"]["url"]
    mp4 = requests.get(video_url).content
    open("output.mp4", "wb").write(mp4)
    print("saved output.mp4")

4.5 请求参数汇总

参数	类型	必填	说明
model	string	是	MiniMax-H3（当前唯一）
content	array	是	多模态输入数组，由 text/image_url/video_url/audio_url 元素构成。每个请求必须包含一个非空 text（提示词）（最多 7000 字符）
resolution	string	是	768P 或 2K
duration	int	是	4~`15`（秒）
ratio	string	视情况	adaptive（默认）、21:9、16:9、4:3、1:1、3:4、9:16。纯文本 T2V 不能使用 adaptive，必须显式指定；图像输入一律按 adaptive 处理
callback_url	string	否	状态变更时 POST 通知。需在 3 秒内响应 challenge 校验

输入媒体限制（请求体总大小 ≤ 64MB；大文件建议使用公开 URL）：

媒体	限制
图像（image_url）	JPG、JPEG、PNG、WEBP、HEIC、HEIF；单文件 ≤ 30MB；[256, 5760]px；纵横比 [0.4, 2.5]。first frame ≤ 1、last frame ≤ 1、参考图像 ≤ 9
视频（video_url，参考场景）	MP4、MOV；H.264/H.265、AAC、MP3；单文件 ≤ 50MB；≤ 3 段；每段 2~15 秒，总计 ≤ 15 秒
音频（audio_url，参考场景）	WAV、MP3；单文件 ≤ 15MB；≤ 3 段；每段 2~15 秒，总计 ≤ 15 秒（音频不能单独输入）

---

5. 入门指南 — 本地部署（开源权重）

5.1 下载模型

从 HuggingFace 获取 MiniMaxAI/MiniMax-H3（33B 参数，Image-Text-to-Video，BF16）。分为两个按任务区分的检查点：FL2VA（首/末帧）与 Ref2VA（参考驱动）。

# 原始检查点（SGLang、vLLM 使用）— 两个任务族
hf download MiniMaxAI/MiniMax-H3 --include "FL2VA/*" "Ref2VA/*" --local-dir MiniMax-H3

# 单个任务族
hf download MiniMaxAI/MiniMax-H3 --include "FL2VA/*" --local-dir MiniMax-H3

diffusers 用户无需手动下载：ModularPipeline.from_pretrained("MiniMaxAI/MiniMax-H3") 会自动拉取所需组件。

5.2 推荐推理框架

框架	特点
SGLang	推荐 4 卡，Ulysses 并行高性能，有官方 cookbook
vLLM	缓存与调度优化，提供 vllm recipes
diffusers	一行 ModularPipeline.from_pretrained 加载，Python 流水线
ComfyUI	Comfy-Org/MiniMax-H3 节点化工作流，提供 T2V/R2V 模板

5.3 SGLang 服务示例

# FL2VA（文本/首末帧 → 视频）
sglang serve \
  --model-path MiniMaxAI/MiniMax-H3 \
  --num-gpus 4 \
  --ulysses-degree 4 \
  --performance-mode speed \
  --host 0.0.0.0 \
  --port 30010 \
  --model-variant fl2va

# Ref2VA（参考图像/视频/音频 → 视频）
sglang serve \
  --model-path MiniMaxAI/MiniMax-H3 \
  --num-gpus 4 \
  --ulysses-degree 4 \
  --performance-mode speed \
  --host 0.0.0.0 \
  --port 30011 \
  --model-variant ref2va

5.4 完整 2K 工作流（API + 本地混合）

开源权重可在本地复现 768p 输出；结合官方 API 可复现 2K 质量。

1. H3-Context-IR（POST /v2/h3_context_ir）：本地生成前将输入转换为结构化提示，对最终质量至关重要，强烈推荐。
2. H3-Base（本地 SGLang）：基于转换后的提示生成 768p 视频。
3. H3-Regenerate-2K（POST /v2/video_regeneration）：将 768p 结果与原上下文一起再生成至 2K。

# 环境变量
export SGLANG_DEPLOYMENT_URL="<sglang-deployment-url>"
export MINIMAX_API_BASE="https://api.minimax.io"   # 或 https://api.minimaxi.com（中国）
export TOKEN="<token>"

5.5 许可证

H3 按 MiniMax H3 Community License Agreement 分发。

• 年收入 低于 2000 万美元的组织可商用。
• 权重可下载、修改、微调。
• 超过该门槛需另行协商商业许可。
• 官方许可文件：huggingface.co/MiniMaxAI/MiniMax-H3 中的 LICENSE。

---

6. 使用示例 — T2V · I2V · Ref2V

H3 依据 content 数组组合支持多种生成场景。

6.1 文本转视频（T2V）

{
  "model": "MiniMax-H3",
  "content": [
    { "type": "text", "text": "A cinematic product commercial of a luxury watch floating above a city at dawn, dramatic lighting" }
  ],
  "resolution": "2K",
  "duration": 5,
  "ratio": "16:9"
}

6.2 图像转视频（I2V）— 首/末帧

{
  "model": "MiniMax-H3",
  "content": [
    { "type": "text", "text": "Pull focus to the people in the background and add more steam to the ramen bowl." },
    { "type": "image_url", "image_url": { "url": "https://example.com/first_frame.png" }, "role": "first_frame" },
    { "type": "image_url", "image_url": { "url": "https://example.com/last_frame.png" }, "role": "last_frame" }
  ],
  "resolution": "2K",
  "duration": 5,
  "ratio": "adaptive"
}

6.3 参考转视频（Ref2V）— 视频编辑、语音与音乐

{
  "model": "MiniMax-H3",
  "content": [
    {
      "type": "text",
      "text": "Character speaks: Follow the wind, live free. Voice timbre follows reference audio 1."
    },
    { "type": "video_url", "video_url": { "url": "https://example.com/source.mp4" }, "role": "reference_video" },
    { "type": "audio_url", "audio_url": { "url": "https://example.com/voice.mp3" }, "role": "reference_audio" }
  ],
  "resolution": "2K",
  "duration": 5,
  "ratio": "adaptive"
}

6.4 role 组合规则

场景	content 组成
T2V	仅 text
I2V 首帧	text + 1 张图像（first_frame，或省略 role）
I2V 末帧	text + 1 张图像（last_frame）
I2V 首末帧	text + 2 张图像（first_frame + last_frame）
Ref2V	text + 参考图像（reference_image）/视频（reference_video）/音频（reference_audio）任意组合；音频不能单独输入，至少需要 1 张图像或视频

注意：I2V 与 Ref2V 互斥。只要出现 reference_* role，就不能使用 first_frame/last_frame。

---

7. 优点

• 开源权重的自由度：下载权重即可在本地或私有环境部署，强化数据安全；无需按次 API 费用，可针对特定领域微调。
• 顶尖性能：视频编辑全球第一、文本转视频第二。已成熟到可直接投入广告、品牌、电商、游戏等商业内容制作。
• 全模态输入：可同时输入文本、图像、视频、音频，用自然语言执行复合指令，例如"参考该视频的镜头运动，让那张图片中的人物用这个声音演唱"。
• 原生立体声音频：随视频一并生成 32kHz 立体声，无需单独的 TTS、音乐、音效流程，一次同步完成音视频。
• 颠覆性成本效率：2K 每秒价格不足主流模型 1/3，768p 不足主流 720p 一半。与 M3 LLM 的价格策略（闭源模型 5%~10%）一脉相承。
• 长片段：单次生成最长 15 秒 + 多片段参考，可自然编排多镜头。
• 生态快速落地：发布后立刻出现官方 ComfyUI 集成与多个 HuggingFace Spaces 演示（多模态、Ref2VA、FL2VA 等）。

---

8. 缺点

• 硬件要求：33B dense 模型要在本地流畅运行，需要高端 GPU（推荐 4 卡）等昂贵基础设施。
• 部分模块未开源：H3-Context-IR 与 H3-Regenerate-2K 仅提供 API。要完整复现最高质量（尤其 2K），即便本地部署也需结合官方 API。
• 许可证限制：MiniMax 社区许可证限制年收入超过 2000 万美元企业商用。
• 独立验证有限：公布的基准（如视频编辑第一）为 MiniMax 自测数据，需独立机构验证。
• 中资企业背景：数据安全与监管顾虑可能使部分国家/企业受限。
• 生成质量不稳定：人脸、手部、精细文字仍有短板，常需提示词调优或多次重新生成（seed）。
• 监管与版权风险：肖像权、品牌标识、音乐版权、深度伪造滥用等使其受到生成式媒体监管约束。

---

9. 对视频制作/编辑产业的影响

H3 不只是"生成一段视频"，而可能改变整个视频制作流水线。视频编辑第一的成绩尤其值得关注。

9.1 制作成本骤降

• 2K 每秒成本不足主流模型的 1/3。一段 30 秒品牌视频的直接生成成本可能降至过去的 1/10 甚至更低。
• 使用开源权重 + 本地部署，每秒计费直接消失。只要有 GPU，视频边际成本降到电费级别。
• 结合 M3 式"闭源模型价格 5%~10%"策略，整个生成式媒体市场的价格下限或被重塑。

9.2 编辑范式转变：从"操作"到"描述"

传统编辑是在时间线上裁剪、拼接、加滤镜。H3 则是用自然语言描述期望结果，一次性重新生成视频与音频。

• 只替换场景人物、背景、氛围的 V2V 编辑
• 借用参考视频镜头运动、应用参考音频音色的复合编辑
• 指定首末帧、导演"中间场景"的帧锚定编辑
• 用 4 秒音视频参考拼接 15 秒多镜头的分镜规划

换言之，范式从"剪辑为中心"转向"意图为中心"。Adobe、达芬奇等传统 NLE 工具的核心价值部分面临被生成引擎吸收的压力。

9.3 制作主体的民主化

• 只要有导演/剧本创意，个人或小团队即可制作广告、品牌、电商、产品演示视频。
• 过去需要外包的东西 — 产品网站动态横幅、动画海报、片头标题、UI/UX 演示 — 现在用一句提示即可产出。
• 语言壁垒也降低。支持 11 种语言对话，无需另行选角即可生成本地化视频。

9.4 工作流转变：从"片段生成"到"全面参与制作"

正如 MiniMax 路线图所述，视频模型将超越单一片段生成器，参与内容制作的整个流程。

• 预演：剧本 → 分镜视频 → 拍摄前方向验证
• 外景/背景/CG 替换：以生成背景替代实拍（产品视频、室内、建筑演示）
• 自动语音/音乐/音效：从参考素材一次性合成台词、旁白、BGM、SFX
• 版本与 A/B 测试：批量生成营销创意并对比效果

9.5 分行业影响汇总

行业	影响
广告/营销	创意 A/B 测试成本骤降；品牌一致性更易保持（品牌渲染精度是其强项）
电商	由单张照片生成商品视频、360 演示、生活方式镜头
游戏	快速生成电影级预告、角色动作参考、概念视频
影视	预演、美术设计、VFX 辅助。注意人物/面部再现的法律风险
广电/YouTube	个人媒体直接制作高质量背景、动态缩略图、片头
教育/研究	即时生成演示与讲解视频，用于学习与汇报

9.6 风险与应对

• 就业结构变化：自动化的压力会从低端剪辑、动态图形岗位开始。同时诞生结果审核、策展、法务校验等新角色。
• 深度伪造与欺诈：参考式人脸/语音编辑变得容易，水印与检测技术的重要性上升。
• 版权与肖像权：参考素材与生成结果的权属模糊，合同与许可管理成为必需。
• 媒体素养：针对"生成视频"的标识监管预计会加强。

总之，H3 类模型降低了视频制作成本下限、使制作主体大众化，并把编辑范式从"编辑"推向"生成"，可能成为产业结构性变革的催化剂。

---

10. 主要竞争对手

MiniMax H3 面临以下强劲对手。

• 字节跳动（Seedance）：视频 AI 领域 H3 的直接竞争者。
• Google（Veo · Gemini）：文本转视频与多模态生成的重要力量。Gemini 3.1 Pro、Gemini Omni Flash 是 M3、H3 的强劲对手。
• OpenAI（Sora）：文本转视频第一梯队，Sora 2 以来主导生成式媒体市场。
• Runway：以电影化编辑与控制见长（Gen-4 等）。
• 可灵（快手 Kling）：中国视频生成头部玩家。
• 其他中国开源权重阵营：文本 LLM 方面，DeepSeek（R1、V4-pro）、Qwen（阿里，Qwen3-235B、Qwen3.7-Max）、Moonshot AI（Kimi）与 M1/M3 竞争，部分正扩展视频模型。

---

11. 总结

MiniMax 继 M1/M3（文本推理与编码）之后，以 H3（视频生成） 将开源权重战略扩展到全模态媒体。顶尖性能（视频编辑第一）、最高 2K、15 秒、带立体声的视频生成、不足主流 1/3 的价格、向年收入 2000 万美元以下组织开放的社区许可证 — H3 是开源权重生态进军长期被闭源视频模型主导市场的信号。

尤其在视频制作/编辑产业，H3 ① 将制作成本从按秒计费降到 GPU 边际成本；② 转向自然语言、意图为中心的编辑范式；③ 加速个人与小型团队制作的民主化。只要明确识别独立基准验证与许可/监管风险，H3 就是广告、电商、游戏、广电等广泛视频工作流中的现实可落地候选。

---

参考资料

• MiniMax H3 官方博客：https://www.minimax.io/blog/minimax-h3
• HuggingFace 模型：https://huggingface.co/MiniMaxAI/MiniMax-H3
• API Reference（Video Generation V2）：https://platform.minimax.io/docs/api-reference/video-generation-v2-create
• Query Task API：https://platform.minimax.io/docs/api-reference/video-generation-v2-query
• SGLang cookbook（MiniMax-H3）：https://docs.sglang.io/cookbook/diffusion/MiniMax/MiniMax-H3
• vLLM recipes：https://recipes.vllm.ai/MiniMaxAI/MiniMax-H3
• ComfyUI 集成：https://github.com/Comfy-Org/ComfyUI · https://docs.comfy.org/tutorials/video/minimax/minimax-h3