H3 API
MiniMax H3 ist ein offenes, omnimodales Diffusions-Transformer-Modell, das aus Text-, Bild-, Video- und Audioeingaben synchrones Video mit Stereo-Audio erzeugt.
MiniMax H3 ist ein 33B-Parameter-Diffusions-Transformer-Modell, das Text-, Bild-, Video- und Audioeingaben akzeptiert und deren Beziehungen versteht. Es besteht aus dem Kernmodell H3-Base, das einen Textencoder, einen visuellen VAE, einen Audio-VAE und einen Omni-Transformer kombiniert, sowie dem Preprocessing- und Orchestrierungssystem H3-Context-IR. H3-Base nutzt RoPE, um räumliche und zeitliche Beziehungen zu erfassen. Das Modell erzeugt Video und Audio aus einem einzigen Modell und folgt komplexen multimodalen Anweisungen in natürlicher Sprache.
Die Videoausgabe unterstützt die Auflösungen 480p, 768p und 2K bei 24FPS und Längen von 5 bis 15 Sekunden. Das Modell bietet Erst- und Letztbild-Kontrolle, Bild-zu-Video-Konvertierung sowie Video-zu-Video-Bewegungsübertragung. Es reproduziert Stimmklang aus Audio-Referenzen und erzeugt natives Stereo-Audio mit Stimme, Soundeffekten und Musik. Zu den bearbeitenden Fähigkeiten gehören Lippensynchronisation zu neuem Dialog und die partielle Wiederverwendung von Hintergrundmusik; auch Bildschirmtext und Markenausdruck werden präzise gerendert.
Dank dieser Bandbreite eignet es sich für Werbung, Branding, E-Commerce, Produktdesign, UI/UX, Spieleinhalte, Kurzvideoproduktion mit Referenzmaterial und anweisungsbasierte Übergänge. Ein neuer Tokenizer mit hoher Kompression vervierfacht die effektive Sequenzlänge, ermöglicht native 2K-Auflösung und senkt Trainings- sowie Inferenzkosten erheblich. Die Grenzen liegen in der Konsistenz zur physischen Welt: Multimodale Eingaben führen nicht immer zu effektivem multimodalen Schlussfolgern, und gemeldete Fehler umfassen unzureichende Evidenzverankerung, unvollständige Ereignisumsetzung sowie Verstöße gegen Kontaktmechanik und Objektgeometrie.
Aktualisiert:
MODELL-ID
hailuo-3- Eingabe
- text / image / video
- Ausgabe
- video
Highlights
- Omnimodales Einzelmodell für Video und Audio
- Native 2K-Auflösung bei 24FPS
- Vierfache effektive Sequenzlänge
- Stereo-Audio mit Stimme, Effekten und Musik
- Offene Gewichte seit 3. August 2026
Anbieter
Vergleichen Sie die API-Preise verschiedener Anbieter. Wählen Sie einen Anbieter aus, um alle Kosten und Bedingungen zu sehen.
Videospezifikationen
- Seitenverhältnisse
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Audio · Ausgabe
- Ja
- Dauer · Minimum
- 5 Sekunden
- Dauer · Maximum
- 15 Sekunden
- Dauer · Schrittweite
- 1 Sekunden
- Auflösungen
- 2K
API-Referenz
Protokolldetails zu diesem Modell sind nicht veröffentlicht. Integrationsanforderungen finden Sie in der API-Referenz.
API-Referenz →Häufige Fragen
Was ist H3?
MiniMax H3 ist ein 33B-Parameter-Diffusions-Transformer-Modell, das Text-, Bild-, Video- und Audioeingaben akzeptiert und deren Beziehungen versteht. Es besteht aus dem Kernmodell H3-Base, das einen Textencoder, einen visuellen VAE, einen Audio-VAE und einen Omni-Transformer kombiniert, sowie dem Preprocessing- und Orchestrierungssystem H3-Context-IR. H3-Base nutzt RoPE, um räumliche und zeitliche Beziehungen zu erfassen. Das Modell erzeugt Video und Audio aus einem einzigen Modell und folgt komplexen multimodalen Anweisungen in natürlicher Sprache. Die Videoausgabe unterstützt die Auflösungen 480p, 768p und 2K bei 24FPS und Längen von 5 bis 15 Sekunden. Das Modell bietet Erst- und Letztbild-Kontrolle, Bild-zu-Video-Konvertierung sowie Video-zu-Video-Bewegungsübertragung. Es reproduziert Stimmklang aus Audio-Referenzen und erzeugt natives Stereo-Audio mit Stimme, Soundeffekten und Musik. Zu den bearbeitenden Fähigkeiten gehören Lippensynchronisation zu neuem Dialog und die partielle Wiederverwendung von Hintergrundmusik; auch Bildschirmtext und Markenausdruck werden präzise gerendert. Dank dieser Bandbreite eignet es sich für Werbung, Branding, E-Commerce, Produktdesign, UI/UX, Spieleinhalte, Kurzvideoproduktion mit Referenzmaterial und anweisungsbasierte Übergänge. Ein neuer Tokenizer mit hoher Kompression vervierfacht die effektive Sequenzlänge, ermöglicht native 2K-Auflösung und senkt Trainings- sowie Inferenzkosten erheblich. Die Grenzen liegen in der Konsistenz zur physischen Welt: Multimodale Eingaben führen nicht immer zu effektivem multimodalen Schlussfolgern, und gemeldete Fehler umfassen unzureichende Evidenzverankerung, unvollständige Ereignisumsetzung sowie Verstöße gegen Kontaktmechanik und Objektgeometrie.
Wie wird die Nutzung abgerechnet?
Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben. Abrechnung nach den tatsächlichen Generierungskosten. Den endgültigen Betrag finden Sie in Ihrer Rechnung.
Welche Eingaben verarbeitet MiniMax H3?
Das Modell akzeptiert Text-, Bild-, Video- und Audioeingaben und versteht deren Beziehungen zueinander. Daraus erzeugt es Video und Stereo-Audio aus einem einzigen Modell.
Welche Auflösungen und Videolängen sind möglich?
Die Videoausgabe unterstützt 480p, 768p und 2K bei 24FPS. Die Längen reichen von 5 bis 15 Sekunden.
Welche Aufgaben lassen sich mit dem Modell umsetzen?
Neben der Erzeugung aus multimodalen Eingaben sind Bild-zu-Video-Konvertierung, Video-zu-Video-Bewegungsübertragung sowie Videobearbeitung wie Lippensynchronisation zu neuem Dialog und partielle Wiederverwendung von Hintergrundmusik möglich.
Worin unterscheidet sich MiniMax H3 von MiniMax H3 Max?
MiniMax H3 Max ist eine Variante, die auf schnelle, hochvolumige Erzeugung in 480p oder 768p spezialisiert ist. Das offene Release von MiniMax H3 umfasst zwei Checkpoints für die Aufgaben T2VA, FL2VA und Ref2VA.
Ist H3-Context-IR im Open-Source-Release enthalten?
Nein. H3-Context-IR ist nicht Teil des Open-Source-Release und ausschließlich über die API verfügbar.
