H3 API

MiniMax H3 es un modelo de transformador de difusión de 33B parámetros desarrollado por MiniMax y publicado el 31 de julio de 2026, con pesos abiertos disponibles desde el 3 de agosto de 2026 bajo la MiniMax H3 Community License Agreement. Combina el modelo central H3-Base con el sistema de preprocesamiento y orquestación H3-Context-IR. H3-Base integra un codificador de texto, un VAE visual, un VAE de audio y un transformador ómnibus, y emplea RoPE para capturar relaciones espaciales y temporales. Acepta entradas de texto, imagen, vídeo y audio, y comprende las relaciones entre ellas. Genera vídeo y audio desde un único modelo, con resoluciones de salida de 480p, 768p y 2K, a 24FPS y con duraciones de 5 a 15 segundos. Ofrece control de primer y último fotograma, conversión de imagen a vídeo, transferencia de movimiento de vídeo a vídeo y reproducción del timbre de voz a partir de referencias de audio. Produce audio estéreo nativo que incluye voz, efectos de sonido y música, sigue instrucciones multimodales complejas en lenguaje natural y realiza tareas de edición de vídeo como sincronización labial con un nuevo diálogo y reutilización parcial de la música de fondo. Asimismo, renderiza texto en pantalla y expresión de marca con precisión. Está orientado a publicidad, branding, comercio electrónico, diseño de producto, UI/UX, producción de contenido para juegos, producción de vídeo de formato corto con material de referencia y transiciones basadas en instrucciones. Un nuevo tokenizador de alta compresión cuadruplica la longitud efectiva de secuencia, habilita soporte nativo de 2K y reduce significativamente el coste de entrenamiento e inferencia. No obstante, la consistencia con el mundo físico sigue siendo un desafío: la plausibilidad visual no garantiza consistencia física, y se han reportado fallos como fundamentación incorrecta de evidencias, realización incompleta de eventos y violaciones de mecánica de contacto y geometría de objetos.

Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos. Se factura según el costo real de generación. Consulta tu factura para el importe final.

Acepta entradas de texto, imagen, vídeo y audio, y comprende las relaciones entre ellas. También sigue instrucciones multimodales complejas descritas en lenguaje natural.

Genera vídeo a 24FPS con duraciones de 5 a 15 segundos en resoluciones de salida de 480p, 768p y 2K. Además, produce audio estéreo nativo.

Puede realizar tareas como sincronización labial con un nuevo diálogo y reutilización parcial de la música de fondo. También permite transferencia de movimiento de vídeo a vídeo y control de primer y último fotograma.

MiniMax H3 Max es una variante especializada en generación rápida y de gran volumen en 480p o 768p. MiniMax H3 es el modelo principal de la serie, con soporte nativo de 2K y audio estéreo.

No. H3-Context-IR no está incluido en la versión de código abierto y solo está disponible mediante API. La publicación de código abierto proporciona dos checkpoints que cubren las tareas T2VA, FL2VA y Ref2VA.