H3 API

MiniMax H3 est un transformateur de diffusion de 33 milliards de paramètres composé du modèle central H3-Base et du système de préparation et d'orchestration H3-Context-IR. H3-Base réunit un encodeur de texte, un VAE visuel, un VAE audio et un transformateur omni, avec RoPE pour capturer les relations spatiales et temporelles. Il accepte des entrées texte, image, vidéo et audio et en comprend les relations, puis génère de la vidéo et de l'audio avec un seul modèle. La sortie atteint 480p, 768p ou 2K à 24 images par seconde, sur 5 à 15 secondes. Le modèle prend en charge le contrôle par première et dernière image, la conversion image-vidéo, le transfert de mouvement vidéo-vidéo et la reproduction du timbre vocal à partir de références audio. Il produit un audio stéréo natif incluant voix, effets sonores et musique, et suit des instructions multimodales complexes en langage naturel. Il gère aussi des tâches de montage comme la synchronisation labiale sur un nouveau dialogue et la réutilisation partielle d'une musique de fond, et rend fidèlement le texte à l'écran et l'expression de marque. Ses usages couvrent la publicité, le branding, l'e-commerce, le design de produit, l'UI/UX, la production de contenus de jeu, la production de vidéos courtes avec matériel de référence et les transitions pilotées par instruction. Un nouveau tokenizer à forte compression multiplie par quatre la longueur effective de séquence, et le support natif de la 2K réduit sensiblement les coûts d'entraînement et d'inférence. Le modèle reste toutefois limité sur la cohérence avec le monde physique et le raisonnement multimodal effectif. Les poids ouverts sont publiés sous MiniMax H3 Community License Agreement, tandis que H3-Context-IR n'est pas inclus dans la version open source et n'est accessible que via API.

Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents. Facturé selon le coût réel de génération. Consultez votre facture pour le montant final.

Il accepte du texte, des images, de la vidéo et de l'audio, et comprend les relations entre ces modalités. Il génère ensuite de la vidéo et de l'audio avec un seul modèle.

Il prend en charge les résolutions 480p, 768p et 2K, à 24 images par seconde, pour des vidéos de 5 à 15 secondes.

Il gère le contrôle par première et dernière image, la conversion image-vidéo, le transfert de mouvement vidéo-vidéo, la synchronisation labiale sur un nouveau dialogue et la réutilisation partielle d'une musique de fond.

La cohérence avec le monde physique reste un défi et la plausibilité visuelle ne garantit pas la cohérence physique. Des échecs sont signalés sur l'ancrage des preuves, la réalisation complète des événements, la mécanique des contacts et la géométrie des objets.

MiniMax H3 Max est une variante spécialisée pour la génération rapide et à grand volume en 480p ou 768p.

H3-Context-IR n'est pas inclus dans la publication open source et n'est disponible que via API.