H3 API
MiniMax H3 è un modello diffusion transformer da 33 miliardi di parametri che unifica input testuali, immagini, video e audio per generare video con audio stereo nativo.
MiniMax H3 è un modello diffusion transformer da 33 miliardi di parametri sviluppato da MiniMax, composto dal modello centrale H3-Base e dal sistema di pre-elaborazione e orchestrazione H3-Context-IR. H3-Base combina un text encoder, un VAE visivo, un VAE audio e un omni transformer, e utilizza RoPE per catturare le relazioni spaziali e temporali. Il modello accetta input testuali, immagini, video e audio, ne comprende le relazioni e genera video e audio da un unico modello, con supporto per risoluzioni di output 480p, 768p e 2K.
La generazione video avviene a 24FPS con durate da 5 a 15 secondi e supporta il controllo del primo e dell'ultimo fotogramma, la conversione da immagine a video e il trasferimento di movimento da video a video. H3 riproduce il timbro vocale da riferimenti audio e produce audio stereo nativo che include voce, effetti sonori e musica. Segue istruzioni multimodali complesse espresse in linguaggio naturale e gestisce attività di editing video come il lip sync su un nuovo dialogo e il riutilizzo parziale della musica di sottofondo, oltre a rendere accuratamente il testo a schermo e l'espressione del brand.
Grazie a un nuovo tokenizer ad alta compressione, H3 quadruplica la lunghezza effettiva della sequenza e riduce significativamente i costi di addestramento e inferenza. È adatto a pubblicità, branding, e-commerce, design di prodotto, UI/UX, produzione di contenuti per videogiochi, produzione di video brevi con materiale di riferimento e transizioni basate su istruzioni. La release open source fornisce due checkpoint che coprono i task T2VA, FL2VA e Ref2VA; H3-Context-IR non è incluso nella release open source ed è disponibile solo tramite API.
Aggiornato:
ID MODELLO
hailuo-3- Input
- text / image / video
- Output
- video
In evidenza
- Diffusion transformer da 33B parametri
- Input testo, immagine, video e audio
- Video e audio stereo da un unico modello
- Risoluzioni 480p, 768p e 2K a 24FPS
- Tokenizer ad alta compressione, sequenza quadruplicata
- Pesi aperti con licenza community
Fornitori
Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.
Specifiche video
- Proporzioni
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Audio · Output
- Sì
- Durata · Minimo
- 5 secondi
- Durata · Massimo
- 15 secondi
- Durata · Passo
- 1 secondi
- Risoluzioni
- 2K
Riferimento API
I dettagli del protocollo di questo modello non sono pubblicati. Consulta il riferimento API per i requisiti di integrazione.
Riferimento API →Domande frequenti
Cos'è H3?
MiniMax H3 è un modello diffusion transformer da 33 miliardi di parametri sviluppato da MiniMax, composto dal modello centrale H3-Base e dal sistema di pre-elaborazione e orchestrazione H3-Context-IR. H3-Base combina un text encoder, un VAE visivo, un VAE audio e un omni transformer, e utilizza RoPE per catturare le relazioni spaziali e temporali. Il modello accetta input testuali, immagini, video e audio, ne comprende le relazioni e genera video e audio da un unico modello, con supporto per risoluzioni di output 480p, 768p e 2K. La generazione video avviene a 24FPS con durate da 5 a 15 secondi e supporta il controllo del primo e dell'ultimo fotogramma, la conversione da immagine a video e il trasferimento di movimento da video a video. H3 riproduce il timbro vocale da riferimenti audio e produce audio stereo nativo che include voce, effetti sonori e musica. Segue istruzioni multimodali complesse espresse in linguaggio naturale e gestisce attività di editing video come il lip sync su un nuovo dialogo e il riutilizzo parziale della musica di sottofondo, oltre a rendere accuratamente il testo a schermo e l'espressione del brand. Grazie a un nuovo tokenizer ad alta compressione, H3 quadruplica la lunghezza effettiva della sequenza e riduce significativamente i costi di addestramento e inferenza. È adatto a pubblicità, branding, e-commerce, design di prodotto, UI/UX, produzione di contenuti per videogiochi, produzione di video brevi con materiale di riferimento e transizioni basate su istruzioni. La release open source fornisce due checkpoint che coprono i task T2VA, FL2VA e Ref2VA; H3-Context-IR non è incluso nella release open source ed è disponibile solo tramite API.
Come viene addebitato l'utilizzo?
La fattura dipende dal fornitore che usi, dai suoi prezzi e dal tuo utilizzo. Input più lunghi o altre condizioni possono avere prezzi diversi. Fatturato in base al costo effettivo di generazione. Controlla la fattura per l'importo finale.
Quali tipi di input accetta MiniMax H3?
Accetta input testuali, immagini, video e audio e ne comprende le relazioni. Segue inoltre istruzioni multimodali complesse descritte in linguaggio naturale.
Quali risoluzioni e durate supporta la generazione video?
Supporta risoluzioni di output 480p, 768p e 2K. Genera video a 24FPS con durate da 5 a 15 secondi.
Quali compiti di editing video può svolgere?
Gestisce attività come il lip sync su un nuovo dialogo e il riutilizzo parziale della musica di sottofondo. Supporta anche il controllo del primo e dell'ultimo fotogramma, la conversione da immagine a video e il trasferimento di movimento da video a video.
L'audio è incluso nell'output?
Sì, H3 produce audio stereo nativo che include voce, effetti sonori e musica. Riproduce inoltre il timbro vocale da riferimenti audio.
Qual è la differenza tra H3-Base e H3-Context-IR?
H3-Base è il modello centrale che combina text encoder, VAE visivo, VAE audio e omni transformer. H3-Context-IR è il sistema di pre-elaborazione e orchestrazione, non incluso nella release open source e disponibile solo tramite API.
Quali checkpoint sono inclusi nella release open source?
La release open source fornisce due checkpoint che coprono i task T2VA, FL2VA e Ref2VA. I pesi sono stati rilasciati il 3 agosto 2026 con licenza MiniMax H3 Community License Agreement.
