H3 API
MiniMax H3 é um modelo de difusão de 33B parâmetros que unifica entrada de texto, imagem, vídeo e áudio para gerar vídeo em estéreo nativo com áudio, em resoluções de 480p, 768p e 2K.
O MiniMax H3 é um modelo de transformador de difusão com 33 bilhões de parâmetros, lançado em 31 de julho de 2026 e disponibilizado como pesos abertos em 3 de agosto de 2026 sob a MiniMax H3 Community License Agreement. Ele é composto pelo modelo central H3-Base e pelo sistema de pré-processamento e orquestração H3-Context-IR. O H3-Base combina um codificador de texto, um VAE visual, um VAE de áudio e um transformador omni, usando RoPE para capturar relações espaciais e temporais. O modelo aceita entradas de texto, imagem, vídeo e áudio, compreende as relações entre elas e gera vídeo e áudio a partir de um único modelo, com suporte a resoluções de 480p, 768p e 2K, vídeo a 24FPS com duração de 5 a 15 segundos e áudio estéreo nativo incluindo voz, efeitos sonoros e música.
Entre as capacidades do MiniMax H3 estão o controle de primeiro e último quadro, a conversão de imagem para vídeo, a transferência de movimento de vídeo para vídeo, a reprodução de timbre de voz a partir de referências de áudio, a execução de instruções multimodais complexas descritas em linguagem natural e tarefas de edição de vídeo como sincronia labial para novo diálogo e reutilização parcial de música de fundo. O modelo também renderiza texto na tela e expressão de marca com precisão. Um novo tokenizador de alta compressão expande o comprimento efetivo da sequência em quatro vezes, e o modelo oferece suporte nativo a 2K, reduzindo significativamente o custo de treinamento e inferência.
O MiniMax H3 é adequado para publicidade, branding, comércio eletrônico, design de produto, UI/UX, produção de conteúdo para jogos, produção de vídeos curtos com material de referência e transições baseadas em instruções. Apesar dos resultados cinematográficos com áudio nativo e do status de modelo de geração de vídeo de ponta entre os de código aberto, a consistência com o mundo físico continua sendo um desafio: a plausibilidade visual não garante consistência física, e as entradas multimodais nem sempre levam a um raciocínio multimodal eficaz. Falhas relatadas incluem ancoragem incorreta de evidências, realização incompleta de eventos e violações de mecânica de contato e geometria de objetos. O H3-Context-IR não está incluído na versão de código aberto e está disponível apenas via API.
Atualizado:
ID DO MODELO
hailuo-3- Entrada
- text / image / video
- Saída
- video
Destaques
- Modelo de difusão de 33B parâmetros
- Entrada de texto, imagem, vídeo e áudio
- Vídeo e áudio gerados por um único modelo
- Resoluções de 480p, 768p e 2K
- Áudio estéreo nativo com voz, efeitos e música
- Pesos abertos sob licença comunitária
Provedores
Compare os preços de API entre provedores. Selecione um provedor para ver todos os preços e condições.
Especificações do vídeo
- Proporções de tela
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Áudio · Saída
- Sim
- Duração · Mínimo
- 5 segundos
- Duração · Máximo
- 15 segundos
- Duração · Intervalo
- 1 segundos
- Resoluções
- 2K
Referência da API
Os detalhes de protocolo deste modelo não foram publicados. Consulte a referência da API para os requisitos de integração.
Referência da API →Perguntas frequentes
O que é H3?
O MiniMax H3 é um modelo de transformador de difusão com 33 bilhões de parâmetros, lançado em 31 de julho de 2026 e disponibilizado como pesos abertos em 3 de agosto de 2026 sob a MiniMax H3 Community License Agreement. Ele é composto pelo modelo central H3-Base e pelo sistema de pré-processamento e orquestração H3-Context-IR. O H3-Base combina um codificador de texto, um VAE visual, um VAE de áudio e um transformador omni, usando RoPE para capturar relações espaciais e temporais. O modelo aceita entradas de texto, imagem, vídeo e áudio, compreende as relações entre elas e gera vídeo e áudio a partir de um único modelo, com suporte a resoluções de 480p, 768p e 2K, vídeo a 24FPS com duração de 5 a 15 segundos e áudio estéreo nativo incluindo voz, efeitos sonoros e música. Entre as capacidades do MiniMax H3 estão o controle de primeiro e último quadro, a conversão de imagem para vídeo, a transferência de movimento de vídeo para vídeo, a reprodução de timbre de voz a partir de referências de áudio, a execução de instruções multimodais complexas descritas em linguagem natural e tarefas de edição de vídeo como sincronia labial para novo diálogo e reutilização parcial de música de fundo. O modelo também renderiza texto na tela e expressão de marca com precisão. Um novo tokenizador de alta compressão expande o comprimento efetivo da sequência em quatro vezes, e o modelo oferece suporte nativo a 2K, reduzindo significativamente o custo de treinamento e inferência. O MiniMax H3 é adequado para publicidade, branding, comércio eletrônico, design de produto, UI/UX, produção de conteúdo para jogos, produção de vídeos curtos com material de referência e transições baseadas em instruções. Apesar dos resultados cinematográficos com áudio nativo e do status de modelo de geração de vídeo de ponta entre os de código aberto, a consistência com o mundo físico continua sendo um desafio: a plausibilidade visual não garante consistência física, e as entradas multimodais nem sempre levam a um raciocínio multimodal eficaz. Falhas relatadas incluem ancoragem incorreta de evidências, realização incompleta de eventos e violações de mecânica de contato e geometria de objetos. O H3-Context-IR não está incluído na versão de código aberto e está disponível apenas via API.
Como o uso é cobrado?
Sua conta depende do provedor que você usa, dos preços dele e do seu uso. Entradas mais longas ou outras condições podem ter preços diferentes. Cobrado com base no custo real de geração. Consulte sua conta para o valor final.
Quais tipos de entrada o MiniMax H3 aceita?
Ele aceita texto, imagem, vídeo e áudio, e compreende as relações entre essas modalidades.
Qual é a duração e a taxa de quadros do vídeo gerado?
O MiniMax H3 gera vídeo a 24FPS com durações de 5 a 15 segundos.
Quais resoluções de saída são suportadas?
O modelo suporta resoluções de saída de 480p, 768p e 2K, com suporte nativo a 2K.
O áudio gerado é estéreo?
Sim, o MiniMax H3 produz áudio estéreo nativo, incluindo voz, efeitos sonoros e música.
O que diferencia o MiniMax H3 Max do MiniMax H3?
O MiniMax H3 Max é uma variante especializada em geração rápida e de alto volume em 480p ou 768p.
O H3-Context-IR está disponível no código aberto?
Não. O H3-Context-IR não está incluído na versão de código aberto e está disponível apenas via API.
