H3 API

MiniMax H3 — открытая омнимодальная модель генерации видео от MiniMax, выпущенная 31 июля 2026 года. Она построена как 33B-параметровый диффузионный трансформер и состоит из базовой модели H3-Base и системы предобработки и оркестрации H3-Context-IR. H3-Base объединяет текстовый энкодер, визуальный VAE, аудио VAE и омни-трансформер, а механизм RoPE помогает улавливать пространственные и временные связи. Открытые веса опубликованы 3 августа 2026 года под лицензией MiniMax H3 Community License Agreement; H3-Context-IR в открытый релиз не входит и доступен только через API. Модель принимает на вход текст, изображения, видео и аудио и учитывает связи между ними, а на выходе выдаёт видео и стереофонический звук силами одной модели. Поддерживаются разрешения 480p, 768p и 2K, частота 24FPS и длительность от 5 до 15 секунд, управление первым и последним кадром, преобразование изображения в видео и перенос движения из видео в видео. H3 воспроизводит тембр голоса по аудио-референсу и создаёт нативное стереоаудио с речью, звуковыми эффектами и музыкой, а также выполняет сложные мультимодальные инструкции на естественном языке, включая лип-синк под новый диалог и частичное переиспользование фоновой музыки. Модель подходит для рекламы, брендинга, электронной коммерции, дизайна продуктов, UI/UX и производства игрового контента, а также для коротких видео с референсными материалами и переходов по инструкциям. Среди её сильных сторон — объединение всех модальностей и задач в одной модели, четырёхкратное увеличение эффективной длины последовательности благодаря новому высококомпрессионному токенизатору, нативная поддержка 2K и заметное снижение затрат на обучение и инференс. При этом согласованность с физическим миром остаётся проблемой: визуальная правдоподобность не гарантирует физическую корректность, а сообщаемые сбои включают неверную привязку свидетельств, неполную реализацию событий и нарушения контактной механики и геометрии объектов.

Стоимость зависит от выбранного поставщика, его цен и вашего использования. Для длинных запросов могут действовать другие цены — смотрите подробности. Оплата по фактическим затратам на генерацию. Итоговая сумма указана в счёте.

Модель принимает текст, изображения, видео и аудио и понимает связи между ними, что позволяет выполнять сложные мультимодальные инструкции на естественном языке.

H3 генерирует видео и стереофоническое аудио в одной модели. Поддерживаются разрешения 480p, 768p и 2K, частота 24FPS и длительность от 5 до 15 секунд.

Реклама, брендинг, электронная коммерция, дизайн продуктов, UI/UX, производство игрового контента, короткие видео с референсными материалами и переходы по инструкциям.

Открытые веса опубликованы 3 августа 2026 года под лицензией MiniMax H3 Community License Agreement и включают два чекпоинта для задач T2VA, FL2VA и Ref2VA. Система H3-Context-IR в открытый релиз не входит и доступна только через API.

MiniMax H3 Max — вариант, специализированный для быстрой и массовой генерации в 480p или 768p, тогда как MiniMax H3 объединяет все модальности и задачи в одной модели.