H3 API
MiniMax H3 คือโมเดล Diffusion Transformer ขนาด 33B พารามิเตอร์ที่รวมทุกโมดัลไว้ในโมเดลเดียว รองรับอินพุตข้อความ ภาพ วิดีโอ และเสียง พร้อมสร้างวิดีโอความละเอียดสูงสุด 2K ที่มีเสียงสเตอริโอแบบเนทีฟ
MiniMax H3 เป็นโมเดล Diffusion Transformer ขนาด 33B พารามิเตอร์ ประกอบด้วยโมเดลหลัก H3-Base และระบบประมวลผลล่วงหน้าและจัดการบริบท H3-Context-IR โดย H3-Base ผสานตัวเข้ารหัสข้อความ, Visual VAE, Audio VAE และ Omni Transformer เข้าด้วยกัน พร้อมใช้ RoPE เพื่อจับความสัมพันธ์เชิงพื้นที่และเชิงเวลา โมเดลเปิดให้ดาวน์โหลดน้ำหนักแบบเปิด (open weights) เมื่อวันที่ 3 สิงหาคม 2026 ภายใต้สัญญาอนุญาต MiniMax H3 Community License Agreement
โมเดลรับอินพุตได้ทั้งข้อความ ภาพ วิดีโอ และเสียง แล้วเข้าใจความสัมพันธ์ระหว่างอินพุตเหล่านั้น สามารถสร้างวิดีโอและเสียงจากโมเดลเดียว รองรับความละเอียดเอาต์พุต 480p, 768p และ 2K ที่ 24FPS ความยาว 5 ถึง 15 วินาที พร้อมควบคุมเฟรมแรกและเฟรมสุดท้าย แปลงภาพเป็นวิดีโอ ถ่ายโอนการเคลื่อนไหวจากวิดีโอต้นทาง และจำลองเสียงวรรณยุกต์จากตัวอย่างเสียงอ้างอิง ทั้งยังสร้างเสียงสเตอริโอแบบเนทีฟที่มีทั้งเสียงพูด เอฟเฟกต์เสียง และดนตรี
จุดเด่นอีกด้านคือการทำตามคำสั่งหลายรูปแบบที่ซับซ้อนซึ่งอธิบายด้วยภาษาธรรมชาติ รองรับงานตัดต่อวิดีโอ เช่น ปรับปากให้สอดคล้องกับบทสนทนาใหม่ และนำเพลงประกอบกลับมาใช้บางส่วน รวมถึงแสดงข้อความบนหน้าจอและอัตลักษณ์แบรนด์ได้อย่างแม่นยำ เหมาะกับงานโฆษณา การสร้างแบรนด์ อีคอมเมิร์ซ การออกแบบผลิตภัณฑ์ UI/UX การผลิตคอนเทนต์เกม วิดีโอสั้นที่มีสื่ออ้างอิง และการเปลี่ยนฉากตามคำสั่ง อย่างไรก็ตาม โมเดลยังมีความท้าทายด้านความสอดคล้องกับโลกกายภาพ และอาจมีข้อผิดพลาดในการอ้างอิงหลักฐาน การแสดงเหตุการณ์ไม่ครบถ้วน หรือการฝ่าฝืนกลไกการสัมผัสและเรขาคณิตของวัตถุ
อัปเดต:
ID โมเดล
hailuo-3- อินพุต
- text / image / video
- เอาต์พุต
- video
จุดเด่น
- รวมทุกโมดัลและงานไว้ในโมเดลเดียว
- รองรับความละเอียดเนทีฟ 2K
- สร้างวิดีโอพร้อมเสียงสเตอริโอเนทีฟ
- ขยายความยาวลำดับได้ถึงสี่เท่าด้วยโทเคนไนเซอร์ใหม่
- ควบคุมเฟรมแรกและเฟรมสุดท้ายได้
- ลดต้นทุนการฝึกและอนุมานอย่างมีนัยสำคัญ
ผู้ให้บริการ
เปรียบเทียบราคา API ระหว่างผู้ให้บริการ เลือกผู้ให้บริการเพื่อดูค่าใช้จ่ายและเงื่อนไขทั้งหมด
ข้อมูลจำเพาะวิดีโอ
- อัตราส่วนภาพ
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- เสียง · เอาต์พุต
- ใช่
- ความยาว · ต่ำสุด
- 5 วินาที
- ความยาว · สูงสุด
- 15 วินาที
- ความยาว · ขั้น
- 1 วินาที
- ความละเอียด
- 2K
เอกสารอ้างอิง API
ยังไม่มีการเผยแพร่ข้อมูลโปรโตคอลของโมเดลนี้ ดูข้อกำหนดการเชื่อมต่อได้ในเอกสารอ้างอิง API
เอกสารอ้างอิง API →คำถามที่พบบ่อย
รู้จัก H3?
MiniMax H3 เป็นโมเดล Diffusion Transformer ขนาด 33B พารามิเตอร์ ประกอบด้วยโมเดลหลัก H3-Base และระบบประมวลผลล่วงหน้าและจัดการบริบท H3-Context-IR โดย H3-Base ผสานตัวเข้ารหัสข้อความ, Visual VAE, Audio VAE และ Omni Transformer เข้าด้วยกัน พร้อมใช้ RoPE เพื่อจับความสัมพันธ์เชิงพื้นที่และเชิงเวลา โมเดลเปิดให้ดาวน์โหลดน้ำหนักแบบเปิด (open weights) เมื่อวันที่ 3 สิงหาคม 2026 ภายใต้สัญญาอนุญาต MiniMax H3 Community License Agreement โมเดลรับอินพุตได้ทั้งข้อความ ภาพ วิดีโอ และเสียง แล้วเข้าใจความสัมพันธ์ระหว่างอินพุตเหล่านั้น สามารถสร้างวิดีโอและเสียงจากโมเดลเดียว รองรับความละเอียดเอาต์พุต 480p, 768p และ 2K ที่ 24FPS ความยาว 5 ถึง 15 วินาที พร้อมควบคุมเฟรมแรกและเฟรมสุดท้าย แปลงภาพเป็นวิดีโอ ถ่ายโอนการเคลื่อนไหวจากวิดีโอต้นทาง และจำลองเสียงวรรณยุกต์จากตัวอย่างเสียงอ้างอิง ทั้งยังสร้างเสียงสเตอริโอแบบเนทีฟที่มีทั้งเสียงพูด เอฟเฟกต์เสียง และดนตรี จุดเด่นอีกด้านคือการทำตามคำสั่งหลายรูปแบบที่ซับซ้อนซึ่งอธิบายด้วยภาษาธรรมชาติ รองรับงานตัดต่อวิดีโอ เช่น ปรับปากให้สอดคล้องกับบทสนทนาใหม่ และนำเพลงประกอบกลับมาใช้บางส่วน รวมถึงแสดงข้อความบนหน้าจอและอัตลักษณ์แบรนด์ได้อย่างแม่นยำ เหมาะกับงานโฆษณา การสร้างแบรนด์ อีคอมเมิร์ซ การออกแบบผลิตภัณฑ์ UI/UX การผลิตคอนเทนต์เกม วิดีโอสั้นที่มีสื่ออ้างอิง และการเปลี่ยนฉากตามคำสั่ง อย่างไรก็ตาม โมเดลยังมีความท้าทายด้านความสอดคล้องกับโลกกายภาพ และอาจมีข้อผิดพลาดในการอ้างอิงหลักฐาน การแสดงเหตุการณ์ไม่ครบถ้วน หรือการฝ่าฝืนกลไกการสัมผัสและเรขาคณิตของวัตถุ
การใช้งานถูกเรียกเก็บเงินอย่างไร
ค่าใช้จ่ายขึ้นอยู่กับผู้ให้บริการที่คุณใช้ ราคาของผู้ให้บริการนั้น และปริมาณการใช้งาน อินพุตที่ยาวขึ้นหรือเงื่อนไขอื่นอาจมีราคาแตกต่างกัน คิดค่าบริการตามต้นทุนการสร้างจริง ดูยอดสุดท้ายได้ในใบแจ้งหนี้
MiniMax H3 รับอินพุตและสร้างเอาต์พุตแบบใดได้บ้าง?
รับอินพุตได้ทั้งข้อความ ภาพ วิดีโอ และเสียง แล้วเข้าใจความสัมพันธ์ระหว่างอินพุตเหล่านั้น ส่วนเอาต์พุตเป็นวิดีโอและเสียงสเตอริโอแบบเนทีฟ
โมเดลสร้างวิดีโอที่ความละเอียดและความยาวเท่าใด?
รองรับความละเอียดเอาต์พุต 480p, 768p และ 2K ที่ 24FPS โดยสร้างวิดีโอความยาว 5 ถึง 15 วินาที
MiniMax H3 เหมาะกับงานประเภทใด?
เหมาะกับงานโฆษณา การสร้างแบรนด์ อีคอมเมิร์ซ การออกแบบผลิตภัณฑ์ UI/UX การผลิตคอนเทนต์เกม วิดีโอสั้นที่มีสื่ออ้างอิง และการเปลี่ยนฉากตามคำสั่ง
H3-Context-IR คืออะไร และมีให้ใช้อย่างไร?
H3-Context-IR เป็นระบบประมวลผลล่วงหน้าและจัดการบริบทของ MiniMax H3 ซึ่งไม่รวมอยู่ในรุ่นโอเพนซอร์ส และใช้งานได้ผ่าน API เท่านั้น
MiniMax H3 Max ต่างจาก MiniMax H3 อย่างไร?
MiniMax H3 Max เป็นรุ่นย่อยที่ออกแบบมาสำหรับการสร้างที่รวดเร็วและมีปริมาณมากที่ความละเอียด 480p หรือ 768p โดยเฉพาะ
