H3 API
MiniMax H3 — це відкрита омнімодальна модель дифузійного трансформера на 33B параметрів, яка приймає текст, зображення, відео й аудіо та генерує відео з нативним стереоаудіо до 2K.
MiniMax H3 — це 33B-параметрова модель дифузійного трансформера, випущена з відкритими вагами 3 серпня 2026 року за ліцензією MiniMax H3 Community License Agreement. Вона складається з базової моделі H3-Base та системи попередньої обробки й оркестрації H3-Context-IR. H3-Base поєднує текстовий енкодер, візуальний VAE, аудіо VAE та омні-трансформер, використовуючи RoPE для просторових і часових зв'язків. Завдяки новому токенізатору з високим стисненням ефективна довжина послідовності зросла вчетверо, а витрати на тренування та інференс значно знизилися.
Модель приймає текстові, графічні, відео- та аудіовхідні дані й розуміє зв'язки між ними. Вона генерує відео та аудіо в одній моделі, підтримує роздільність 480p, 768p і 2K, відео 24FPS тривалістю від 5 до 15 секунд, керування першим і останнім кадром, перетворення зображення на відео та перенесення руху з відео на відео. Нативне стереоаудіо включає голос, звукові ефекти й музику, а голос можна відтворювати за аудіореференсами.
MiniMax H3 добре підходить для реклами, брендингу, електронної комерції, дизайну продуктів, UI/UX, виробництва ігрового контенту, коротких відео з референсними матеріалами та переходів за інструкціями. Вона виконує складні мультимодальні інструкції природною мовою, редагує відео (наприклад, ліпсинк під новий діалог і часткове повторне використання фонової музики) та точно відтворює текст на екрані й брендовий вираз. Водночас фізична узгодженість залишається викликом: зоровa правдоподібність не гарантує фізичної коректності, а серед повідомлених збоїв — неправильне обґрунтування доказами, неповне втілення подій і порушення контактної механіки та геометрії об'єктів.
Оновлено:
MODEL ID
hailuo-3- Вхід
- text / image / video
- Вихід
- video
Ключові можливості
- 33B-параметровий дифузійний трансформер
- Приймає текст, зображення, відео й аудіо
- Генерує відео з нативним стереоаудіо
- Роздільність до 2K, 24FPS, 5–15 секунд
- Керування першим і останнім кадром
- Відкриті ваги за спільнотною ліцензією
Постачальники
Порівняйте ціни API у різних постачальників. Виберіть постачальника, щоб переглянути всі тарифи й умови.
Параметри відео
- Співвідношення сторін
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- Аудіо · Вихід
- Так
- Тривалість · Мінімум
- 5 секунд
- Тривалість · Максимум
- 15 секунд
- Тривалість · Крок
- 1 секунд
- Роздільна здатність
- 2K
Довідка API
Відомості про протокол цієї моделі не опубліковано. Вимоги до інтеграції дивіться в довідці API.
Довідка API →Часті запитання
Що таке H3?
MiniMax H3 — це 33B-параметрова модель дифузійного трансформера, випущена з відкритими вагами 3 серпня 2026 року за ліцензією MiniMax H3 Community License Agreement. Вона складається з базової моделі H3-Base та системи попередньої обробки й оркестрації H3-Context-IR. H3-Base поєднує текстовий енкодер, візуальний VAE, аудіо VAE та омні-трансформер, використовуючи RoPE для просторових і часових зв'язків. Завдяки новому токенізатору з високим стисненням ефективна довжина послідовності зросла вчетверо, а витрати на тренування та інференс значно знизилися. Модель приймає текстові, графічні, відео- та аудіовхідні дані й розуміє зв'язки між ними. Вона генерує відео та аудіо в одній моделі, підтримує роздільність 480p, 768p і 2K, відео 24FPS тривалістю від 5 до 15 секунд, керування першим і останнім кадром, перетворення зображення на відео та перенесення руху з відео на відео. Нативне стереоаудіо включає голос, звукові ефекти й музику, а голос можна відтворювати за аудіореференсами. MiniMax H3 добре підходить для реклами, брендингу, електронної комерції, дизайну продуктів, UI/UX, виробництва ігрового контенту, коротких відео з референсними матеріалами та переходів за інструкціями. Вона виконує складні мультимодальні інструкції природною мовою, редагує відео (наприклад, ліпсинк під новий діалог і часткове повторне використання фонової музики) та точно відтворює текст на екрані й брендовий вираз. Водночас фізична узгодженість залишається викликом: зоровa правдоподібність не гарантує фізичної коректності, а серед повідомлених збоїв — неправильне обґрунтування доказами, неповне втілення подій і порушення контактної механіки та геометрії об'єктів.
Як нараховується оплата за використання?
Рахунок залежить від обраного постачальника, його цін і вашого використання. Довші вхідні дані або інші умови можуть мати інші ціни. Оплата за фактичною вартістю генерації. Остаточну суму дивіться в рахунку.
Які типи вхідних даних підтримує MiniMax H3?
Модель приймає текст, зображення, відео та аудіо й розуміє зв'язки між ними. Це дає змогу виконувати складні мультимодальні інструкції природною мовою.
Які роздільності та тривалість відео підтримуються?
Підтримуються роздільності 480p, 768p і 2K. Відео генерується з частотою 24FPS тривалістю від 5 до 15 секунд.
Чи генерує MiniMax H3 аудіо?
Так, модель створює нативне стереоаудіо, включно з голосом, звуковими ефектами й музикою. Голос можна відтворювати за аудіореференсами.
Для яких завдань найкраще підходить MiniMax H3?
Вона підходить для реклами, брендингу, електронної комерції, дизайну продуктів, UI/UX, ігрового контенту, коротких відео з референсами та переходів за інструкціями. Також виконує редагування відео, як-от ліпсинк під новий діалог.
Чим MiniMax H3 відрізняється від MiniMax H3 Max?
MiniMax H3 Max — це варіант, спеціалізований для швидкої та масової генерації у 480p або 768p. MiniMax H3 є базовою моделлю з відкритими вагами.
Чи доступний H3-Context-IR у відкритому випуску?
Ні, H3-Context-IR не включено до відкритого випуску — він доступний лише через API.
