H3 API

MiniMax H3 是 MiniMax 於 2026 年 7 月 31 日發表的全模態影片生成模型，並於 8 月 3 日以開源權重釋出，授權為 MiniMax H3 Community License Agreement。它由 H3-Base 核心模型與 H3-Context-IR 前處理與調度系統組成；H3-Base 結合文字編碼器、視覺 VAE、音訊 VAE 與 omni transformer，並以 RoPE 捕捉空間與時間關係，總參數為 33B 的擴散 Transformer。 此模型同時接受文字、圖像、影片與音訊輸入，能理解它們之間的關係，並以單一模型輸出影片與音訊。它支援 480p、768p 與 2K 解析度，影片為 24FPS、長度 5 至 15 秒，具備首幀與末幀控制、圖生影片、影片轉影片的動作轉移，以及從音訊參考重現音色；輸出的原生立體聲包含人聲、音效與音樂。它也能依自然語言描述執行複雜的多模態指令，並處理對嘴替換新對白、部分沿用背景音樂等影片編輯任務，同時準確呈現畫面文字與品牌表達。 在任務面上，它適合廣告、品牌、電子商務、產品設計、UI/UX、遊戲內容製作、帶參考素材的短影音製作，以及依指令完成的轉場。官方指出其有效序列長度透過高壓縮的新分詞器擴展為四倍，並大幅降低訓練與推論成本，在開源影片生成模型中屬於頂尖水準；不過物理世界一致性仍是挑戰，視覺上的合理性不保證物理一致，多模態輸入也不總能帶來有效的多模態推理。

費用取決於你使用的供應商、對應價格和實際用量。長文字輸入等情況可能適用不同價格，詳見計費明細。 按實際生成費用計費，具體金額以帳單為準。

它接受文字、圖像、影片與音訊輸入，並輸出影片與立體聲音訊。單一模型即可生成帶原生音效、人聲與音樂的影片。

支援 480p、768p 與 2K 解析度，幀率為 24FPS，長度可從 5 秒到 15 秒。

適合廣告、品牌、電子商務、產品設計、UI/UX、遊戲內容製作，以及帶參考素材的短影音製作與依指令的轉場。也能處理對嘴替換新對白、部分沿用背景音樂等影片編輯任務。

MiniMax H3 Max 是專為快速、大量生成 480p 或 768p 影片而設計的變體。

開源釋出提供兩個涵蓋 T2VA、FL2VA 與 Ref2VA 任務的檢查點。H3-Context-IR 不在開源範圍內，僅能透過 API 使用。