2024 年 8 月 3 日，MiniMax（稀宇科技）开源了下一代通用视频模型 H3。这不是简单的视频生成工具，而是一个能处理文本、图像、视频和音频的全模态系统。
H3 的生成规格比较灵活。默认输出时长在 4 到 15 秒之间，帧率 24 FPS，音频采样率 32 kHz。画幅支持 21:9、16:9、4:3 和 1:1 等多种主流比例。分辨率方面，默认是短边 768 像素的 768p，但如果用专门的 H3-Regenerate-2K 方案，能拉到 2K 分辨率。
多语言支持覆盖了 11 种主要语言：阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、西班牙语、葡萄牙语和俄语。
输入模式分两种，适应不同创作需求。第一种是 H3-Base-FL2VA 首尾帧模式，允许输入 0 到 2 张图片。这能处理纯文本生视频，也能做首帧生视频、尾帧生视频，或者首尾帧协作。第二种是 H3-Base-Ref2VA 全模态参考模式，输入更复杂，最多能塞进 9 张图片、3 段不超过 15 秒的视频片段和 3 段音频片段，文件总数上限 12 个。这种配置给专业创作者留了精细控制的空间。
系统架构由三个模块串联。首先是 H3-Context-IR 上下文中间表示，负责把复杂的用户多指令转化成模型能读懂的结构化数据，保证后续生成质量。中间是 H3-Base 模块，生成基础版本的音视频，分辨率定在 768p。最后是 H3-Regenerate-2K 模块，基于初始生成结果和原始上下文做 2K 超分辨率重建。这个流程把从提示词到高清视频的转化打通了，在保留细节的同时提升了视觉保真度。
模型在 MiniMax H3 Community License 社区许可下发布，代码和资源都在 Hugging Face 上。开源降低了多模态视频生成的门槛，让更多开发者能参与内容创作。更重要的是，H3 支持的“首尾帧”及“多图多音多视频”混合输入，把视频生成从单纯的“文本驱动”推向了“全模态驱动”。对于需要快速验证创意或整合多素材的场景，这种工作流比等待纯文本生成要快，因为模型不用反复猜测上下文，直接利用提供的视觉和听觉线索就能生成成品。
