☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

8 月 3 日，AI 科技公司 MiniMax 正式对外开源其全新一代通用视频生成模型MiniMax H3。作为面向全模态理解与生成的先进系统，H3 不再局限于单一任务范式，而是具备对文本、图像、视频及音频等多源信息进行联合建模与深度语义融合的能力，显著拓展了跨模态任务的适应边界与泛化表现。

在输出能力方面，H3 可生成时长为 4 至 15 秒的高质量音视频内容，帧率稳定达 24 FPS，并支持 32 kHz 立体声音频编码。用户可根据创作需求自由选择 21:9、16:9、4:3 或 1:1 等主流画面比例；基础模式下默认以较短边为 768 像素进行渲染，兼顾效率与清晰度；而启用专属的 H3-Regenerate-2K 超分路径后，则可进一步输出分辨率达 2K 的精细影像。

语言支持层面，H3 已实现对阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、西班牙语、葡萄牙语及俄语共 11 种国际主流语言的稳健交互，大幅增强全球化应用场景的适配性。

雀塔AI

一站式工作流开发服务平台，从开发配置到推广分成，从AI创意到落地变现全搞定。

下载

为匹配不同层级的创作需求，H3 提供两类差异化输入架构：H3-Base-FL2VA 首尾帧驱动模式，允许输入 0–2 张图像，灵活支撑文生视频、首帧延展、尾帧回溯以及首尾协同生成等多种范式；而 H3-Base-Ref2VA 全模态参考模式则支持最多 9 张图像、3 段视频（累计时长≤15 秒）及 3 段音频的混合输入，单次请求最多容纳 12 个媒体文件，赋予专业用户前所未有的多维控制精度。

从底层技术架构看，完整版 MiniMax H3 由三大核心组件构成：H3-Context-IR（上下文中间表征模块），负责将复杂、模糊甚至多义的用户指令解析为结构化、可执行的语义表示，是保障生成质量与意图对齐的核心枢纽；H3-Base 模块承担基础音视频合成任务，输出分辨率为 768p 的初始结果；H3-Regenerate-2K 模块则通过将初代输出与原始上下文联合反馈，完成高保真 2K 超分辨率重建，在保留动态细节的同时大幅提升画面锐度与纹理真实感。

目前，MiniMax H3 已依据 MiniMax H3 Community License 开源发布，全部代码、权重及配套资源已同步上线Hugging Face平台，面向全球开发者与研究者开放获取。业界普遍预期，此次开源将显著降低多模态视频生成的技术应用门槛，加速影视工业化流程革新、创意设计范式跃迁以及下一代 AI 人机交互体验的全面升级。