2K畫質，三成價格！錢包友好型國產視頻模型來了

智東西
作者 楊京麗
編輯 李水青

智東西7月31日報道，今日，MiniMax發布通用全模態生成模型MiniMax H3。該模型能夠統一理解文本、圖像、視頻和聲音，并生成帶原生雙聲道的音視頻，最高支持15秒、2K分辨率輸出。

MiniMax稱，該模型在指令遵循、文字與品牌信息呈現、視頻到視頻動作遷移（V2V Motion Transfer）等方面表現出色，可用于廣告、品牌、電商、產品設計、UI/UX和游戲等場景。

價格方面，MiniMax稱其有能力提供行業內最優的性價比，模型在2K分辨率下每秒價格不到主流模型的1/3，768P分辨率下不到1/2，具體價格暫未公布。

目前，MiniMax H3在第三方評測機構Artificial Analysis的文生視頻有聲榜單中排名第二，Elo得分為1242分，略低于谷歌Gemini Omni Flash的1245分。

MiniMax計劃在未來幾天內，在符合相關法律法規的前提下，開放模型權重，推動開源生態和國產芯片適配。

一、文本、圖片、視頻、聲音一起輸入，最高輸出15秒2K音視頻

真實創作一般需要融合不同模態的復雜信息，用戶使用MiniMax H3創作時，可以同時輸入參考視頻、人物圖片和聲音，要求模型進行復雜創作。

MiniMax給出的案例中，要求模型“參考視頻1的希區柯克鏡頭運動，讓圖2中的人物唱歌，歌聲參考音頻3”。

參考視頻：

參考圖片：

H3會分別提取視頻中的鏡頭運動、圖片中的人物身份和音頻中的聲音特征，再根據自然語言描述組合成新視頻。

在輸出側，H3最高支持15秒、2K分辨率，并能聯合生成人聲、音效和音樂，音頻默認為原生雙聲道。除上述案例外，MiniMax還展示了H3生成電影片頭、游戲UI、動態海報以及廣告電商內容的效果。

游戲UI：

視頻中，角色打開裝備，進入零部件選擇、配置確認和加載界面，最終切換到霓虹燈街道中的游戲畫面。整個交互過程銜接流暢，界面反饋自然，營造出色彩豐富的賽博朋克游戲氛圍。

動態海報：

畫面開始時，人物以較小比例出現在粉色矩形底部，隨后綠色標題文字從背景中顯現，人物快速放大并向鏡頭伸手，形成沖出海報的立體效果，整體色彩和視覺風格較為統一。

廣告電商：

電商廣告視頻先后展示模特佩戴銀色護目鏡的面部特寫和側臉，隨后切換至黑白服裝模特的全身鏡頭、眼鏡產品特寫及雙人定妝畫面。不同鏡頭之間的光影、服裝和銀黑配色保持一致，鏡片反光和金屬材質較為突出，已經具備商業廣告的基本質感。

二、統一生成、參考和編輯任務，用自然語言連接不同模態

在H3之前，MiniMax先后研發了Hailuo 01和Hailuo 02兩代視頻模型。其中，Hailuo 01主要完成視頻生成系統的從0到1搭建，Hailuo 02則重點提升架構效率、數據質量和模型規模。

研發H3時，MiniMax將重點從單項能力提升轉向任務統一和泛化。

過往生成模型通常在任務上具有局限性：圖片生成通常被拆分為文生圖、圖片編輯、主體參考、動作參考和風格參考等任務；聲音生成又被分為人聲、音效和音樂；視頻生成則進一步細分為文生視頻、圖生視頻、首尾幀、主體參考、動作參考、音色參考和視頻編輯。

MiniMax認為，這些邊界雖然方便產品定義，卻限制了用戶自由組合素材的能力，也會讓模型在訓練階段過早適應有限的任務形式。H3因此在預訓練階段就混合圖像、視頻、音頻以及多種參考和編輯數據。

H3的預訓練任務包括文生圖、文生視頻和文生音頻。其中，視頻訓練同時覆蓋音頻聯合生成和多鏡頭建模；音頻訓練不再區分人聲、音效和音樂，而是進行統一建模。

參考和編輯任務則覆蓋圖片到圖片、圖片到視頻、音頻到音頻以及音視頻到音視頻等組合。不同素材之間的參考、保留和修改關系，均通過自然語言描述，不被限制在少數預定義任務中。

在數據選擇上，H3的廣義參考和編輯訓練主要采用真實自然數據，以提高數據擴展能力。MiniMax將語言視為連接不同模態和任務的橋梁，希望模型借助語言理解開放式創作意圖，而不是只識別固定功能標簽。

訓練策略上，MiniMax選擇盡早融合不同類型的數據和任務，并通過調整數據配比，讓模型在預訓練階段就形成多模態上下文理解與生成能力。

三、四項技術降低訓練和2K生成成本，后續將融合M系列能力

為實現多模態上下文理解，MiniMax首先構建了Contextual Omni Representation（上下文全模態表示），用語言同時描述目標視頻、參考素材以及不同素材之間的關系。MiniMax通過定制模型和全模態理解管線，大部分素材需要消耗約10萬Token的推理，最終壓縮為平均約4K的Token。

H3-VAE則通過提高視覺信息壓縮率，帶來4倍的序列長度收益，大幅降低訓練和推理成本，并為2K分辨率輸出提供技術支持。

架構方面，MiniMax沒有沿用Hailuo-02架構，而是采用更通用的H3-Omni Transformer。面對擴大3倍的序列長度方差，以及理解和生成任務之間不同的計算負載，H3采用異構訓練架構并優化樣本間負載均衡，MiniMax稱其端到端訓練吞吐提升近30%。

生成2K視頻時，H3也沒有使用獨立超分辨率模塊，而是通過In-context Regeneration（上下文再生），讓基模結合原始多模態上下文重新生成高分辨率畫面。MiniMax稱，這種方式能夠復用基模已有能力，并更好地還原小文字和局部細節。

MiniMax也提到，H3在復雜多模態理解、模型規模和部分場景的畫面精細度上仍有提升空間。后續H系列將進一步融合M系列模型能力，并繼續擴大模型規模、提高畫面分辨率和細節表現。

結語：全模態視頻生成走向統一模型

MiniMax H3試圖用統一的全模態生成架構，取代過去被拆分為文生圖、圖生視頻、音色參考、動作遷移等彼此隔離的任務管線。

隨著模型開始同時接收語言、圖片、視頻和聲音，視頻生成工具的產品形態也可能從“輸入提示詞、生成一段視頻”，逐步轉向理解完整創作意圖，并參與內容生產全過程。

H3能否兌現這一方向，仍要看其在復雜多模態指令穩定性、2K分辨率畫面精細度、音畫同步質量、真實生成成本等方面的實測表現。

來源：MiniMax