¿Qué es MiniMax H3? Características, modos y primer vistazo

El 31 de julio de 2026, MiniMax lanzó el modelo más ambicioso de su línea Hailuo y, de paso, cambió sin hacer ruido lo que significa «modelo de video». MiniMax H3 (la comunidad ya lo llama Hailuo 3.0) no se limita a convertir prompts en clips. Lee texto, imágenes, video y audio como un único contexto unificado, genera escenas de 15 segundos con sonido estéreo incorporado y, después, te deja editar el resultado con una instrucción en lenguaje natural en vez de volver a tirar los dados.

Nosotros construimos Pixo, una plataforma de video con IA multimodelo, lo que significa que cada vez que sale un modelo de frontera hacemos dos cosas: leer la documentación oficial línea a línea y probarlo contra los modelos que ya tenemos en producción. Este primer vistazo se basa en la documentación oficial de generación de video de MiniMax y en la ficha del modelo H3, incluidos detalles que casi ninguna cobertura ha recogido todavía: los límites exactos de entrada, los tres modos de generación y la restricción de licencia que decide si puedes siquiera ejecutar este modelo.

Esto es H3: qué es, qué hay realmente de nuevo y qué significa si vives de hacer videos.

MiniMax H3 de un vistazo

La gran idea: un solo contexto, todas las modalidades

La mayoría de las herramientas de video con IA son cadenas de modelos especializados: uno para texto a video, otro para sincronía labial, otro para escalar, otro más para el sonido. La propuesta de MiniMax con H3 es colapsar esa cadena en un único sistema «omnimodal»: en términos de arquitectura, un transformer denso de 33 000 millones de parámetros que lee todas las modalidades en un solo flujo en lugar de atornillar codificadores a una columna vertebral de video. En la práctica, eso significa que deja de tratar la generación de imagen, video y sonido como tareas separadas y lee todos tus materiales —un guion, una referencia de rostro, un clip de movimiento, una pista musical— como un solo briefing, y a partir de ahí produce una escena audiovisual terminada.

En concreto, puedes entregarle a H3 hasta 12 archivos en un mismo prompt: hasta 9 imágenes, 3 clips de video (15 segundos en total) y 3 pistas de audio. Cada referencia recibe un rol declarado: esta imagen fija el rostro del personaje, este video es la referencia de movimiento, esta pista marca el ritmo. El modelo los fusiona en lugar de pegarlos como un collage. Si alguna vez has intentado mantener un personaje consistente a la vez que respetas una referencia de movimiento y sincronizas con un beat usando herramientas distintas, entenderás por qué esto importa.

El sonido no es un añadido de última hora

Toda generación de H3 llega con audio estéreo nativo a 32 kHz —diálogo con sincronía labial, ambiente de sala, efectos— creado en la misma pasada que los píxeles. Solo un puñado de modelos hacen audio nativo de verdad, y H3 va más lejos en el terreno lingüístico: su voz cubre 11 idiomas —árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español—. También puede clonar y migrar el timbre de voz a partir de una pista de referencia, lo que convierte «localiza este anuncio para tres mercados» de proyecto de producción en un simple prompt.

La edición es la función estrella

Esta es la parte que separa a H3 de casi cualquier generador de clips que seguimos: acepta instrucciones de edición sobre material ya existente. Los ejemplos del propio MiniMax son maravillosamente mundanos —«sustituye el gato del video por un perro»— y escalan hasta cosas como cambiar el rótulo luminoso de una tienda, convertir una lata de refresco en una cola de marca y reescribir la línea de diálogo final, todo en una sola instrucción y sin que se mueva nada más del plano. Puedes cambiar fondos y reiluminar escenas, sustituir una línea de diálogo y que la interpretación se ajuste sutilmente, o migrar la voz de un personaje a un timbre clonado.

Para quienes trabajan a diario, esto ataca el hábito más caro del video con IA: volver a tirar los dados. Cuando un plano está bien al 90 %, no quieres un plano nuevo: quieres el 10 % restante.

Los tres modos de generación

La documentación define tres formas distintas de dirigir H3, y saber en cuál estás cambia cómo deberías escribir el prompt (hemos publicado una guía completa de prompts para MiniMax H3 basada en la fórmula oficial):

1. Modo referencia. La entrada multimodal completa de 12 archivos descrita arriba. Etiquetas el rol de cada asset —fijar rostro, referencia de movimiento, pista de ritmo— y describes la escena.

2. Modo imagen a video / primer-último fotograma. Le das una o dos imágenes. Con dos, H3 las trata como el primer y el último fotograma y rellena el movimiento, la iluminación y el sonido intermedios; conviene saber que en este modo no se inventará cortes de cámara. La relación de aspecto sigue a la de tu imagen de entrada.

3. Texto a video puro. Sin referencias: el modelo construye sujeto, escena y acción a partir de tu descripción. H3 premia la escritura específica, visual y consciente de la cámara por encima de las vaguedades.

Pesos abiertos, con truco territorial

Este es el detalle que casi toda la cobertura se ha saltado, y es el que decide si H3 te sirve o no.

El 3 de agosto, MiniMax publicó los pesos de H3 en Hugging Face: una apertura genuina de un modelo de video de frontera y el opuesto estratégico de ByteDance manteniendo Seedance cerrado. Pero llegó bajo la MiniMax H3 Community Licence, no bajo Apache ni MIT, y el texto de la licencia define su «territorio de aplicación» como todo el mundo excepto la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos de América.

En cristiano: si estás en la Unión Europea (España incluida), Estados Unidos, el Reino Unido o Corea del Sur, la licencia comunitaria no te concede derechos para ejecutar estos pesos en local. El uso comercial en el resto del mundo también exige autorización escrita aparte por encima de 20 millones de dólares de facturación anual, además de una atribución visible a «MiniMax H3» en tu producto.

Para la mayoría de nuestros lectores, eso convierte la API alojada —o una plataforma que licencie el acceso— en la vía práctica, no el despliegue local. Es una restricción poco habitual y conviene conocerla antes de presupuestar horas de GPU para un modelo que quizá no tengas licencia para ejecutar.

Cómo encaja H3 en el panorama actual

La respuesta honesta: H3 no domina en todos los ejes, y eligió un día muy concurrido para lanzarse. Kling 3.0 y Veo 3.1 siguen sacando más resolución en bruto. Y el 31 de julio —el mismísimo día del estreno de H3— ByteDance lanzó Seedance 2.5 a nivel global en Dreamina, que lleva la generación a tomas únicas de 30 segundos con un modo de video largo que alcanza los tres minutos, y añade sus propios modos de edición con marca de tiempo. La idea de «generar y luego editar» ya no es solo de H3; hemos comparado ambos buques insignia en detalle en MiniMax H3 vs Seedance 2.5.

Lo que H3 sigue teniendo en exclusiva es la mitad de la edición que toca la voz y el idioma: reescribir una línea de diálogo y que la interpretación se ajuste, clonar una voz a partir de una pista de referencia y hablar 11 idiomas dentro del mismo sistema que generó la imagen. Si tu trabajo tiene que ver con marcas, diálogo o varios mercados —y no con planos espectaculares sueltos—, esa combinación vale más que otro escalón de resolución.

Aun así, un modelo no es una película. Un generador de 15 segundos se vuelve realmente útil cuando encaja en un storyboard junto a otros modelos: Seedance para un golpe de acción con mucha física, H3 para la escena de diálogo que después vas a querer revisar. Ese flujo multimodelo plano a plano es exactamente aquello para lo que construimos el agente de Pixo, y es la razón por la que estamos preparando la llegada de H3 al storyboard de Pixo junto a Seedance 2.0, Kling 3.0 y Veo 3.1.

Acceso y precios

H3 está disponible en la app de consumo Hailuo AI y a través de la API de la plataforma abierta de MiniMax con el ID de modelo MiniMax-H3. El precio de tarifa es de 0,13 $ por segundo de video 2K —unos 0,78 $ por un clip de 6 segundos con audio— con un nivel más barato a 768p. Eso queda claramente por encima de las tarifas del veterano Hailuo 2.3, lo que te dice dónde cree MiniMax que juega este modelo. Y la estrategia de API primero está funcionando: en la primera semana, H3 apareció en una oleada de plataformas creativas de terceros. El acceso en bruto a este modelo se está extendiendo rápido y no será la ventaja competitiva de nadie por mucho tiempo.

Si prefieres trabajar al nivel de videos terminados en lugar de clips sueltos, Pixo ejecuta los principales modelos de video —Seedance, Kling, Veo, Hailuo y más— tras un único flujo de storyboard dirigido por un agente, y MiniMax H3 está de camino a esa alineación. Regístrate ahora —los nuevos usuarios reciben 200 créditos gratis al registrarse— y estarás listo para dirigir H3 en cuanto aterrice.

Preguntas frecuentes

¿Qué es MiniMax H3?

MiniMax H3 (también conocido como Hailuo 3.0) es un modelo de video omnimodal que MiniMax lanzó el 31 de julio de 2026. Trata texto, imágenes, video y audio como un único contexto unificado y genera videos de 4 a 15 segundos a hasta 2K con audio estéreo nativo en una sola pasada.

¿MiniMax H3 y Hailuo 3.0 son lo mismo?

Sí. MiniMax es la empresa, Hailuo es su marca de video para consumidores y H3 es el modelo de tercera generación. El ID del modelo en la API es MiniMax-H3, y buena parte de la comunidad lo llama Hailuo 3.0: es el mismo modelo.

¿MiniMax H3 genera audio?

Sí. Cada resultado de H3 incluye audio estéreo nativo a 32 kHz generado en la misma pasada que el video: diálogo con sincronía labial, ambiente y efectos. Su voz cubre 11 idiomas, entre ellos chino, inglés, japonés, coreano, árabe, francés, alemán, italiano, portugués, ruso y español.

¿MiniMax H3 puede editar videos?

Sí, y es su capacidad más distintiva. H3 acepta instrucciones de edición en lenguaje natural sobre material ya existente —cambiar un personaje o un objeto, modificar el fondo o la iluminación, reescribir una línea de diálogo o migrar una voz— manteniendo estable todo lo que no se edita.

¿MiniMax H3 es de código abierto?

MiniMax publicó los pesos de 33 000 millones de parámetros en Hugging Face el 3 de agosto de 2026, pero bajo una licencia comunitaria, no una licencia de código abierto estándar. La licencia excluye a Estados Unidos, la Unión Europea, el Reino Unido y Corea del Sur de su territorio de aplicación, así que quienes creen desde esas regiones deberían usar la API alojada en lugar de desplegar el modelo por su cuenta.

Las características de este artículo se leyeron de la documentación oficial de generación de video de MiniMax, la ficha del modelo MiniMax-H3 en Hugging Face y el texto publicado de la licencia el 5 de agosto de 2026, y se contrastaron con los modelos que ejecutamos en producción en Pixo. Los precios y los términos de licencia cambian: verifícalos en las fuentes primarias antes de presupuestar.