MiniMax H3: qué es, especificaciones y modos (2026)

El 31 de julio de 2026, MiniMax lanzó el modelo más ambicioso de su línea Hailuo — y cambió silenciosamente 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 multiplano de 15 segundos con sonido estéreo integrado — y luego 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 por línea y probarlo contra los modelos que ya ejecutamos. Este primer vistazo se basa en el manual de uso oficial de H3 de MiniMax y en sus materiales de lanzamiento — incluidos detalles que aún no han llegado a la mayoría de la cobertura en inglés, como los límites exactos de entrada, los tres modos de generación y cómo funciona realmente el formato de prompt.

Esto es H3: qué es, qué tiene de genuinamente nuevo y qué significa si haces videos para ganarte la vida.

MiniMax H3 de un vistazo

La gran idea: un contexto, todas las modalidades

La mayoría de las herramientas de video con IA son tuberías de modelos especializados: uno para texto a video, otro para lip-sync, otro para escalado, algo más para el sonido. La apuesta de MiniMax con H3 es colapsar esa tubería en un único sistema «omnimodal». En palabras del manual oficial, H3 deja de tratar la generación de imagen, video y sonido como tareas separadas y en su lugar lee todos tus materiales — un guion, una referencia de rostro, un clip de movimiento, una pista musical — como un solo brief, y produce a partir de él una escena audiovisual terminada.

En concreto, eso significa que puedes entregarle a H3 hasta 12 archivos en un solo 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 hacer un collage. Si alguna vez has intentado mantener un personaje consistente mientras además seguías una referencia de movimiento y sincronizabas con un beat en herramientas separadas, entenderás por qué esto importa.

El sonido no es una ocurrencia tardía

Cada generación de H3 sale con audio estéreo nativo — diálogo con lip-sync, tono de sala, efectos — creado en la misma pasada que los píxeles. Solo un puñado de modelos hace audio nativo de verdad (Seedance 2.0, Veo 3.1 y Wan 2.6 son los otros destacables), y H3 va más lejos en el lado del idioma: su texto a voz cubre 11 idiomas con precisión — chino, inglés, japonés, coreano, francés, alemán y español entre ellos — con unos 40 más alcanzables por derivación. También puede clonar y migrar el timbre de una voz desde una pista de referencia, lo que convierte «localiza este anuncio a tres mercados» de un proyecto de producción en un prompt.

La edición es la función estrella

Aquí está la parte que separa a H3 de casi todos los generadores de clips que seguimos: acepta instrucciones de edición sobre metraje existente. Los propios ejemplos del manual son maravillosamente mundanos — «sustituye el gato del video por un perro» — y escalan hasta cosas como cambiar el letrero luminoso de una tienda de conveniencia, convertir una lata de refresco en una cola de marca y reescribir la línea de diálogo final, todo en una sola instrucción, todo mientras el resto del plano se queda en su sitio. Puedes cambiar fondos y reiluminar escenas, sustituir una línea de diálogo y que la interpretación se ajuste sutilmente para encajar, o migrar la voz de un personaje a un timbre clonado. Puedes probarlo hoy en el Playground de Pixo — sube tu metraje como referencia de video y escribe la instrucción sobre él.

Para los creadores profesionales, esto ataca el hábito más caro del video con IA: regenerar. Cuando un plano está bien al 90%, no quieres un plano nuevo — quieres el otro 10%.

Describe el vídeo que quieres…

Pixo

Crea vídeos con IA en Pixo

Convierte tus ideas en vídeos listos para publicar. Solo necesitas una frase.

Empezar a crear

Los tres modos de generación

El manual define tres formas distintas de dirigir H3, y saber en cuál estás cambia cómo debes escribir el prompt (escribimos una guía de prompts de MiniMax H3 completa basada en la fórmula oficial):

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

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

3. Texto a video puro. Sin referencias; el modelo construye sujeto, escena y acción desde tu descripción. Los prompts pueden llegar a 7,000 caracteres, y H3 premia la escritura específica, visual y consciente de la cámara por encima de las vibras.

Cómo encaja H3 en el panorama actual de modelos

La respuesta honesta: H3 no domina todos los ejes, y eligió un día muy concurrido para lanzarse. Kling 3.0 y Veo 3.1 siguen produciendo mayor resolución bruta (4K). Y el 31 de julio — el mismísimo día en que salió H3 — ByteDance lanzó Seedance 2.5, que lleva la generación en una sola pasada hasta los 180 segundos y añade sus propios modos de edición por instrucciones. La idea de generar-y-editar claramente ya no es solo de H3; comparamos los dos buques insignia en detalle en MiniMax H3 vs Seedance 2.5.

Lo que H3 sigue poseyendo con claridad es la mitad de voz e idioma de la edición: reescribir una línea de diálogo y que la interpretación se ajuste, clonar una voz desde una pista de referencia y TTS en 11 idiomas dentro del mismo sistema que generó la imagen. Si tu trabajo involucra marcas, diálogo o múltiples mercados — en lugar de planos espectaculares aislados — esa combinación vale más que otro escalón de resolución.

Un solo modelo, sin embargo, sigue sin ser una película. Un generador de 15 segundos se vuelve genuinamente útil cuando encaja en un storyboard junto a otros modelos — Seedance para un beat de acción con mucha física, H3 para la escena de diálogo que querrás revisar más tarde. Ese flujo de trabajo multimodelo por plano es exactamente lo que hemos construido en el agente de Pixo. H3 ya está disponible en el Playground de Pixo para generación de plano único, y el storyboard ejecuta hoy Seedance 2.0, Kling 3.0 y Veo 3.1 — usa el hub de Hailuo como punto de partida.

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 bajo el ID de modelo MiniMax-H3. El precio de la API en el lanzamiento equivale a unos $0.78 por un clip de 6 segundos en 2K con audio — notablemente por encima de las tarifas del legado Hailuo 2.3 ($0.28 en 768p), lo que te dice dónde cree MiniMax que se sitúa este modelo en el mercado. MiniMax también ha dicho que llegarán pesos abiertos. Y la estrategia API-first claramente está funcionando: en la primera semana, H3 ya ha aparecido en una oleada de plataformas creativas de terceros — el acceso bruto a este modelo se está extendiendo rápido, y no será el foso 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 — detrás de un único flujo de trabajo de storyboard dirigido por un agente. MiniMax H3 ya está disponible en el Playground de Pixo — genera planos de 4–15 segundos en 768p o 2K, con referencias de imagen, video y audio. Regístrate ahora — los nuevos usuarios reciben 200 créditos gratis al registrarse, y los planes tienen ahora hasta un 55% de descuento.

Preguntas frecuentes

¿Qué es MiniMax H3?

MiniMax H3 (también llamado Hailuo 3.0) es un modelo de video omnimodal lanzado por MiniMax el 31 de julio de 2026. Trata el texto, las imágenes, el video y el audio como un único contexto unificado y genera videos multiplano de 4–15 segundos hasta en 2K (1440p) con audio estéreo nativo en una sola pasada.

¿MiniMax H3 es lo mismo que Hailuo 3.0?

Sí. MiniMax es la empresa, Hailuo es su marca de video de consumo y H3 es el modelo de tercera generación. El ID de modelo en la API es MiniMax-H3, y gran parte de la comunidad lo llama Hailuo 3.0 — son el mismo modelo.

¿Qué resolución y duración puede producir MiniMax H3?

H3 genera clips de 4–15 segundos a 24 fps en seis relaciones de aspecto, de 21:9 a 9:16. Funciona en un modo de 768p (resultados ampliables a 1440p) y un modo de 1440p que MiniMax recomienda oficialmente — en 21:9 llega hasta 2976×1248.

¿MiniMax H3 genera audio?

Sí — cada salida de H3 incluye audio estéreo nativo generado en la misma pasada que el video: diálogo con lip-sync, sonido ambiente y efectos. Su texto a voz cubre 11 idiomas con precisión, y unos 40 más disponibles por derivación.

¿MiniMax H3 puede editar videos?

Sí, y esta es su capacidad más distintiva. H3 acepta instrucciones de edición en lenguaje natural sobre metraje existente — cambiar un personaje u objeto, cambiar el fondo o la iluminación, reescribir una línea de diálogo o migrar una voz — manteniendo estables las regiones no editadas.

¿Cómo puedo probar MiniMax H3?

H3 está disponible en la app Hailuo AI, a través de la API de la plataforma abierta de MiniMax (ID de modelo MiniMax-H3), y ya aparece en varias plataformas creativas de terceros. El precio de la API en el lanzamiento equivale a unos $0.78 por un clip de 6 segundos en 2K con audio.