MiniMax H3 是什么？规格、模式与首发实测（2026）
一文看懂 MiniMax H3（Hailuo 3.0）：15 秒多镜头视频、原生双声道音频、12 个文件的多模态输入、指令式编辑，完整规格与上手入口都在这里。
2026 年 7 月 31 日，MiniMax 发布了海螺系列迄今最有野心的模型——也悄悄改写了『视频模型』这个词的含义。MiniMax H3（社区已经叫它 Hailuo 3.0）不只是把提示词变成片段。它把文本、图片、视频和音频当作同一个统一上下文来读，一次生成 15 秒、自带立体声的多镜头场景——然后还允许你用一句自然语言指令去编辑结果，而不是重新掷骰子。
我们开发的 Pixo 是一个多模型 AI 视频平台，所以每当有前沿模型发布，我们都会做两件事：逐行读官方文档，再拿它和我们已经在跑的模型对比测试。这篇首发解读基于 MiniMax 官方的 H3 使用手册和发布材料——其中不少细节还没进入大多数英文报道，比如精确的输入上限、三种生成模式，以及提示词格式究竟怎么写。
下面讲清 H3 是什么、真正的新东西在哪，以及如果你以做视频为生，它意味着什么。
MiniMax H3 关键规格一览
| 规格 | MiniMax H3 |
|---|---|
| 发布 | 2026 年 7 月 31 日（曾在 WAIC 2026 预告） |
| 输出时长 | 4–15 秒，24 fps |
| 分辨率 | 768p 模式（可升级至 1440p）；官方推荐 1440p『2K』模式——21:9 时最高 2976×1248 |
| 宽高比 | 21:9、16:9、4:3、1:1、3:4、9:16 |
| 音频 | 所有输出自带原生双声道——对白、环境声、音效与画面同一次生成 |
| 多模态输入 | 最多 12 个文件：9 张图片 + 3 段视频 + 3 段音频 |
| 编辑 | 针对已有素材的指令式编辑（人物、背景、台词、音色） |
| 语言 | 多语言提示词；TTS 精准覆盖 11 种语言，约 40 种可衍生探索 |
| 提示词上限 | 最多 7,000 字符 |
| 入口 | 海螺 AI 应用、MiniMax API（模型 ID MiniMax-H3） |
核心思路：一份上下文，容纳所有模态
大多数 AI 视频工具是一条由专用模型拼成的流水线：一个做文生视频，一个做口型同步，一个做超分，还有别的负责声音。MiniMax 给 H3 的定位，是把这条流水线折叠成一个『全模态』系统。用官方手册的话说，H3 不再以图片、视频、声音的生成为单一任务边界，而是把你的所有素材——一份脚本、一张人脸参考、一段动作视频、一条音乐——当作同一份创作简报来读，然后从中产出一段完整的视听场景。
具体来说，你可以在一条提示词里交给 H3 最多 12 个文件：至多 9 张图片、3 段视频（总计 15 秒）和 3 段音频。每个参考都要声明用途——这张图锁定角色的脸，这段视频是动作参考，这条音轨定节奏。模型是在融合它们，而不是把它们拼贴在一起。如果你曾在多个工具之间同时想稳住角色一致性、又要匹配动作参考、还要卡上节拍，你就会明白这为什么重要。
声音不是事后补的
每次 H3 生成都自带原生双声道音频——带口型同步的对白、房间底噪、音效——与像素在同一次生成中产出。真正做到原生音频的模型屈指可数（Seedance 2.0、Veo 3.1、Wan 2.6 是另外几个值得一提的），而 H3 在语言侧走得更远：它的文本转语音精准覆盖 11 种语言——中文、英语、日语、韩语、法语、德语、西班牙语等——另有约 40 种可通过衍生探索。它还能从参考音轨克隆并迁移音色，这让『把这条广告本地化到三个市场』从一个制作项目变成了一条提示词。
编辑才是头条功能
接下来是把 H3 和我们追踪的几乎所有片段生成器区分开的部分：它接受针对已有素材的编辑指令。手册自己的例子朴素得可爱——『把视频中的猫换成狗』——然后逐级升到这样的操作：替换便利店发光招牌、把一罐饮料换成品牌可乐、同时改写结尾那句台词，全部在一条指令里完成，而镜头里的其他一切保持原样。你可以更换背景、重打光影，可以替换一句台词并让表演随之微调，也可以把角色的声音迁移到克隆音色上。今天就能在 Pixo 的 Playground 里试：把你的素材作为视频参考上传，再对着它写指令。
对职业创作者来说，这直击 AI 视频里最烧钱的习惯：重抽。当一个镜头已经对了 90%，你要的不是一个新镜头——你要的是剩下那 10%。
三种生成模式
手册定义了驱动 H3 的三种不同方式，知道自己处在哪种模式，写提示词的方法也应随之改变（我们基于官方公式写了一篇完整的 MiniMax H3 提示词指南）：
1. 全能参考模式。 就是上面说的 12 个文件的完整多模态输入。你给每个素材标注用途——锁脸、动作参考、节奏音轨——再描述场景。
2. 首/尾帧模式。 给它一到两张图。给两张时，H3 会把它们当作首帧和尾帧，补全两者之间的动作、光影和声音——值得注意的是，这个模式下它不会自作主张加切镜。宽高比跟随你输入的图片。
3. 纯文生视频。 完全不用参考素材，模型根据你的文字描述建立主体、场景和动作。提示词可以写到 7,000 字符，H3 奖励具体、可视、懂镜头语言的写法，而不是氛围形容词。
H3 在当前模型格局中的位置
诚实的答案是：H3 并没有在每个维度上占优，而且它挑了一个拥挤的日子发布。Kling 3.0 和 Veo 3.1 的原生分辨率仍然更高（4K）。而 7 月 31 日——H3 发布的同一天——字节跳动发布了 Seedance 2.5，把单次生成时长推到 180 秒，并加入了自己的指令式编辑模式。『先生成、再编辑』显然已经不再是 H3 的独门思路；我们在 MiniMax H3 vs Seedance 2.5 里详细对比了这两个旗舰。
H3 仍然独享的，是编辑里声音与语言的那一半：改写一句台词并让表演随之调整、从参考音轨克隆音色、以及与画面同一系统里的 11 种语言 TTS。如果你的工作涉及品牌、对白或多个市场——而不是一次性的奇观镜头——这个组合比再高一档的分辨率更值钱。
不过，一个模型仍然不等于一部片子。一个 15 秒的生成器要真正好用，得放进分镜里、和其他模型并肩工作——物理感强的动作节拍交给 Seedance，之后还想反复修改的对白戏交给 H3。这种逐镜头、多模型的工作流正是 Pixo 的 Agent 所围绕构建的。H3 现已上线 Pixo 的 Playground 用于单镜头生成，而分镜目前运行 Seedance 2.0、Kling 3.0 和 Veo 3.1——从 Hailuo 专区开始探索吧。
使用方式与定价
H3 已上线消费级海螺 AI 应用，也可通过 MiniMax 开放平台 API 以模型 ID MiniMax-H3 调用。发布时的 API 定价折算下来，一条 6 秒带音频的 2K 片段约 0.78 美元——明显高于老款 Hailuo 2.3 的价格（768p 约 0.28 美元），这说明 MiniMax 认为这个模型该站在市场的哪个位置。MiniMax 还表示开源权重在路上。API 优先的策略显然在起效：发布第一周内，H3 已经出现在一批第三方创作平台上——这个模型的原始接入正在快速扩散，很快就不会是任何人的护城河。
如果你更想在成片层面工作、而不是折腾原始片段，Pixo 把主流视频模型——Seedance、Kling、Veo、Hailuo 等——收进同一套 Agent 驱动的分镜工作流。MiniMax H3 现已上线 Pixo 的 Playground——生成 4–15 秒、768p 或 2K 的镜头，支持图片、视频和音频参考。立即注册——新用户注册即得 200 免费积分，套餐折扣目前最高达 55%。
常见问题
MiniMax H3 是什么？
MiniMax H3（也叫 Hailuo 3.0）是 MiniMax 于 2026 年 7 月 31 日发布的全模态视频模型。它把文本、图片、视频和音频视作同一个统一上下文，一次生成 4–15 秒、最高 2K（1440p）、自带原生双声道音频的多镜头视频。
MiniMax H3 和 Hailuo 3.0 是同一个模型吗？
是的。MiniMax 是公司，Hailuo（海螺）是它的消费级视频品牌，H3 是第三代模型。API 模型 ID 为 MiniMax-H3，社区大多称它为 Hailuo 3.0——两者指的是同一个模型。
MiniMax H3 能输出什么分辨率和时长？
H3 生成 4–15 秒、24 fps 的片段，支持从 21:9 到 9:16 共六种宽高比。它提供 768p 模式（结果可升级至 1440p）和官方推荐的 1440p 模式——21:9 时最高可达 2976×1248。
MiniMax H3 会生成音频吗？
会——每条 H3 输出都包含与画面同一次生成的原生双声道音频：带口型同步的对白、环境声和音效。它的文本转语音精准覆盖 11 种语言，另有约 40 种语言可通过衍生探索获得。
MiniMax H3 能编辑视频吗？
能，而且这是它最具辨识度的能力。H3 接受针对已有素材的自然语言编辑指令——替换人物或物体、更换背景或光影、改写一句台词、迁移音色——同时保持未编辑区域稳定。
怎样试用 MiniMax H3？
H3 已上线海螺 AI 应用，也可通过 MiniMax 开放平台 API 调用（模型 ID 为 MiniMax-H3），并已陆续登陆多家第三方创作平台。发布时的 API 定价折算下来，一条 6 秒带音频的 2K 片段约 0.78 美元。
