MiniMax H3 是什么？规格、模式与首发实测（2026）

2026 年 7 月 31 日，MiniMax 发布了 Hailuo 系列中最有野心的一款模型——顺带悄悄改写了"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、图像、视频和音频当作同一份统一上下文来读，生成自带立体声的 15 秒场景——然后允许你用一句自然语言指令去编辑结果，而不是重新掷一次骰子。

我们做的是 Pixo，一个多模型 AI 视频平台。这意味着每当有前沿模型发布，我们都会做两件事：逐行读官方文档，以及把它和我们已经在跑的模型放在一起实测。这篇首发解读基于 MiniMax 官方视频生成文档和 H3 模型卡——包括不少还没进入英文报道的细节，比如精确的输入上限、三种生成模式，以及那条决定你到底能不能跑这个模型的许可限制。

下面讲清楚 H3 是什么、哪些是真正的新东西，以及如果你靠做视频吃饭，这一切意味着什么。

MiniMax H3 关键规格一览

核心思路：一份上下文，容纳所有模态

大多数 AI 视频工具都是一串专用模型拼成的流水线：一个做文生视频，一个做唇形同步，一个做超分，再来点别的做声音。MiniMax 对 H3 的主张，是把这条流水线压缩成一个"全模态"系统——从架构上说，是一个 33B 参数的稠密 transformer，在单一数据流里读取每一种模态，而不是往视频主干上外挂各类编码器。落到实处，它不再把图像、视频和声音的生成当成彼此独立的任务，而是把你的全部素材——一段脚本、一张脸部参考、一段动作片段、一条音乐——读成同一份创作简报，再由此产出一个成品级的视听场景。

具体来说，你可以在一次提示词里交给 H3 最多 12 个文件：最多 9 张图像、3 段视频（合计 15 秒）、3 条音轨。每个参考都要声明自己的角色——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，而不是把它们拼贴起来。如果你曾经试过在保持角色一致的同时，还要匹配一段动作参考并且卡准节拍，还要横跨好几个工具，你就明白这件事的分量。

声音不是补丁

每一次 H3 生成都自带 32 kHz 原生立体声——带唇形同步的对白、房间声、音效——与画面在同一遍里产出。真正做到原生音频的模型本就不多，而 H3 在语言这一侧走得更远：语音覆盖 11 种语言——阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。它还能从参考音轨里克隆并迁移音色，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。

编辑才是头号卖点

下面这一点，把 H3 和我们跟踪的几乎所有片段生成器区分开来：它接受针对已有素材的编辑指令。MiniMax 自己给的例子朴素得可爱——"把视频里的猫换成狗"——然后一路升级到：换掉便利店的发光招牌、把一罐汽水换成某个品牌的可乐，并且改写结尾那句对白，全都在一条指令里完成，而镜头里的其他一切原地不动。你可以更换背景、重新布光，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一个克隆音色上。

对于一线创作者来说，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

文档定义了驱动 H3 的三条不同路径，而你身处哪一种，会改变你该怎么写提示词（我们已经基于官方公式写了一份完整的 MiniMax H3 提示词指南）：

1. 参考模式。 就是上文说的完整 12 文件多模态输入。你为每个素材标注角色——锁脸、动作参考、节奏音轨——然后描述场景。

2. 图生视频／首尾帧模式。 给它一张或两张图。给两张时，H3 会把它们当作首帧和尾帧，补出中间的运动、光线和声音——值得注意的是，这个模式下它不会自作主张地加入分镜切换。画幅比例跟随你的输入图。

3. 纯文生视频。 完全没有参考；模型从你的描述里搭出主体、场景和动作。H3 奖励具体、可视、懂镜头语言的写法，而不是含糊的氛围词。

开放权重——但附带地域限制

这是大多数报道跳过的细节，也是决定 H3 对你是否可用的那一条。

8 月 3 日，MiniMax 把 H3 的权重发布到了 Hugging Face——一次货真价实的前沿视频模型开放，与 ByteDance 让 Seedance 保持闭源正好相反。但它落地时采用的是 MiniMax H3 社区许可协议，而非 Apache 或 MIT，而协议原文把"适用地域"定义为全球范围，但不含欧盟、英国、大韩民国和美利坚合众国。

直白地说：如果你在美国、欧盟、英国或韩国，这份社区许可并不授予你在本地运行这些权重的权利。在其他地区，年收入超过 2000 万美元的商业使用同样需要单独的书面授权，并且要在产品中显著标注"MiniMax H3"。

对我们的大多数读者而言，这意味着托管 API——或者一个已获授权的平台——才是现实路径，而不是本地部署。这是一条不寻常的限制，值得在你为一个可能没权限运行的模型预留 GPU 预算之前先弄清楚。

H3 在当前模型格局中的位置

诚实的答案是：H3 并没有在每一条轴上碾压对手，而且它挑了个非常拥挤的日子发布。Kling 3.0 和 Veo 3.1 在原始分辨率上依然更高。而在 7 月 31 日——正是 H3 发布的同一天——ByteDance 在 Dreamina 上全球发布了 Seedance 2.5，把连续生成推到 30 秒单镜头、长视频模式可达三分钟，并加入了自己的时间戳编辑模式。"先生成、再编辑"这套思路显然已经不是 H3 独有了；我们在 MiniMax H3 与 Seedance 2.5 对比里详细比过这两款旗舰。

H3 至今仍然独占的，是编辑能力里声音与语言的那一半：改写一句对白并让表演随之调整、从参考音轨克隆声音，以及在生成画面的同一套系统里覆盖 11 种语言的语音。如果你的工作牵涉品牌、对白或多个市场——而不是一次性的奇观镜头——这套组合比多一档分辨率值钱得多。

不过，一个模型仍然拼不出一部片子。当一个 15 秒的生成器嵌进分镜、和其他模型并排站好时，它才真正好用——物理感强的动作节拍交给 Seedance，之后大概率要返工的对白戏交给 H3。这种逐镜头、多模型的工作流，正是我们围绕 Pixo 的 agent 打造的东西，也是我们正准备把 H3 引入 Pixo 分镜、与 Seedance 2.0、Kling 3.0 和 Veo 3.1 并列的原因。

使用方式与定价

H3 已经在消费级 Hailuo AI 应用中上线，也可以通过 MiniMax 开放平台 API 以模型 ID MiniMax-H3 调用。官方定价为 2K 视频每秒 0.13 美元——一段 6 秒带音频的片段约 0.78 美元——另有更便宜的 768p 档位。这个价格明显高于老一代 Hailuo 2.3，也说明了 MiniMax 认为这个模型该站在市场的哪个位置。而 API 优先的策略显然奏效了：发布第一周内，H3 就出现在了一大批第三方创作平台上。对这个模型的原始访问权正在飞快扩散，不会长久成为任何人的护城河。

如果比起原始片段，你更想在成片这个层级上干活，Pixo 把主流视频模型——Seedance、Kling、Veo、Hailuo 等等——都收在同一套由 agent 驱动的分镜工作流背后，而 MiniMax H3 正在加入这份阵容的路上。立即注册——新用户注册即得 200 免费额度——等 H3 一上线，你就能直接开拍。

常见问题

MiniMax H3 是什么？

MiniMax H3（也被称作 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、图像、视频和音频视为同一份统一上下文，一次生成 4–15 秒、最高 2K、带原生立体声的视频。

MiniMax H3 和 Hailuo 3.0 是同一个东西吗？

是的。MiniMax 是公司名，Hailuo 是它面向消费者的视频品牌，H3 则是第三代模型。API 的模型 ID 是 MiniMax-H3，社区里大多称它为 Hailuo 3.0——指的是同一个模型。

MiniMax H3 能生成音频吗？

能。每一次 H3 输出都自带 32 kHz 原生立体声，与画面在同一遍生成中产出：带唇形同步的对白、环境声和音效。语音覆盖 11 种语言，包括中文、英语、日语、韩语、阿拉伯语、法语、德语、意大利语、葡萄牙语、俄语和西班牙语。

MiniMax H3 能编辑视频吗？

能，这也是它最独特的能力。H3 可以针对已有素材接收自然语言的编辑指令——替换某个角色或物体、更换背景或光线、改写一句对白、迁移一个声音——同时让未被编辑的区域保持稳定。

MiniMax H3 是开源的吗？

MiniMax 于 2026 年 8 月 3 日把 33B 参数权重发布到了 Hugging Face，但采用的是社区许可协议，而非标准开源协议。该协议把美国、欧盟、英国和韩国排除在适用地域之外，因此这些地区的创作者应当使用托管 API，而不是自行部署。

本文中的规格，来自 2026 年 8 月 5 日对 MiniMax 官方视频生成文档、MiniMax-H3 Hugging Face 模型卡以及已公开的许可协议原文的阅读，并与我们在 Pixo 生产环境中运行的模型做了交叉核对。定价和许可条款会变——在做预算之前，请以一手来源为准。