MiniMax 公開 H3 全模態影片生成模型，最高輸出 2K、15 秒立體聲影片

MiniMax 公開 H3 全模態影片生成模型，最高輸出 2K、15 秒立體聲影片。MiniMax 於 2026 年 8 月 3 日宣布開放模型，模型頁面位於 Hugging Face 。 以偵探風格呈現的 MiniMax H3 宣傳短片，展示文字、圖像、聲音與影片等多模態生成功能。 核心能力 MiniMax-H3 支援 4～15 秒影片、24 FPS、32 kHz 立體聲，以及 21:9、16:9、1:1、9:16 等多種畫面比例；穩定支援阿拉伯文、中文、英文、法文、德文、義大利文、日文、韓文、葡萄牙文、俄文與西班牙文共 11 種對話語言。H3-Base-FL2VA 可接受零至兩張圖片，支援文字生影片、首幀／末幀生影片與首末幀生成；H3-Base-Ref2VA 則可混合最多 9 張圖片、3 段影片與 3 段音訊，所有輸入檔案合計最多 12 個。 MiniMax H3 的 Next-Generation Open-Weights General-Purpose Multimodal Video Model 形象標題畫面 系統架構 完整系統由 H3-Context-IR、H3-Base 與 H3-Regenerate-2K 組成：前者負責解析跨模態關聯、時間脈絡與複雜推理，H3-Base 先生成 768p 結果，再由 H3-Regenerate-2K 依原始脈絡重生成 2K，以保留小字與細節。H3-Omni-Transformer 是 33B 參數的 dense 單流 Transformer；另有 H3-Encoder 使用 Qwen3-VL-32B 的完整預訓練權重，取其第 50 層 hidden states 餵給前者。H3-Omni-Transformer 的完整權重已釋出，但初始版本僅提供 full attention，sparse attention 將於後續更新推出。 MiniMax H3 System Overview 的系統架構流程圖，分為 Context Understanding、Base Generation 與 High-Resolution Regeneration 三個主要階段。 MiniMax H3-Base 的多模態編碼、上下文序列打包、統一生成與解碼架構圖 開放範圍與限制 H3-Context-IR 與 H3-Regenerate-2K 因依賴多階段 hosted models 與服務，尚未開源，官方改以 API 驗證結果；使用者可在本機部署 H3-Base，或結合 Open Platform API 執行端到端 2K 流程。文字、圖片、影片與增強後 prompt 會經自動審核，疑似違法、色情或侵害第三方權利的內容可能遭封鎖，且官方提醒仍可能出現誤判。原文：https://easyvibecoding.app/curated/2824-minimax-releases-h3-multimodal-video-generation-model