2026年7月31日，MiniMax正式发布H3（Hashimoto H3）。这是全球首个在预训练阶段统一文本、图像、视频、音频全模态理解的生成模型，输出原生双声道音视频，最高支持15秒2K分辨率。H3的设计目标明确：从专用迈向通用，用一个模型替代过去多个独立专家模型的工作。
一句话结论
MiniMax H3是当前最具性价比的全模态生成模型，2K分辨率下API价格不到主流封闭模型的1/3，核心技术是Contextual Omni Representation加统一任务建模，适合广告、电商、游戏等商业场景创作者。
为什么是打破边界而不是又一个视频生成器
过去三年，视频生成领域的主流范式是任务分工：文生视频、图生视频、首尾帧、主体参考、动作参考各用独立模型，声音生成中的人声、音效、音乐也分别建模。图像、视频、音频之间有清晰边界。这种模式训练效率高，但限制了使用自由度，用户无法用自然语言描述一个跨越模态的复杂任务。
H3的预训练从第一天起就取消了这些边界。数据和任务层面，文生图文生视频共用一个生成器，音频不区分人声、音效、音乐而统一联合建模。参考和编辑同样打破模态限制：图片可以参考图片、图片可以参考视频、音频可以参考音频，关系全部由自然语言描述。这就是广义参考和编辑，完全由真实自然数据构成，具备良好的数据扩展性，不局限于预设任务类型。
核心技术：三项架构支撑统一建模
H3的技术核心是Contextual Omni Representation（上下文的全模态表示）。配合H3-VAE（变分自编码器）、H3-Omni Transformer和In-context Regeneration（上下文内再生）三项子技术，实现了跨模态的统一理解与生成。
在预训练层面，团队最重要的一项工作是增强Caption能力。多模态上下文引入后，Caption的定义被泛化：不止需要描述目标视频，还要描述上下文和目标之间的关系。例如输入可以是「参考视频1的希区柯克镜头运动，让图2中的人物唱歌，歌声参考音频3」——这种跨模态的复合指令，H3可以原生理解并执行。
性能与价格：2K分辨率下每秒不到主流1/3
根据MiniMax公布的基准测试，H3在指令遵循、文字与品牌信息呈现、V2V Motion Transfer等商用核心指标上表现优异，默认提供2K分辨率。价格方面，2K分辨率下每秒API价格不到主流模型的1/3，768P分辨率下是主流模型720P价格的1/2，按调用量计费。
应用场景：从电影片头到游戏UI
H3的目标场景覆盖广告、品牌、电商、产品设计、UI/UX、游戏等商业领域。官方展示了电影片头、游戏UI、动态海报、广告电商四个典型案例，均由自然语言Prompt驱动生成，无需人工分步操作。
视频模型的应用形态正在发生变化：创作者可以直接描述任务目标，而不仅是输入一段画面提示词。随着多模态理解和指令遵循能力持续提升，视频模型将逐步从生成一段视频走向真正参与内容生产的全流程。
开源计划：计划开放模型权重
长期以来，闭源模型主导视频生成领域，迭代速度和生态开放性落后于大语言模型。H3设计初期就考虑了多款国产芯片的兼容性，MiniMax计划在未来几天内在符合相关法规的前提下开放模型权重，推动开源社区发展和国产芯片适配。
数据表：H3核心参数一览
| 指标 | 参数 |
|---|---|
| 输入模态 | 文本、图像、视频、音频，四种模态上下文统一理解 |
| 输出形式 | 原生双声道音视频，最高15秒2K分辨率 |
| 分辨率 | 默认2K，支持768P |
| 价格（2K） | 每秒不到主流模型的1/3 |
| 价格（768P） | 为主流模型720P的1/2 |
| 核心技术 | Contextual Omni Representation、H3-VAE、H3-Omni Transformer、In-context Regeneration |
| 开源计划 | 计划开放权重，优先支持国产芯片适配 |
| 典型场景 | 广告、电商、游戏UI、电影片头、动态海报 |
FAQ：关于H3你最想知道的
Q：H3和传统的专用视频生成模型有什么本质区别？
A：传统模型针对每个子任务单独训练，文生视频、图生视频、音频生成各自独立。H3在预训练阶段就建立了统一的任务框架，用自然语言作为跨模态泛化的桥梁，同一个模型既能处理视频生成，也能处理跨模态的参考编辑，不需要针对每个任务单独微调。
Q：H3的定价是否有峰谷之分？
A：有。MiniMax采用峰谷定价，闲时价格为高峰时段的一半，鼓励用户根据实际使用场景调整任务提交时间，以获得更低成本。
Q：H3和Qwen3.8-Omni-Flash在定位上有何不同？
A：Qwen3.8-Omni-Flash主打耳聪目明、办事得力，偏向通用多模态助手能力；H3聚焦商业内容生成，默认输出2K分辨率音视频，针对视频创作场景深度优化，两者定位互补。
相关阅读
- DeepSeek V4.1 Flash发布：552B MoE、KV缓存缩437倍、V4 Pro退役
- Qwen3.8-Omni-Flash：耳聪目明，办事得力
- Claude管理智能体新增动态工作流：1000路并发
- Cloudflare Clef-omni：首个音视频开放权重决策模型
延伸阅读
- Kimi K3开放权重：2.8万亿参数MoE开源，MoonEP/FlashKDA/AgentEnv三项Infra同步公开8 小时前
- 芒果灵创 AIGC 平台解析：《后西游记》首度上星带动股价两连板，三维动画成本降到几千元一分钟3 周前
- Utopai Studios估值破10亿美元：00后创始人，Google X背景3 天前
- Qwen3.8-Omni-Flash发布：原生全模态Agent，29项基准涨25%，音视频API降幅超93%8 小时前