MiniMax H3 是由稀宇科技（MiniMax）于2026年7月31日正式发布，并于8月3日全面开源的一款通用全模态视频生成模型。它打破了传统单一模态的处理框架，能够统一理解文本、图像、视频及音频输入，并输出具备原生双声道立体声的高清音视频内容。
MiniMax H3 的核心优势：
业界顶尖的生成与编辑性能
H3 是首个综合能力达到闭源头部水准的开源视频模型。在权威的 Artificial Analysis 视频模型榜单中，H3 的视频编辑能力以 1130 的 Elo 评分位列全球第一，超越了此前的榜首；在带音文生视频和图生视频榜单中均位居全球第二，与闭源旗舰模型处于同一梯队。
原生音视频联合生成
H3 支持原生双声道立体声（32kHz采样率）输出，最长可连续生成15秒的高清视频。其音画联合生成能力极佳，角色口型能与台词严丝合缝地对齐，环境音效与背景音乐也会根据提示词自动匹配，省去了繁琐的后期配音与校准步骤。
1.极致的性价比与成本优势
通过自研的高压缩率 Tokenizer（H3-VAE）及异构训练优化，H3 大幅降低了推理成本。其 2K 分辨率视频生成价格仅为 0.8元/秒，不到业内同类旗舰模型价格的三分之一；768P 分辨率的成本优势更为显著。
2.强大的全模态参考与精细编辑
H3 提供了极其丰富的输入模式，支持最多 12 个多模态素材混合输入（如9张图、3段视频、3段音频）。创作者可以通过自然语言描述复杂关系，实现参考图生视频、视频续写、动作迁移（V2V Motion Transfer）以及视频精细编辑。在指令遵循、文字与品牌信息呈现上表现尤为精准。
3. 极低的本地部署门槛与广泛的生态适配
H3 开源后迅速获得了国内外生态的广泛支持。在算力层，开源24小时内即完成了对华为昇腾、AMD、Intel等主流芯片的适配。在本地部署方面，社区实测仅需 12GB 显存的消费级显卡（如 RTX 3060）即可运行 480P 到 720P 的视频生成。此外，H3 已全面接入 ComfyUI、Hugging Face 等主流开发社区和工作流。
4.原生支持超长视频拼接
虽然单次生成上限为15秒，但社区已摸索出成熟的滑动窗口续写方案。通过将上一段视频的尾部帧作为参考回传，并绑定同一目标主体参考图，可以将原生窗口无缝拼接延长至 60秒以上，且能保持人物和场景的高度一致性。
实操步骤
一、登录矩池云AI功能岛，一键启动"MiniMax H3"，如果在市场选择镜像的话，请选择17区A100显卡
二、复制UI链接，进入comfyUI界面
三、点击模版页面，进入视频模板选择，可以看到"MiniMax H3"的三个功能，图生视频，文生视频，参考视频
四、以文生视频为例
参数解析：
4.1 核心生成节点：Image to Video (MiniMax H3)
输入参数
-
first_frame (首帧): 视频生成的起始图像接口。
-
last_frame (尾帧): 视频生成的结束图像接口（当前未连接，意味着模型主要根据首帧和提示词自由发挥后续内容）。
-
width / height (宽/高): 决定输出视频的分辨率，这两个端口连接到了左侧的"分辨率选择器"。
提示词区域
这是该节点最关键的部分，输入了一段非常专业、结构化的导演级提示词。这种写法比简单的关键词堆砌更能控制长视频的叙事节奏。
-
风格定义:
Realistic live-action cinematic look（写实真人电影感）,anamorphic lens（变形宽银幕镜头）,shallow depth of field（浅景深）,film grain（胶片颗粒）。这奠定了视频的视觉基调。 -
场景概述: 描述了黄昏时分，主角在摩天大楼屋顶被追逐、跳跃逃生的动作场面。
-
分镜脚本: 规划了5秒内的4个镜头：
-
[0s-1.5s] Shot 1: 高角度侧拍，主角冲刺。 -
[1s-2.5s] Shot 2: 跨越楼宇间隙的跳跃，带有轻微慢动作。 -
[2.5s-4s] Shot 3: 落地翻滚起身，低角度拍摄。 -
[4s-5s] Shot 4: 再次起跳前的剪影定格。
-
-
运镜与音频: 明确要求硬切，无溶解转场；音频需包含风声、脚步声和城市环境音。
技术参数
-
duration:
5.0，设定生成视频时长为5秒。 -
noise_seed:
1119071711421241，随机种子，用于固定生成结果以便复现。 -
模型文件:
-
unet_name:minimax_h3_f12va_pruned_int8_convrot.safetensors（经过量化优化的主模型）。 -
clip_name:qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors（负责理解文本的视觉语言模型）。 -
vae_name:minimax_h3_video_vae_fp16.safetensors（视频解码器）。 -
audio_vae:minimax_h3_audio_vae_fp32.safetensors（音频解码器，说明该工作流会同时生成配套音效）。
-
4.2 辅助控制节点：分辨率选择器
位于中间左侧的节点，用于动态控制输出尺寸。
-
宽高比: 设置为
16:9 (Widescreen)。 -
百万像素: 设置为
0.4。这意味着目标分辨率约为40万像素。 -
倍数:
32。这是为了保证输出的宽高能被32整除，符合模型计算的数学要求。 -
输出: 该节点计算出的具体宽度和高度数值，通过连线传输给了主节点的
width和height端口。
4.3 参考信息节点：Note: Size Settings Reference
左下角的黑色表格节点，这是一个纯文本备注，不参与运算，但为"分辨率选择器"的设置提供了依据。
-
它列出了不同百万像素数对应的具体分辨率（例如 0.4 MP 对应 864 x 480）。
-
在设置上方的选择器时，参考了这个表格来决定具体的清晰度档位。
生成结果：
MiniMax_H3_00011