Hva er MiniMax H3? Spesifikasjoner, benchmark-resultater, arkitektur, pris og hvordan den står seg

TL;DR

AI‑videomodeller beveger seg forbi den gamle tekst‑til‑video‑formelen mot systemer som kan forstå en komplett kreativ brief – tekst, bilder, referanseopptak, bevegelse, stemmer, musikk og lydeffekter – og gjøre den om til en sammenhengende audiovisuell scene. MiniMax lanserte offisielt H3 31. juli 2026 som en generell omnimodal generasjonsmodell som forstår tekst, bilder, video og lyd i fellesskap og genererer klipp på opptil 15 sekunder med native stereolyd. Den viktigste endringen er en enhetlig arkitektur som behandler tekst‑til‑video, bilde‑til‑video, generering av første-/sistebilde, referansebasert generering, bevegelsesoverføring, audiovisuell redigering og lydbetinget skapelse som varianter av ett multimodalt generasjonsproblem i stedet for isolerte rørledninger. Det hostede produktet tilbyr 2K som standard gjennom en arbeidsflyt der H3‑Base først genererer med 768p på korteste side, og H3‑Regenerate‑2K deretter rekonstruerer scenen ved å bruke den opprinnelige konteksten. Denne kombinasjonen av konkurransedyktig audiovisuell kvalitet, fleksibel multimodal kontroll, nedlastbare H3‑Base‑vekter og kontekstbevisst 2K‑finishing gjør H3 til en av de mer teknisk særpregede videolanseringene i 2026.

Key Takeaways

• Ny arkitektur: Contextual Omni Representation, H3‑VAE, H3‑Omni Transformer og In‑Context Regeneration forener forståelse og generering på tvers av modaliteter.
• Ytelsesforbedringer: H3 genererer 4–15 sekunders klipp med 24 FPS video, 32 kHz stereolyd og hostet 2K‑utdata rekonstruert fra den opprinnelige multimodale konteksten.
• API og åpne vekter: MiniMax tilbyr hostede H3‑2K, H3‑Context‑IR og H3‑Regenerate‑2K API‑er, mens H3‑Base‑FL2VA og H3‑Base‑Ref2VA er tilgjengelige som nedlastbare sjekkpunkter.
• Viktigste bruksområder: Reklame, merkevarebygging, e‑handel, produktdesign, UI/UX, spill, film, referansedrevet generering, bevegelsesoverføring og audiovisuell redigering.
• Pris og distribusjonsgrense: Offisiell betal‑etter‑forbruk‑pris er $0.08/sekund ved 768P og $0.13/sekund ved 2K; kun H3‑Base kan lastes ned, mens H3‑Context‑IR og H3‑Regenerate‑2K forblir hostede tjenester.

What Is MiniMax H3?

MiniMax H3 er et generelt omnimodalt lyd‑/videogenereringssystem utviklet av MiniMax. I stedet for å akseptere bare en prompt eller ett referansebilde, kan H3 resonere over en kontekst som inneholder tekst, bilder, video og lyd, og deretter generere synkronisert video og stereolyd.

Det hostede H3‑systemet støtter 4–15 sekunders utdata, 24 FPS video og 32 kHz stereolyd. MiniMax markedsfører det hostede systemet som 2K som standard. Tekniske detaljer: H3‑Base lager et resultat med 768p på korteste side, og H3‑Regenerate‑2K mater dette resultatet og den opprinnelige konteksten tilbake til H3 for 2K‑rekonstruksjon. MiniMax rapporterer også stabil dialoggenerering på 11 språk, inkludert engelsk, kinesisk, japansk, koreansk, fransk, tysk, spansk, portugisisk, italiensk, russisk og arabisk.

Dette skillet er viktig. Mange tidligere videoflyter er i praksis rørledninger:

prompt -> stille video -> tale -> lydeffekter -> musikk -> synkronisering

H3 modellerer i stedet lyd og video som deler av én generasjonsprosess. H3‑Omni‑Transformer forutsier i fellesskap video‑ og lydlatenter, noe som reduserer behovet for å sette sammen uavhengige faser for video, dubbing, musikk og synkronisering i etterkant.

MiniMax H3 Specifications at a Glance

Tallet 33B viser til H3‑Omni‑Transformer, ikke til hver komponent som brukes i hele den hostede rørledningen.

What Makes MiniMax H3 Different?

One Model for Multiple Video Tasks

De fleste videogeneratorer har historisk skilt tekst‑til‑video, bilde‑til‑video, bevegelsesreferanse, videoredigering, lydgenerering og subjekt‑referansefunksjoner.

MiniMax tar en annen tilnærming. H3 ble forhåndstrent rundt generaliserte relasjoner mellom multimodal kontekst og ønsket utdata, slik at instruksjoner kan beskrive disse relasjonene i naturlig språk.

For eksempel kan en skapende bruker konseptuelt be H3 om å følge kamerabevegelsen i én video, bevare karakteren fra et bilde og bruke et annet lydklipp som stemmereferanse. MiniMax’ lanseringsdemonstrasjoner bruker denne typen kryssmodal instruksjon for å illustrere H3s generaliserte referansesystem.

Det gjør H3 mindre som en samling generasjonsmodi og mer som en multimodal kreativ motor.

Native Video and Stereo Audio Generation

MiniMax’ tekniske beskrivelse oppgir at H3‑Omni‑Transformer forutsier video‑ og lydlatenter i fellesskap. Lydsiden opererer gjennom H3‑AudioVAE, som komprimerer 32 kHz‑lyd til en latensekvens på 40 Hz før den dekoder det genererte resultatet tilbake til stereolyd.

Dette gir H3 en praktisk fordel for scener med dialog, miljølyd, musikk eller lydeffekter: lyd er en del av den generative konteksten i stedet for et helt separat etterarbeidstrinn.

Omni-Reference Inputs

H3‑Base‑Ref2VA støtter så mange som 9 bilder, 3 videoklipp og 3 lydklipp, med en grense på 12 blandede inndatafiler. Referansevideoer og lydklipp kan hver være 2–15 sekunder lange, med totale varighetsbegrensninger for hver modalitet. Lyd kan ikke være den eneste referanseinndataen i Ref2VA‑modus.

Det viktige er ikke bare mengden referanser. H3 er designet for å utlede relasjonen mellom disse ressursene.

• bevare en karakter fra et bilde;
• reprodusere bevegelse fra et referanseklipp;
• overføre en visuell eller filmatisk stil;
• bevare eller erstatte lyd;
• bruke én stemme som timbre‑referanse;
• redigere en eksisterende audiovisuell scene ved hjelp av instruksjoner i naturlig språk.

In-Context 2K Regeneration

H3s tilnærming til høy oppløsning er uvanlig viktig.

I stedet for å sende 768p‑utdata gjennom et konvensjonelt superoppløsningsnettverk, reintroduserer H3‑Regenerate‑2K den opprinnelige multimodale konteksten sammen med basisresultatet og ber H3 regenerere scenen i høyere oppløsning.

Den tilsiktede fordelen er semantisk gjenfinning. En vanlig oppskaler kan interpolere piksler, men kan ikke pålitelig rekonstruere informasjon som har forsvunnet – små bokstaver, merkeelementer eller fine objektdetaljer. H3s regenereringsfase kan konsultere den opprinnelige prompten og referansene på nytt mens 2K‑resultatet konstrueres.

How Does the MiniMax H3 Architecture Work?

Den komplette H3‑arbeidsflyten har tre hovedfaser:

H3‑Context‑IR -> H3‑Base -> H3‑Regenerate‑2K

H3‑Context‑IR tolker en potensielt komplisert multimodal instruksjon og konverterer den til en strukturert Context Intermediate Representation. H3‑Base konsumerer den representasjonen og genererer 768p video pluss lyd. H3‑Regenerate‑2K kombinerer deretter det genererte resultatet med den opprinnelige konteksten for å konstruere en versjon med høyere oppløsning.

H3-Contextual Omni Representation and H3-Context-IR

Contextual Omni Representation er MiniMax’ bredere designkonsept: språk fungerer som broen som beskriver relasjoner mellom konteksten, målet og flere modaliteter. I den publiserte systembeskrivelsen er H3‑Context‑IR det hostede forbehandlings‑ og orkestreringslaget som parser instruksjoner, assosierer modaliteter, resonerer om tid og serialiserer resultatet for H3‑Base.

H3‑Encoder forblir en spesifikk komponent inne i H3‑Base. Den bruker forhåndstrente vekter fra Qwen3‑VL‑32B og sender skjulte tilstander fra lag 50 inn i H3‑Omni‑Transformer.

H3-VAE

Lanseringsterminologien «H3‑VAE» dekker modellfamiliens visuelle og lydmessige latentrepresentasjoner. Dokumentasjonen for åpne vekter skiller H3‑VisualVAE fra H3‑AudioVAE. H3‑VisualVAE bruker tidsmessig kausal koding med 16× romlig kompresjon, 4× tidskompresjon og 24 latente kanaler, etterfulgt av 1 × 2 × 2 patchifisering. H3‑AudioVAE komprimerer 32 kHz stereolyd til latente token på en temporal frekvens på 40 Hz.

H3-Omni-Transformer

Lanseringsbloggen skriver navnet som «H3‑Omni Transformer»; den tekniske dokumentasjonen for åpne vekter bruker «H3‑Omni‑Transformer». Begge viser til den samme kjernekomponenten for generering. Det er en 33B‑parameters tett, enkeltstrøms Transformer. Omtrent 13B parametere ligger i AdaLN‑relaterte grener; modulasjonsutgangene deres kan forhåndsberegnes og caches, så de trenger ikke forbli lastet under ren inferensdistribusjon.

Modalitetsspesifikke komponenter er konsentrert i inn-/utlag og AdaLN‑grener, mens den sentrale Transformeren opererer på en enhetlig pakket sekvens. Tredimensjonal Multimodal RoPE representerer temporale og romlige posisjoner over (t, h, w).

H3-In-Context Regeneration

MiniMax’ lanseringsblogg kaller teknikken H3‑In‑Context Regeneration; produksjonsmodulen heter H3‑Regenerate‑2K. Den mater 768p‑resultatet og den opprinnelige konteksten tilbake til H3 for å rekonstruere et 2K‑utdata, slik at semantiske detaljer kan regenereres i stedet for bare å interpoleres.

Is MiniMax H3 Really Open Source?

Flyttet hit fra sin forrige plassering etter sammenligningsseksjonen fordi grensen for åpne vekter er et kjernearkitekturelt skille.

«Åpne vekter» er mer presist enn «helt åpen kildekode». MiniMax gjør H3‑Base‑FL2VA og H3‑Base‑Ref2VA‑sjekkpunktene tilgjengelige for lokal bruk, inkludert de nødvendige komponentene for prosessor, tokenizer, tekstkoder, Transformer, visuell VAE og lyd‑VAE.

Den komplette produksjonsrørledningen kan imidlertid ikke lastes ned ende‑til‑ende. H3‑Context‑IR forblir hostet, og H3‑Regenerate‑2K er ikke inkludert i den første utgivelsen med åpne vekter. Lokal H3‑Base‑generering sikter mot en 768p korteste‑side‑oppløsning; å reprodusere den offisielle fulle 2K‑arbeidsflyten krever hostede tjenester for konteksthåndtering og regenerering.

H3 bruker også MiniMax H3 Community License i stedet for en standard, permissiv lisens som Apache 2.0 eller MIT. Organisasjoner bør gjennomgå lisensens territorielle, attribusjons‑, sikkerhets‑ og kommersielle bruksbetingelser før utrulling.

MiniMax H3 Benchmark Performance

MiniMax’ lanseringsmateriell fokuserer primært på demonstrasjoner, arkitektur og brukstilfeller snarere enn å publisere en konvensjonell stor VBench‑stil benchmarkmatrise. For et mer nøytralt øyeblikksbilde er Artificial Analysis’ Video Arena nyttig, der brukere blindt sammenligner genereringer fra de samme promptene.

Disse rangeringene er et øyeblikksbilde per 2. september 2026, ikke permanente poeng. H3 er konkurransedyktig med ledende proprietære systemer og er spesielt bemerkelsesverdig blant oppføringer med åpne vekter. Verditilbudet er kombinasjonen av konkurransedyktig kvalitet, native audiovisuell generering, multimodale referanser og nedlastbare basisvekter – ikke bare et krav om høyeste benchmarkscore.

MiniMax H3 Pricing

Følgende betal‑etter‑forbruk‑priser ble gjenkontrollert mot MiniMax’ offisielle prisside 24. september 2026. Prisene kan endres, så produksjonsteam bør verifisere på nytt før budsjettering.

Til listepris koster en 10‑sekunders direkte generering omtrent $0.80 ved 768P eller $1.30 ved 2K; en 15‑sekunders generering er omtrent $1.20 eller $1.95. Disse eksemplene ekskluderer fakturerbare referanser, Context‑IR‑tokens og andre arbeidsflytspesifikke kostnader.

MiniMax H3 er også tilgjengelig via CometAPI. Modellsiden oppgir en startpris på $0.064/sekund under modell‑ID minimax-h3. Tredjeparts topppriser kan avhenge av rute, oppløsning og faktureringsregler, så de bør ikke behandles som universelle enhetsrater.

MiniMax H3 vs Wan3.0 vs Seedance 2.5 vs Vidu Q3

De mest nyttige konkurrentene er ikke nødvendigvis modeller som ser identiske ut på papiret. MiniMax H3, Wan3.0, Seedance 2.5 og Vidu Q3 vektlegger ulike deler av den profesjonelle videoflyten.

Which Model Is Better?

Det finnes ingen universell vinner. Velg MiniMax H3 når åpne vekter, multimodal betinging, native stereolyd, audiovisuell redigering og 2K‑finishing betyr mer enn maksimal klipplengde. Velg Wan 3.0 når 30‑sekunders utdata, 1080P, brede dokument-/nett‑referanser og sterk arena‑ytelse betyr mest. Velg Seedance 2.5 for svært store referansesett, 30‑sekunders narrativ struktur, identitetskonsistens eller målrettet redigering. Velg Vidu Q3 for korte narrative scener, flerspersonsdialog, timing og regissørlignende kamerakontroll.

En ansvarlig evaluering bør kjøre det samme interne promptsettet på tvers av alle aktuelle API‑er. Offentlige topplister eksponerer ikke alltid direkte sammenlignbare versjoner, og å erstatte en eldre eller turbo‑variant kan forvrenge resultatet.

What Are MiniMax H3's Main Limitations?

• Varighet: H3 stopper på 15 sekunder, mens noen konkurrenter nå støtter 30‑sekunders genereringer.
• Omfang for åpne vekter: bare H3‑Base kan lastes ned; Context‑IR og 2K‑regenerering forblir hostet.
• Maskinvarekrav: en 33B tett videomodell er fortsatt kostbar å kjøre lokalt, selv med inferensoptimaliseringer.
• Priskompleksitet: generering, regenerering, referansevideoer og ‑bilder samt Context‑IR kan skape separate kostnader.
• Lisensbetingelser: Community License krever en grundigere juridisk gjennomgang enn standard permisive lisenser.
• Benchmark‑volatilitet: arena‑rangeringer endres og erstatter ikke arbeidsbelastningsspesifikk testing.

Who Should Use MiniMax H3?

H3 passer godt for utviklere og kreative team som bygger multimodale videoflyter med behov for konsistente subjekter, bevegelses‑ eller stemmereferanser, native stereolyd, redigering og høyoppløselig finishing. Den er også relevant for team som vil tilpasse eller selv‑hoste basismodellen og bruke hostede steg bare ved behov.

Team som primært trenger lengst mulig enkel generering, lettest mulig lokal distribusjon eller en helt permisiv ende‑til‑ende‑stakk kan foretrekke en annen modell. MiniMax fremhever reklame, merkevarebygging, e‑handel, produktdesign, UI/UX, spill og film som kommersielle skapelsesscenarier.

How Can Developers Access MiniMax H3?

Det finnes tre hovedveier:

1. Bruk MiniMax’ hostede produkter, inkludert Hailuo og MiniMax Design.
2. Bruk MiniMax Open Platform for H3‑2K, H3‑Context‑IR og H3‑Regenerate‑2K API‑er.
3. Last ned H3‑Base‑sjekkpunkter for lokal distribusjon via det offisielle repoet og støttede inferensrammeverk.

For implementasjonsdetaljer, bruk den offisielle API‑ og distribusjonsdokumentasjonen lenket i kildelisten nedenfor; denne artikkelen fokuserer på produktevaluering.

Conclusion

MiniMax H3 er mindre viktig fordi den leder hver enkelt metrikk, og mer fordi den komprimerer en fragmentert produksjonskjede til ett programmerbart multimodalt system. Nedlastbare H3‑Base‑vekter gir utviklere rom til å prototypere, tilpasse og iterere lokalt, mens de hostede H3‑Context‑IR‑ og H3‑Regenerate‑2K‑stegene gir den rikere instruksjonsbehandlingen og høyoppløselige finishen som trengs for produksjon. Den hybride modellen skaper også avveininger: 15‑sekunders grensen, lokale infrastrukturkrav, avhengighet av hostede tjenester, kostnader på arbeidsflytnivå og vilkårene i Community License må alle vurderes opp mot teamets reelle prompter og leveringskrav. For team som prioriterer multimodal referansekontroll, synkronisert native lyd, audiovisuell redigering og 2K‑mastere, er H3 en overbevisende plattform; team som primært trenger lengre klipp eller en fullt selvstendig permisiv stakk bør benchmarke alternativer før de forplikter seg.

FAQ

How should a production team divide work between local H3-Base and MiniMax’s hosted services?

En praktisk hybrid arbeidsflyt er å bruke lokal H3‑Base for rask utforskning, promptiterasjon, referansetesting og alle steg der infrastrukturkontroll eller datalokalitet er viktig. Lovende utdata kan deretter flyttes til hostet H3‑Context‑IR for rikere instruksjonsbehandling og H3‑Regenerate‑2K for leveranse i sluttoppløsning. Riktig fordeling avhenger av GPU‑kapasitet, gjennomløpstid, styringskrav og om kvalitetsgevinsten fra de hostede stegene rettferdiggjør ekstra overføring, latens og fakturering.

What should an internal evaluation set measure before a team adopts H3?

Ikke evaluer H3 bare med visuelt imponerende prompter. Bruk et repeterbart sett av virkelige produksjonsbriefs og vurder instruksjonsetterlevelse, subjekt‑ og merkevarekonsistens, temporal stabilitet, tekstrendering, kamerabevegelsesnøyaktighet, lyd‑/videosynkronisering, dialogkvalitet, regenereringsfidelitet, latens, feilrate og totalkostnad per godkjent klipp. Kjør de samme ressursene og akseptkriteriene på tvers av konkurrerende modeller slik at arena‑rangeringer ikke erstatter bevis fra teamets faktiske arbeidsmengde.

How should multimodal reference assets be prepared to improve controllability?

Referanseressurser bør ha klare, ikke‑konfliktfylte roller: ett bilde kan definere identitet, ett klipp kan definere bevegelse, og én lydprøve kan definere stemme eller atmosfære. Fjern lavkvalitets eller motstridende referanser, trim klipp til relevant handling, og angi eksplisitt relasjonen mellom hver ressurs og målutdata i instruksjonen. Å starte med det minste tilstrekkelige referansesettet gjør det enklere å diagnostisere hvilken ressurs som forbedrer resultatet og hvilken som skaper tvetydighet.

Which production costs are easy to miss when comparing H3 with another API?

Pris per sekund for generering er bare den synlige basisen. En realistisk kostnadsmodell bør inkludere fakturerbare referansevideoer og ekstra bilder, Context‑IR‑tokens, 2K‑regenerering, nye forsøk, forkastede genereringer, lokal GPU‑kapasitet, mediagratis og ‑overføring, modereringshåndtering, integrasjonsarbeid og menneskelig gjennomgang. Den nyttige sammenligningen er kostnad per godkjent leveranse i nødvendig oppløsning – ikke kostnad per rå generering.

How should teams interpret “2K by default” when H3-Base itself generates at 768p?

Begrepene beskriver ulike lag i produktet. «2K som standard» viser til den hostede kommersielle opplevelsen, mens 768p beskriver korteste‑side‑utdata fra den nedlastbare H3‑Base‑fasen; H3‑Regenerate‑2K bygger deretter det endelige resultatet på nytt ved å bruke både basisresultatet og den opprinnelige konteksten. Kvalitetstesting bør derfor sammenligne lokale 768p‑utdata og endelige hostede 2K‑utdata som separate arbeidsflytsteg, med oppmerksomhet på om regenerering faktisk gjenoppretter tekst, merkevareelementer, ansikter og fine detaljer i stedet for bare å øke pikselantallet.

When is MiniMax H3 unlikely to be the best first choice?

H3 kan være et dårlig valg når et prosjekt krever vesentlig lengre enkel‑pass‑klipp, fullt lokal 2K‑finishing, en standard permisiv lisens, minimal GPU‑investering eller en svært enkel tekst‑til‑video‑arbeidsflyt som får lite ut av multimodale referanser. I slike tilfeller kan verdien av H3s generaliserte arkitektur ikke oppveie den ekstra operasjonelle kompleksiteten. Et kort konseptbevis med representative prompter er den sikreste måten å avgjøre om kontrollen og lyd‑/videointegrasjonen materielt forbedrer den endelige leveransen.