MiniMax H3 可以生成和做什麼？

它支援文字轉影片、圖像轉影片、首尾影格生成、參考轉影片（混合多個參考檔案），以及基於指令的影片編輯，例如交換主體/物體、改變背景或燈光，以及在保持未觸及部分穩定的情況下重寫對話。

MiniMax H3 支援什麼解析度、影格率和持續時間？

MiniMax H3 以固定的 24 FPS 生成 5–15 秒的影片，最高可達 2K 輸出（通常描述為短邊 1440p，具體取決於長寬比）。

MiniMax H3 會自動生成音訊嗎？

是的。每次生成都包含與視覺效果同步的原生立體音訊（例如，環境音、音效、音樂和對話），它還可以從參考錄音中轉移/複製聲音。

支援哪些長寬比？

它支援 21:9、16:9、4:3、1:1、3:4 和 9:16，以及自適應/自動選項（取決於模式/提供者）。首尾影格生成遵循上傳圖像的長寬比。

我可以在一個請求中提供多少個參考檔案？

參考轉影片最多支援 9 張圖像、3 個影片片段和 3 個音軌，總共最多 12 個檔案。參考影片/音訊片段通常每個 2–15 秒，總共 15 秒，音訊必須至少與一張圖像或一個影片配對。

MiniMax H3 是開放權重嗎？這意味著什麼？

是的。MiniMax H3 以 MiniMax H3 社區許可證下的開放權重發布，這意味著權重可以在本地用於研究/構建（受許可證約束）。一些託管系統組件可能不包含在初始開放權重發布中。

我如何通過 API 使用 MiniMax H3？

您可以通過託管提供商（例如 fal.ai）通過無伺服器 API 使用它：安裝 fal SDK (Python/JavaScript)，從 fal 儀表板獲取 API 金鑰，然後使用您的提示和可選的參考媒體呼叫 MiniMax H3 端點。

Minimax H3

WebsiteAI Video Generator Text to Video

MiniMax H3 是一個開放權重、真正多模態的 AI 影片生成器，它將文字、圖像、影片和音訊融合到 4-15 秒的片段中（最高 2K/1440p），具有原生立體聲、強大的角色連續性和基於指令的編輯。

訪問網站

宣傳此工具

https://minimaxh3.ai/?utm_source=aipure

概覽
替代方案

產品資訊

更新時間：2026年08月07日

什麼是 Minimax H3

H3 屬於一種新型的影片模型，它將整個場景視為一個任務，而不是從不同的階段組裝。您將各種素材——提示、一些靜態圖片、一個片段、一個語音樣本——交給它，它會在生成任何內容之前，分析這些參考資料中人物、手勢、聲音、情緒、構圖和視覺處理之間的關係。返回的結果是一個介於四到十五秒的 2K 鏡頭，其音訊已作為渲染的一部分。

Minimax H3 的主要功能

MiniMax H3 是一個開放權重、通用多模態影片生成模型，能夠理解文字、圖像、影片片段和音軌的統一語境，以生成帶有原生同步立體音訊的短片（約 4-15 秒）。它支援多種工作流程——文字轉影片、圖像轉影片、首/尾幀控制、基於參考的生成以及基於指令的影片編輯——因此創作者可以用簡單的語言生成或修改鏡頭，同時在整個片段中保持角色連續性、攝影機運動、風格和聲音設計，輸出透過託管系統可達 2K，本地基礎部署可達約 768p 短邊。

統一多模態語境（文字 + 圖像 + 影片 + 音訊）: 在單一請求中接受混合輸入——最多 9 張圖像、3 個影片片段和 3 條音軌（總共 12 個檔案）——並對它們進行綜合推理，將角色、動作、攝影機語言、聲音和風格融合為一個連貫的結果。

原生立體音訊生成與語音/音訊參考: 輸出帶有內建同步立體聲（氛圍、音效、音樂和對話）的影片，並可使用提供的音訊參考資料來引導人聲/語音語調和時間，使音效與螢幕動作對齊。

參考驅動控制（身份、動作、風格）: 使用參考圖像保持臉部/角色一致，參考影片傳輸編舞或攝影機運動，以及參考音訊引導語音/音樂——實現自然語言描述的「全方位參考」風格工作流程。

基於指令的影片編輯（對話式迭代）: 透過簡單的語言指令編輯現有片段（交換物體/主體、更換服裝、替換背景、重新打光、重寫對話），同時保持未觸及區域的穩定性，以實現更快的逐鏡頭迭代。

多種生成模式與長寬比: 支援文字轉影片、圖像轉影片、首尾幀插值以及影片轉影片/編輯，適用於常見格式（例如 16:9、9:16、1:1、21:9），同時適用於電影和社群輸出。

開放權重生態系統 + 託管 API 選項: 在社群許可證下發布，具有開放權重和工具支援（例如，擴散器管道、ComfyUI 工作流程、vLLM/SGLang 服務配方），同時也可透過託管 API 訪問，用於 2K 再生等高端管道。

Minimax H3 的使用案例

行銷與品牌廣告: 將產品照片和簡報轉化為帶有可讀螢幕文字/標誌、受控攝影機語言和內建聲音設計的短廣告創意——然後透過指令編輯細節（燈光、背景、文案、旁白）快速迭代。

電子商務產品展示: 無需實體拍攝，即可將靜態產品照片製作成精美的商品影片，包括包裝細節、字幕和同步的氛圍/音樂。

遊戲開發與內容（CG、預告片、UI 演示）: 生成遊戲般的序列、角色 PV 和動畫 UI 演練，其中一致性至關重要（HUD/選單可讀性、角色模型穩定性），使用參考資料保持設計符合模型。

風格化動畫與音樂影片內容: 製作具有獨特外觀（動畫、黏土動畫、像素藝術、3D 奇幻）的片段，並將動作節拍與音樂/音效同步，利用風格和動作參考資料實現連貫的視覺節奏。

電影預覽與短篇敘事場景: 創建 4-15 秒的電影節拍，帶有導演風格的攝影機指令（推軌、焦點轉換、剪輯/標題卡）和原生音訊，適用於故事板、提案材料和快速概念探索。

社群短影音內容製作: 從文字提示和可選參考資料快速生成適用於 TikTok/Reels/Shorts 的垂直（9:16）有聲影片，然後透過對話式編輯進行精修，而不是從頭重新渲染。

優點

強大的多模態靈活性：將文字、圖像、影片和音訊結合在一個語境中，而不是使用單獨的工具。

原生同步立體音訊（包括對話/音效/氛圍）減少了單獨聲音設計的需要。

基於指令的編輯能夠快速迭代，同時保留角色身份和場景佈局等穩定元素。

開放權重可用性以及廣泛的生態系統支援（管道/工作流程/服務堆棧）實現了客製化和本地實驗。

缺點

完整的 2K 工作流程可能依賴於託管階段；本地開放權重版本可能更受限制（例如，約 768p 短邊基礎輸出），並且可能需要大量硬體資源。

社群許可證包含使用限制（例如，關於合法使用的義務以及限制使用輸出/模型來改進其他 AI 模型）。

短片時長限制（約 4-15 秒）意味著較長的敘事需要拼接多個生成片段並在外部管理連續性。

如何使用 Minimax H3

1) 選擇您將如何運行 MiniMax H3（應用程式、託管 API 或本地開放權重）: 選擇一個工作流程：(a) 網頁/應用程式體驗（最快啟動）：使用 MiniMax H3 應用程式/網站進行生成和聊天編輯。(b) 託管 API（無伺服器）：提交非同步任務並在完成後下載 MP4。(c) 本地開放權重（ComfyUI 或 vLLM）：在本地運行 H3-Base 以獲得 768p 級別的輸出；請注意，託管的 Context-IR 和 2K 升級模組是獨立的託管階段。

2) 決定您的生成模式（文字轉影片、圖像轉影片帶首/尾幀，或參考轉影片）: MiniMax H3 以兩個特定任務的檢查點發布：FL2VA（文字轉影片 + 首/尾幀條件）和 Ref2VA（基於參考的生成）。選擇：文字轉影片用於僅提示；圖像轉影片用於首幀和/或尾幀控制；參考轉影片用於組合多個圖像/影片/音訊參考（總共最多 12 個文件：最多 9 個圖像、3 個影片、3 個音訊）。

3) 編寫一個「導演風格」的提示（主題 + 動作 + 攝影機 + 光線 + 聲音）: 描述片段中發生的事情，而不僅僅是靜態圖像。包括攝影機語言（例如，跟蹤鏡頭、焦點拉動、手持）、光線/時間（黃金時段、霓虹夜），並明確將音訊作為其自己的軌道（環境音、音效、音樂、對話）。H3 輸出原生立體聲音訊，因此請有意地指定聲音以避免不必要的音訊。

4) 如果使用參考，為每個參考分配明確的任務: 提供圖像/影片/音訊時，說明每個控制什麼（角色身份、背景、編舞、風格、背景音樂、語音語調）。範例模式：「使用 @Image 1 用於角色面部和服裝；@Image 2 用於第二個角色；@Image 3 用於環境；@Video 1 用於攝影機運動和動作節奏；@Audio 1 用於背景音樂；添加同步的打擊/跳躍/武器音效。」

5) 選擇持續時間和長寬比: 在支援的範圍內設定片段長度（通常根據平台為 5-15 秒）。選擇長寬比，例如 21:9、16:9、4:3、1:1、3:4 或 9:16（或讓 H3 在某些介面中自動選擇構圖）。

6) 透過應用程式生成（快速啟動路徑）: 在 MiniMax H3 應用程式/網站中：(1) 選擇 MiniMax H3，切換到影片。(2) 貼上您的提示並可選上傳參考（圖像/影片/音訊）。(3) 選擇長寬比和持續時間。(4) 點擊生成以接收帶有原生立體聲音訊的影片。(5) 下載結果。

7) 透過託管 API 生成（非同步任務提交）: 創建 API 金鑰（例如，EvoLink）。POST 非同步生成請求，接收任務 ID，輪詢狀態，然後在完成時下載生成的 MP4。為您的模式使用正確的模型 ID（例如，「minimax-h3-text-to-video」）。不要混合模式特定字段（例如，文字路由不接受 image_start；參考路由不接受 image_start/image_end）。

8) API 請求範例（文字轉影片）: 發送類似以下的 JSON：{ "model": "minimax-h3-text-to-video", "prompt": "A lone traveler walks along a windswept cliff at golden hour, cinematic tracking shot", "duration": 5, "quality": "2k", "aspect_ratio": "16:9" }。然後通過任務 ID 輪詢直到完成並下載 MP4。

9) 本地 ComfyUI 設定：安裝節點並放置模型文件: 安裝 ComfyUI 和 MiniMax H3 自定義節點（例如，ComfyUI-MiniMaxH3）。下載並放置所需的權重：擴散模型（例如，minimax_h3_fl2va_pruned_int8_convrot.safetensors）、文本編碼器（例如，qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors），以及兩個 VAE：minimax_h3_video_vae_fp16.safetensors（影片）+ minimax_h3_audio_vae_fp32.safetensors（音訊）。確保您的工作流程包含連接到 SaveVideo 的 VAEDecodeAudio，以便音訊寫入輸出。

10) 本地 ComfyUI：選擇正確的分辨率（避免太小）: H3 的最小分辨率為 384p；256p 會失敗。使用官方分辨率預設/模板。H3 的原生畫布短邊為 768px（上限為 768×1344，32 的倍數）。對於全品質本地輸出，將百萬像素提高到約 1.0（16:9 時約 1344×768）。

11) 本地 ComfyUI：為您的模式運行正確的節點: 對於 FL2VA（文本 + 可選的首/尾幀），使用 MiniMaxH3ImageToVideo 節點並將圖像連接到 first_frame 和/或 last_frame。對於 Ref2VA（多參考），使用 MiniMaxH3ReferenceToVideo 節點並提供帶有提示中描述的明確角色的有序圖像/影片/音訊參考。

12) 本地 vLLM (ROCm) 服務選項（進階）: 如果使用 ROCm 上的 vLLM Omni 部署，請使用官方 vllm/vllm-omni-rocm:minimax-h3 圖像，並根據請求類型服務 /path/to/MiniMax-H3/FL2VA 或 /path/to/MiniMax-H3/Ref2VA。切換服務路徑並重新啟動以在 FL2VA 和 Ref2VA 處理之間切換。

13) 使用基於指令的編輯進行迭代（改變一件事，保持其餘穩定）: 生成後，通過給出簡單語言的編輯指令（更換服裝、替換背景、重新打光、重寫對話等）進行精煉。H3 旨在保持未觸及的部分穩定，同時應用請求的更改。為了可靠的迭代，一次只改變一個變量並保持一個可行的基準。

14) 解決常見問題（音訊、分辨率和「損壞」的提示）: 如果音訊聽起來不對，請添加明確的聲音方向（環境音、音樂風格、音效時間、對話意圖）。如果輸出失敗或在本地看起來損壞，請確保分辨率 ≥384p，並且影片+音訊 VAE 都已加載並將 VAEDecodeAudio 連接到 SaveVideo。如果提示在託管的 Hailuo/應用程式中有效但在本地無效，請記住託管管道可能包含 Context-IR 預處理；在本地您可能需要更明確的結構和參考角色分配。

15) 適當導出和使用結果: 下載 MP4（帶有原生立體聲音訊）。如果使用開放權重，請遵守 MiniMax H3 社區許可協議和任何使用限制；託管 API 可能在全球範圍內可用，而開放權重條款可能具有地域性並包含諸如禁止蒸餾等限制。