視覺大模型迎來開源重磅消息！多模態生成再升級，2K高清音畫如何顛覆行業？

八月三日，人工智能企業 MiniMax 正式對外宣布，將新一代通用視頻模型 MiniMax H3 全面開源。這款模型的定位不僅僅是單一的視頻生成工具，而是一套完整的全模態生成系統。它能打破傳統任務之間的界線，將文本、圖像、視頻與音頻交織而成的複雜上下文進行深度融合與理解，並在此基礎上展現出極高的任務泛化能力。這意味著使用者不再需要為了不同素材類型切換不同工具，而是可以透過單一模型，處理更接近真實創作場景的多元輸入。在實際生成規格方面，MiniMax H3 提供了相當完整的選擇彈性。

模型支援輸出長度為 4 到 15 秒的動態影像，並具備 24 FPS 的幀率與 32 kHz 的立體聲音頻，讓畫面和聲音的呈現都能維持一定的品質水準。針對不同平台的觀看需求，使用者可以自由選擇 21:9、16:9、4:3、1:1 等多種常見寬高比。基礎創作模式下，模型會預設將畫面的較短邊設置為 768 像素，足以應付一般內容製作；而若追求更極致的畫質表現，則可透過專用的 H3-Regenerate-2K 方案，輸出高達 2K 分辨率的精細畫面，為高標準的視覺呈現提供技術支撐。除了影像與音訊的規格之外，MiniMax H3 在多語言交互層面也下了功夫。

該模型目前能夠穩定支援阿拉伯語、中文、英語、法語、德語、義大利語、日語、韓語、西班牙語、葡萄牙語與俄語等 11 種主流語言。這樣的多語言能力，讓來自不同地區、使用不同語言的創作者，都能夠以自己習慣的語彙去描述想法、下達指令，大幅降低了跨語言創作時的溝通門檻，也讓模型在國際化的協作環境中具備更實際的應用價值。為了適應各種不同的創作場景，MiniMax H3 推出了兩種具備不同輸入規格的模型版本。首先是 H3-Base-FL2VA 首尾幀模式，這個版本支援輸入 0 到 2 張圖像，設計上相當靈活。

使用者可以單純輸入文字指令直接生成視頻，也可以提供一張首幀圖片來主導故事開場，或是給定尾幀圖片來指定結局畫面，甚至同時提供首尾兩張圖片，讓模型在設定的框架內進行內容演繹。這樣的多樣化輸入方式，讓創作者能依據當下的需求選擇最直覺的生成路徑。另一個備受專業創作者關注的版本是 H3-Base-Ref2VA 全模態參考模式。這個模式支援最多 9 張圖像、3 段總時長不超過 15 秒的視頻，以及 3 段音頻的混合輸入，所有素材檔案總數最高可達 12 個。

這種高容量的輸入設計，讓模型能夠一次接收大量的視覺與聽覺參考資料，進而在生成過程中精準掌握角色外觀、場景風格、氛圍節奏等細節，提供了前所未有的精細控制手段。對於需要嚴格把控內容風格的影視前製、廣告腳本或視覺概念設計來說，這樣的功能極具實用性。在系統架構的底層設計上，完整的 MiniMax H3 由三個核心模組共同組成。首先是 H3-Context-IR（上下文中間表示）模組，它扮演著理解與轉譯的關鍵角色，能將使用者提出的複雜多元指令進行深度剖析，轉化為模型易於理解的結構化資訊，確保高品質輸出的穩定性。接著是 H3-Base 模組，負責生成基礎的 768p 音視頻內容，為整體生成流程打下根基。

最後則是 H3-Regenerate-2K 模組，它會將初始生成的結果與原始上下文資料一同回傳，進行 2K 解析度的超分重構，讓最終作品在保留生動細節的同時，也能擁有更高的視覺保真度。目前，MiniMax H3 已正式基於 MiniMax H3 Community License 授權發布。對於有興趣嘗試或進一步開發的技術人員與創作者而言，現在就可以透過 Hugging Face 平台獲取完整的開源程式碼與相關資源。這代表的不只是技術文件的公開，更意味著全球的開發者社群都能夠在此基礎上進行二次開發、研究與應用落地。

業內普遍認為，此次 MiniMax H3 的開源，是視覺大模型領域一次極具意義的推進。透過開放原始碼與模型權重，多模態視頻生成的技術門檻將被進一步降低，讓更多中小型團隊甚至個人開發者，都有機會接觸並運用這項先進的生成技術。長遠來看，這股開源力量可望為影視創作、視覺設計、互動娛樂乃至於 AI 互動方式等領域，注入全新的活力，推動整個產業邁向更高的發展層次。