通用視頻模型 MiniMax H3 正式開源，支持多模態上下文、2K 分辨率

MiniMax 於 8 月 3 日正式開源新一代通用視頻模型 MiniMax H3，這款模型定位為通用型全模態生成系統，能夠同時理解並處理文字、圖像、視頻與音頻組成的多模態上下文，並直接生成最高 2K 解析度、長達 15 秒且內建原生立體聲音頻的影片。官方表示，由於在設計階段就以任務泛化為核心導向，H3 在預訓練階段便已具備廣泛的多模態上下文理解與生成能力，因此能精準遵循複雜的多模態指令。在輸出規格方面，H3 支援的影片時長範圍為 4 至 15 秒，可產出多種寬高比，包括 21:9、16:9、4:3、1:1、3:4 與 9:16 等常見比例。

預設解析度會將較短邊設定為 768 像素，若啟用 H3-Regenerate-2K 功能，則可進一步提升至 2K 解析度。輸出幀率固定為 24 FPS，音訊部分則提供 32 kHz 立體聲品質。此外，模型在對話語言上穩定支援 11 種語言，涵蓋阿拉伯語、中文、英語、法語、德語、義大利語、日語、韓語、葡萄牙語、俄語與西班牙語，對其他語言也提供不同程度支援。為了滿足不同應用場景，MiniMax H3 提供了兩種模型版本，分別對應不同的輸入模式。首先是 H3-Base-FL2VA，專注於首尾幀生成，可輸入 0 張、1 張或 2 張圖像。

不輸入圖像時即為純文字生成影片模式；僅輸入首幀圖像時，模型會根據首幀生成後續畫面；僅輸入尾幀圖像時，則根據尾幀倒推生成；若同時輸入首幀與尾幀，模型會自動生成中間過渡畫面，實現首尾幀影片生成。另一版本為 H3-Base-Ref2VA，屬於全模態參考模式，支援更豐富的輸入組合。圖像最多可輸入 9 張；影片最多 3 段，每段長度需在 2 至 15 秒之間，且總時長不超過 15 秒；音頻最多 3 段，但必須與圖像或影片一同輸入，無法單獨作為唯一輸入，每段音頻同樣需在 2 至 15 秒內，總時長不超過 15 秒。若採用混合輸入，所有類型檔案合計最多 12 個。完整的 H3 系統由三個模組組成，分工明確。

第一個模組為 H3-Context-IR，負責深入理解與提煉使用者輸入的多模態指令，並將其轉換為模型更容易處理的「上下文中間表示」（Context Intermediate Representation）。官方強調，這個步驟對最終輸出品質至關重要，建議開發者將 H3-Context-IR API 整合至生成流程，或參考提示詞指南自行建構上下文處理系統。第二個模組為 H3-Base，它會根據 H3-Context-IR 產生的中間表示來生成音頻與影片，並輸出 768p 解析度的結果。

第三個模組則是 H3-Regenerate-2K，它會將 768p 的初步生成結果連同原始上下文一同送回 H3，以 2K 解析度重新生成一次。這個設計不僅發揮了 H3 本身的生成能力，也充分利用原始輸入中蘊含的豐富資訊，從而產出細節更精準、視覺品質更佳的高解析度內容。MiniMax H3 採用 MiniMax H3 Community License 授權釋出，目前已開放原始碼與模型權重，開發者可在 Hugging Face 平台上獲取相關資源。這項開源舉措預計將推動多模態影片生成技術的普及，讓更多研究人員與開發者能夠基於此模型進行二次開發或應用整合。