MiniMax H3正式发布：视频编辑登顶全球第一，定价0.8元/秒，8月3日开源

2026年7月31日，MiniMax正式发布通用全模态生成模型MiniMax H3。这款模型首次实现了对文本、图像、视频、声音的统一理解与生成，可输出原生双声道音视频，最高支持15秒2K分辨率视频直出。

H3是MiniMax推出的首款开源多模态生成模型。早在WAIC期间，MiniMax便表示H3是其从“特化任务模型”迈向“通用多模态智能”的新范式探索。此前两代模型（Hailuo 01、02）分别在系统构建与架构效率上完成迭代，H3则进一步实现了任务与模态的统一。

▲ MiniMax H3 支持多模态统一理解与生成，视频编辑能力登顶全球第一

一组关键数字：视频编辑能力在Artificial Analysis榜单中排名全球第一（1130 Elo）；2K视频生成定价0.8元/秒，仅为行业旗舰模型的三分之一；最高支持15秒2K分辨率原生双声道音视频；将于8月3日正式开源。

视频编辑能力登顶全球第一

在Artificial Analysis视频模型榜单中，MiniMax H3在视频编辑能力项排名全球第一，以1130 Elo领先于Google Gemini Omni、字节Seedance 2.0等模型。在有声文生视频榜单中，H3以1242分位列第二，仅比第一名Gemini Omni Flash低4分。

H3的核心能力集中体现在三个方面：指令遵循、文字与品牌信息呈现、V2V Motion Transfer（视频到视频动作迁移）。V2V Motion Transfer是指将源视频的动作特征精准迁移至目标视频，有助于实现可控的多模态内容编辑。

在内容生成层面，H3将文本、图片、音频、视频纳入同一个多模态上下文，由模型统一理解创作意图。从脚本理解、分镜生成、角色与场景保持、动作迁移、音画同步，到字幕、品牌文字、转场包装和局部编辑，全部端到端集成在模型之中。用户输入一段文本，模型直接输出接近商业成片的视频内容。

核心技术方面，H3搭载了Contextual Omni Representation、H3-VAE、H3-Omni Transformer等自研架构。通过理解与生成异构训练架构，训练吞吐量提升了近30%。在2K视频输出上，H3没有使用常规超分模块，而是让基础模型对低分辨率结果进行in-context重新生成，最大程度复用基模的生成能力。

0.8元/秒：价格砍到行业三分之一

H3的2K视频生成定价为0.8元/秒，仅为业内同类旗舰视频模型的三分之一。768P分辨率下价格不到主流模型720P的一半。

这一价格优势源于系统级的技术创新。MiniMax通过高压缩Tokenizer降低视频生成所需的Token数量，同时在异构训练、负载均衡和GPU利用效率等方面进行了针对性优化，在保障模型效果的同时大幅压降了训练与推理成本。有分析指出，H3价格下探的底层逻辑并非亏本补贴，而是基于技术创新的结构性降本。

受H3发布消息提振，MiniMax股价单日一度大涨超14%。

8月3日正式开源

MiniMax宣布，H3将于北京时间8月3日0点正式开源，开放模型权重。硬件兼容性从H3设计的最早阶段就被纳入考量。MiniMax表示，开源旨在支持社区发展、加速与更广泛AI硬件的兼容，并让用户更容易构建定制版本。

H3广泛适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景。MiniMax方面表示，H3具备商用级的多场景内容生成能力，定位于降低企业和开发者进行高质量视频内容创作的门槛。

谁在用？用在哪？

广告与品牌营销团队。 H3在指令遵循、文字与品牌信息呈现方面表现出色，适合快速生成品牌宣传片、产品演示视频和多语言广告素材。

电商与产品设计团队。 支持2K分辨率直出和精准可控的多模态编辑，可用于产品展示视频、详情页动态素材和UI/UX原型可视化。

游戏与影视创作者。 V2V动作迁移能力可将参考视频的动作特征迁移至新场景，适合游戏角色动画、分镜预演和影视后期特效制作。

AI应用开发者。 H3支持文本、图片、音频、视频多种输入形式，并提供API接口，即将开源进一步降低集成门槛。

常见问题解答

H3和之前的Hailuo系列有什么区别？
Hailuo 01和02分别解决了系统构建和架构效率问题，H3则进一步实现了任务与模态的统一——不再是图片、视频、声音各有一套独立模型，而是全部集成在一个通用全模态模型中。

H3支持多长的视频？
单次生成最高支持15秒，输出为2K分辨率、原生双声道音视频。输出时长支持4到15秒的整数值。

H3的价格是多少？
2K分辨率视频生成0.8元/秒，仅为行业旗舰模型的三分之一。

什么时候开源？在哪里下载？
H3将于北京时间8月3日0点正式开源模型权重。届时可通过MiniMax官方渠道或Hugging Face获取。

H3支持哪些输入形式？
支持文本、图片、音频、视频四种输入形式。参考输入最多支持9张图片、3段视频、3段音频，总计不超过12个文件。

多模态视频生成，正在告别“专用专家”时代

MiniMax H3的发布，标志着多模态生成模型正在从“专用专家”向“通用助手”迈出关键一步。在此之前，图像生成、视频生成、音频生成各自被拆分成数十个独立任务——T2I、编辑、主体参考、动作参考、风格参考各有一套模型。H3打破了这些边界，把文本、图像、视频、声音放进同一个上下文，由模型统一理解和生成。

更值得关注的是H3的定价策略。0.8元/秒的价格将高质量视频生成的门槛拉低到了前所未有的位置。当视频编辑能力全球第一的模型以行业三分之一的价格出现，并承诺开源时，AI视频生成的门槛正在被重新定义。

MiniMax表示，后续版本将推动与M系列模型能力的融合，并持续提升画面精细度。

一句话总结：MiniMax H3是2026年7月31日发布的通用全模态生成模型，视频编辑能力在Artificial Analysis榜单排名全球第一，2K视频生成定价0.8元/秒（行业三分之一），将于8月3日开源。适合 广告与品牌团队、电商与产品设计、游戏与影视创作者、AI应用开发者 重点关注。

了解更多：访问 MiniMax官网 或 MiniMax API文档