5.1
深览指数
科技智东西·杨 京丽··AI 生成
2K画质，三成价格！钱包友好型国产视频模型来了
MiniMax 发布通用全模态生成模型 H3，支持文本、图像、视频和声音统一输入，最高输出 15 秒 2K 分辨率带原生双声道的音视频。其核心卖点在于宣称 2K 分辨率下每秒价格不到主流模型的 1/3，并计划未来开放模型权重。文章详细介绍了 H3 在任务统一、训练策略、架构（H3-Omni Transformer）和成本控制（H3-VAE、上下文再生）方面的技术细节，但多为 MiniMax 官方表述，缺乏独立第三方验证或深度竞争分析。适合关注国产 AI 视频生成技术的从业者快速了解产品动态。原文 ↗
核心观点
- ▍MiniMax H3 试图用一个统一的全模态生成架构，取代过去被拆分为文生图、图生视频、音色参考等彼此隔离的任务管线，以语言为桥梁连接不同模态和任务。
- 01H3 支持同时输入参考视频、人物图片和声音，根据自然语言描述（如“参考视频1的希区柯克镜头运动，让图2中的人物唱歌，歌声参考音频3”）生成新视频，最高支持 15 秒、2K 分辨率输出，并联合生成人声、音效和音乐。
- 02在价格方面，MiniMax 宣称 H3 在 2K 分辨率下每秒价格不到主流模型的 1/3，768P 分辨率下不到 1/2，但具体价格暂未公布。
- 03在第三方评测机构 Artificial Analysis 的文生视频有声榜单中，H3 排名第二，Elo 得分为 1242 分，略低于谷歌 Gemini Omni Flash 的 1245 分。
- 04为降低训练和 2K 生成成本，H3 采用了四项关键技术：Contextual Omni Representation、H3-VAE（4 倍序列长度收益）、H3-Omni Transformer（异构训练架构，端到端提升 30% 吞吐量）和 In-context Regeneration。
- 05MiniMax 计划在未来几天内，在符合相关法律法规的前提下，开放模型权重，推动开源生态和国产芯片适配。
- 06H3 的预训练任务混合了图像、视频、音频以及多种参考和编辑数据，视频训练覆盖音频联合生成和多镜头建模，音频训练不再区分人声、音效和音乐。
反方 / 局限
- — MiniMax 自身承认，H3 在复杂多模态理解、模型规模和部分场景的画面精细度上仍有提升空间。
MiniMaxMiniMax H3Hailuo 01Hailuo 02Artificial AnalysisGemini Omni FlashContextual Omni RepresentationH3-VAEH3-Omni TransformerIn-context Regeneration
8 分钟 · 4 卡片 · 12 资料
读原文 →