觀點 · 資訊分享

MiniMax 發表 H3 影片模型：2K 畫質、自帶立體聲，圖片影片聲音都能當參考，還預告幾天內開放權重

MiniMax 在 7 月 31 日推出影片生成模型 H3，能同時讀懂文字、圖片、影片與聲音，輸出最長 15 秒、2K 畫質、附原生立體聲的影片。官方也預告，將在幾天內開放模型權重。

一句話看懂：MiniMax 發表影片模型 H3，一個模型就能同時看懂文字、圖片、影片與聲音，直接生出 2K 畫質、附立體聲的影片，還預告幾天內開放權重。

MiniMax H3 影片模型發表資訊圖卡：一個模型同時讀懂文字、圖片、影片、聲音，生成 2K 有聲影片

先用白話講：AI 影片模型在做什麼？

你可以把 AI 影片模型想成一位「聽得懂你說話的剪接師」。你告訴他想要什麼畫面，他就自己生出一段影片。

以前這位剪接師常常要分很多個專業窗口：文字轉影片找一位，用圖片當參考找另一位，要配聲音又得再找別人。MiniMax 說，H3 想改變這件事：同一位剪接師，把文字、圖片、影片、聲音都一起看懂。

MiniMax 在 7 月 31 日發表 H3，官方稱它是「通用的多模態生成模型」：

官方說得比較大聲的有兩點：

預設就是 2K。2K 每秒的價格，不到主流模型的三分之一；768p 的每秒價格，也不到主流模型 720p 的一半。要注意這是 MiniMax 自己的比較說法，公告沒有附詳細的比較表
官方預告「在接下來幾天」開放模型權重，目的是讓開源社群與更多 AI 硬體更容易相容、也方便使用者做自己的版本，並且「受適用法規限制」。7 月 31 日當天，這件事還只是預告

公告列了幾個技術點，挑最好懂的說：

對做網站的人來說，影片模型最可能的用途是首頁背景、商品介紹這類短動態素材。對這類需求，H3 最吸引我的不是 2K，而是「用文字說明素材之間的關係」這個做法：你不用先把素材剪好，只要說「這張圖的人、那段影片的動作」。

我會把這次當成觀察，不急著投入。原因有三：價格比較是廠商自己說的；權重還沒開放；API 也沒有公布。如果你想像文字模型那樣在本地跑，要等權重釋出後看模型大小。影片模型通常很吃顯示卡，家用 NAS 可能跑不動，不過這只是我的推測，要等官方數據才算數。

MiniMax H3 是什麼？

是 MiniMax 做的影片生成模型，特色是同一個模型能處理文字、圖片、影片、聲音的輸入，輸出附有立體聲的 2K 影片，單段最長 15 秒。

現在可以下載來自己跑嗎？

還不行。官方在 7 月 31 日的公告裡說，計畫在接下來幾天開放模型權重，而且要看適用法規；公告當天沒有提供下載。

怎麼試用？

官方公告附了 Hailuo 網頁版的體驗連結，可以直接在網頁上試。公告沒有說明 API 的規格與計價。

作者

接案做系統開發、網站與主機託管。觀點裡的文章都是我自己寫的,寫的是做專案時第一手遇到的事。