MiniMax H3 实测：全模态精准控制，让 AI 视频更接近成片

事件概述

MiniMax 发布新一代开源视频模型 MiniMax H3，定位为“开放通用多模态视频模型”，支持文字、图片、视频和音频混合输入，一次最多可使用 9 张图片、3 段视频和 3 段音频，混合文件上限 12 个。H3 强调“全模态精准控制”和“AI 原生后期”，尝试将生成、剪辑、字幕、动效和声音等流程整合进同一模型，使输出更接近可交付的成片。

核心能力与实测表现

• 多模态输入与自动成片：将 7 张产品截图和一段设计介绍视频输入 H3，仅用一句话提示词，即可生成一支工具介绍视频。模型会自动设计转场与动效，并保持产品主视觉一致。文字渲染准确率高，但在较小且密集的文本上偶尔出现乱码。此外，上述视频均为一次性生成，无需抽卡。
• 精细提示词控制：用包含画面顺序、色彩（石墨黑、暖灰、荧光橙）、转场方式（形状变形、遮罩、卡片伸缩）和音效要求的详细提示词，H3 能生成一支虚构 AI 设计工具的品牌片，英文单词拼写正确，品牌色全程保持，并自动配乐和同步音效。
• 分镜图转视频：将模糊的横版分镜图交给 H3，它能读取信息并重新布局画面，且把文字作为视觉设计元素融入场景（如将产品名称放在机身下方），而不是简单叠加。
• 商业场景覆盖：H3 可生成游戏 HUD 界面、产品介绍视频、时尚品牌片等。指定模特、背景和音乐后，生成的视频在去除水印后难以辨别为 AI 制作；上传产品主图即可生成商业广告片，并自动添加音效和配音。
• 精准局部编辑：H3 支持在保留原视频人物动作、光影、表情和镜头视角的前提下，将背景从音乐厅替换为草原或海边；可将小提琴换成二胡，甚至让乐器消失；还可对同一画面中的不同对象分别指定修改（如左边换衣、右边变狗）；也能仅调整摄像机角度，同时保持其他元素不变。

榜单与开源意义

在 Artificial Analysis 的全球视频编辑榜上，MiniMax H3 发布即超越 Gemini Omni 等模型，位列第一。MiniMax 选择开源 H3，使企业和创作者能够以更低成本搭建自主可控的视频生产能力，而不必依赖高价 Token 采购。AI 视频的竞争正从单纯追求画质和电影感，转向完善创意生成、精准编辑、包装和修改等完整生产链路；H3 代表了这一新赛道的方向。