MiniMax发布开源视频模型H3：手绘即特效，视频后期进入端到端生成

事件概述

• MiniMax发布新一代视频模型H3，为首个开源视频模型，支持全模态输入（文本、图片、音频、视频），输入文本可直接生成包含剪辑、字幕、转场、节奏、背景音乐和视觉特效的成品视频，默认清晰度2K。
• H3在Artificial Analysis视频编辑榜单中排名第一，也是该榜单中唯一开放权重的模型。

核心能力

• 手绘特效与片头：可通过文本描述生成手绘风格视觉特效、动态片头、花体字和复杂字幕动画，并能理解用户想要的视觉与剪辑风格。
• 长指令与多分镜遵循：能够严格遵循包含六个分镜的长prompt，每个分镜可指定情绪方向与表演逻辑。
• 视频内文字生成：文字在连续帧中保持稳定形态，达到可商用水平；并能理解文字与画面关系，例如让文字呈现光影变化和景深过渡。
• 音频驱动台词：支持输入音频让模型“读台词”，声音会跟随画面情绪和节奏变化，而非生硬TTS念稿。
• 精准编辑与可控性：模型在语义层面对画面、动作、风格、空间关系进行综合理解，从而提升生成稳定性与可控性，降低“抽卡”式的不确定性。

技术要点

• MiniMax定制了Caption模型，建立了全模态理解管线。Caption不再只是描述目标视频，而是同时刻画上下文与目标视频的关系，以及上下文内部各元素之间的关联，形成上下文Omni表征。
• 采用原生Omni架构“H3-Omni Transformer”，面向多模态场景的通用与高效设计。

价格与开源

• API定价方面，H3在2K分辨率下每秒价格不到主流模型的三分之一，在768P分辨率下不到二分之一。
• H3为开源模型，支持私有化部署和自有数据微调，便于围绕核心IP、品牌画风与专属内容工作流进行定制。
• MiniMax从文本模型M2系列起持续开源，H3将开源推进到视频生成领域。