MiniMax H3 samler tekst, billeder, video og lyd i én videogenerator

MiniMax H3 er en open-weight, omnipotent videogenereringsmodel, der blev udgivet den 3. august 2026. Modellens centrale idé er at behandle tekst, billeder, video og lyd som dele af den samme kontekst og derefter generere video og stereolyd samlet i stedet for at tvinge skaberen til at bruge separate værktøjer til hvert element. 12

Det gør ikke H3 til en erstatning for klipning, instruktion eller kvalitetssikring. Men modellen flytter en større del af arbejdet fra at indsamle råmateriale og synkronisere lydspor til at beskrive intentioner, levere referencer, skabe variationer og vælge det bedste resultat.

Hvad kan MiniMax H3?

H3 kan generere video ud fra en tekstbeskrivelse, keyframes og multimodale referencer. Ifølge ComfyUI-dokumentationen understøtter systemet op til 2K-opløsning, 24 billeder i sekundet og klip på omkring 15 sekunder. Tale, musik og lydeffekter genereres som indbygget stereolyd i samme arbejdsgang. 2

Lydintegrationen er vigtig, fordi den angriber en af de mest almindelige flaskehalse i AI-videoproduktion: at billede og lyd normalt bliver skabt som to helt separate opgaver. H3 modellerer det audiovisuelle resultat samlet, selv om professionelt materiale stadig kan kræve almindelig redigering, oprydning og efterbehandling.

FL2VA og Ref2VA: to åbne veje

Den åbne udgave består primært af to H3-Base-varianter.

FL2VA til prompts og billedrammer

FL2VA er udviklet til tekst-til-video samt styring med første frame, sidste frame eller både første og sidste frame. Det er den oplagte variant, når man vil starte med en prompt, fastlægge et visuelt udgangspunkt eller slutpunkt eller styre en overgang mellem leverede billeder. 158

Ref2VA til multimodale referencer

Ref2VA er den referencebaserede variant. Den kan bruge kombinationer af billeder, video og lyd som kontekst. Det giver mulighed for at angive referencer til eksempelvis udseende, bevægelse, identitet, stil eller stemme i samme generation. 128

Forskellen er praktisk: FL2VA passer bedst til prompt- og keyframe-baserede opgaver, mens Ref2VA er tiltænkt projekter, hvor flere eksisterende mediefiler skal påvirke resultatet.

Mindre opsplittede AI-videoarbejdsgange

Før en omnitymodal arbejdsgang kunne et kort klip kræve separate trin til at:

• skrive eller udbygge et manuskript;
• generere eller finde et billede af en karakter;
• skabe bevægelse eller baggrundsoptagelser;
• syntetisere dialog eller speak;
• tilføje musik og lydeffekter; og
• synkronisere lyd og billede i efterproduktionen.

H3 samler flere af disse trin i én modelinteraktion. Skaberen kan levere en prompt, en begyndelses- eller slutframe, en bevægelsesreference og en lydreference og derefter bede om et samlet audiovisuelt forslag i stedet for at håndtere hvert element isoleret. 28

Det betyder ikke nødvendigvis, at resultatet er en færdig film. Den større ændring handler om, hvor den kreative indsats ligger: mindre tid på at skaffe alle råelementer og mere tid på at formulere begrænsninger, sammenligne variationer, finjustere prompts og redigere de valgte outputs. Det er en konsekvens af H3's multimodale design – ikke en garanti for stabile karakterer, perfekt timing eller produktionsklar lyd.

Åbne vægte betyder ikke, at hele 2K-systemet kører lokalt

Det er den vigtigste reservation for alle, der overvejer H3.

Den downloadbare udgave dækker H3-Base, herunder FL2VA og Ref2VA. Lokale vejledninger og modeldokumentation angiver, at Base-checkpoints genererer video i 768p, mens trinnet H3-Regenerate-2K ikke er open source og i stedet tilbydes gennem MiniMax’ hostede tjeneste. 6912

Derfor er udsagnene “H3 understøtter 2K” og “de åbne vægte genererer hele 2K-pipelinen lokalt” ikke det samme. Det første beskriver det bredere hostede tilbud; det andet overdriver, hvad der faktisk blev udgivet.

Kan MiniMax H3 køre på forbrugerhardware?

Ja, men lokal brug er et krævende teknikprojekt snarere end en enkel desktopinstallation.

Kvantiserede vægte, brug af system-RAM og layer-offloading kan ifølge rapporter fra fællesskabet gøre visse H3-arbejdsgange mulige på grafikkort i 12 GB-klassen. Den mindste fungerende kombination er blevet angivet til cirka 42,5 GB filer, så både diskplads og systemhukommelse er vigtige ud over grafikkortets VRAM. 71043

Et RTX 5070 Ti har 16 GB VRAM – ikke 12 GB. Eksperimentelle H3-kvantificeringer er blevet testet på grafikkortet, men de offentliggjorte rapporter understreger, at konfiguration, opløsning, antal trin, offloading-strategi og workflow påvirker både, om kørslen lykkes, og hvor lang tid den tager. 333439

Lokale tidsangivelser bør derfor læses som konfigurationsspecifikke erfaringer og ikke som generelle H3-benchmarks. En community-test rapporterede cirka 160 sekunder for et fem sekunder langt klip i 480p og omkring 560 sekunder i 720p på et RTX 5070 Ti-system, mens andre rapporter viser andre resultater og direkte bemærker, at der ikke findes en verificeret tid for netop dette grafikkort. 453438

For skabere, der prioriterer hastighed over lokal kontrol, kan en hostet API-løsning være mere praktisk. Så slipper man for at downloade modellen og køre en stor workflow med offloading. ComfyUI understøtter også hostede H3 API-workflows, så valget står ikke nødvendigvis mellem en komplet lokal installation og et separat kreativt program. 48

ComfyUI og agentbaserede workflows

ComfyUI fik indbygget H3-understøttelse, da de åbne vægte blev frigivet, med workflows til tekst-til-video, billed- og frame-konditionering samt reference-til-video. 12

Den nodebaserede adgang gør det også lettere at forbinde H3 med scripts og kreativ automatisering. En kodeagent kan i princippet sende mange korte prompts med forskellige seeds eller referencekombinationer, organisere de genererede filer, lave kontaktark og hjælpe et menneske med at gennemgå kandidaterne. De åbne vægte gør denne type lokal og scriptbar orkestrering mere realistisk.

Det er dog vigtigt at skelne mellem H3 og automatiseringslaget omkring modellen. Parallel generering og evaluering vil være funktioner i det omgivende system – ikke en H3-funktion, der selvstændigt afgør, hvilket klip der er bedst. Menneskelig vurdering er stadig nødvendig for kontinuitet, komposition, dialogkvalitet og passende indhold.

MiniMax H3-priser: de understøttede tal

MiniMax’ officielle pay-as-you-go-dokumentation angiver H3 til 0,08 dollar pr. outputsekund i 768p og 0,13 dollar pr. outputsekund i 2K. Den samme dokumentation angiver opskalering fra 768p til 2K til 0,05 dollar pr. sekund. 17

Et klip på 10 sekunder koster dermed:

• 0,80 dollar i 768p;
• 1,30 dollar i 2K; og
• potentielt mere, hvis der bruges regeneration eller andre fakturerbare input.

Den ofte gentagne påstand om, at et almindeligt 10-sekunders 2K-klip starter ved cirka 0,60 dollar, understøttes ikke af den officielle prisliste, der er brugt her. Tallet kan beskrive en kampagne, en abonnementsbaseret kreditberegning eller en anden tjeneste, men bør ikke præsenteres som MiniMax’ standardpris for API’et uden stærkere dokumentation.

MiniMax Design er desuden et separat produkt fra de downloadbare H3-vægte. Tredjepartsrapportering beskriver Design som et lukket kreativt værktøj, der er bygget på eller omkring H3, med egne kreditter og tilbud. Det bør derfor ikke forveksles med at køre H3-Base lokalt. 18

Hvad betyder H3 for skabere?

MiniMax H3 handler mindre om at fjerne hvert eneste trin i videoproduktionen og mere om at samle de input, der tidligere lå i forskellige værktøjer. Tekst kan beskrive scenen, billeder kan fastlægge udseendet, video kan styre bevægelsen, og lyd kan påvirke stemme eller atmosfære – hvorefter modellen skaber et synkroniseret audiovisuelt forslag. 2

For skabere kan det gøre idéudvikling til korte formater mere iterativ og referencebaseret. For udviklere giver åbne vægte og ComfyUI et fundament for egne pipelines, batchgenerering og agentassisteret gennemgang. For købere handler det praktiske valg om, hvorvidt lokal kontrol og eksperimentering er de betydelige hardware- og opsætningsomkostninger værd, eller om hostet 2K-generering er det bedre kompromis.

Den mest præcise opsummering er også den enkleste: H3 reducerer opsplitningen i selve genereringsfasen, men fjerner ikke behovet for produktionsmæssig dømmekraft. Og den åbne udgave er kun en del af det komplette hostede 2K-system.