MiniMax H3: Wie das Omni-Modale KI-Modell 15-Sekunden-2K-Video mit nativem Stereo-Ton erzeugt

• Text-zu-Video: Beschreiben Sie Szene, Action, Kamerabewegung, Stil, Dialog und Umgebungsgeräusche in Klartext. H3 interpretiert die Beschreibung und generiert Video und Audio gemeinsam.
• Bild-zu-Video: Laden Sie ein Standbild hoch und legen Sie fest, wie es sich bewegen soll. Das Modell animiert das Bild zu einem kurzen Video, während Figur und Komposition erhalten bleiben.
• Referenzbasierte Generierung: Der leistungsstärkste Modus. Sie kombinieren Bilder, Videoclips und Audiospuren in einer einzigen Anfrage, um Figurenidentität, Performance, Kamerakomposition, Bewegung, Dialog, Musik und Sounddesign zu steuern.

2. Bauen Sie einen multimodalen Kontext auf

Im Gegensatz zu früheren Modellen, die Video und Audio als separate Aufgaben behandeln, interpretiert H3 Text, Bilder, Video und Audio als einen einzigen kreativen Kontext. Einige gehostete Oberflächen erlauben es, bis zu 9 Bilder, 3 Videoclips und 3 Audiospuren in einer einzigen Generierungsanfrage zu übergeben. Das Modell liest Identität, Performance, Kamerabewegung, Komposition, Soundscape und Schnittrhythmus aus den übergebenen Referenzen.

Die Online-Generatoren (minimaxh3.org, minimax-h3.app und andere) fungieren als browserbasierte Frontends: Sie sammeln Ihren Prompt und Ihre hochgeladenen Referenzen, senden sie an einen gehosteten H3-Inferenzdienst und präsentieren die resultierenden Medien. Die Seiten betreiben das Modell nicht selbst.

3. Generieren Sie visuelle und Audioinhalte gemeinsam

Dies ist die Kerninnovation. H3 erzeugt „nativen Stereo-Ton“ – der Ton ist Teil der Ausgabe des Modells, nicht eine automatisch nachträglich hinzugefügte Audiospur. Das bedeutet, dass Dialoge, Schritte, Umgebungsgeräusche und Musik in Bezug auf die visuelle Aktion generiert und auf den Schnitt abgestimmt sind.

MiniMax beschreibt es als „einheitliche Modellierung von Stimme, Soundeffekten und Musik“, was impliziert, dass das Modell Foley, Raumklang und sogar Originalmusik in einem einzigen Generierungsdurchgang bewältigt.

4. Rendern innerhalb fester Ausgabebeschränkungen

Das Modell unterstützt:

• Dauer: 4 bis 15 Sekunden, in der Regel in ganzen Sekundenschritten.
• Auflösung: Bis zu 2K (2560×1440), standardmäßig in MiniMax‘ offizieller Ankündigung.
• Seitenverhältnisse: Eine breite Palette, darunter 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16.
• Bildrate: 24 fps in den meisten gehosteten Implementierungen.

Einzelne Drittanbieter-Oberflächen können zusätzliche Steuerelemente für Auflösung, Seitenverhältnis oder Dauer bereitstellen.

5. Vorschau und Export

Die Weboberfläche gibt das generierte Video mit dem in dieselbe Datei eingebetteten Stereo-Ton zurück. Von gehosteten Generatoren beworbene Funktionen umfassen Steuerelemente für Seitenverhältnis, flexible Dauerauswahl, Referenz-Uploads und Workflows für Text-zu-Video, Bildanimation und multimodale Prompting.

Hauptmerkmale, die H3 auszeichnen

• Nativer Stereo-Ton: Ton wird mit dem Video generiert, nicht als separater Vertonungsschritt hinzugefügt.
• Bis zu 2K-Ausgabe: 2560×1440 Auflösung, standardmäßig in MiniMax‘ Ankündigung.
• Bis zu 15 Sekunden pro Generierung: Konzipiert für Kurzforminhalte: Anzeigen, Produktshots, Social-Clips, Story-Beats.
• Einheitlicher multimodaler Input: Text, Bilder, Video und Audio liefern einen kombinierten kreativen Kontext.
• Referenzsteuerung: Mehrere Bilder, Videoclips und Audiospuren können Figurenidentität, Bewegung, Kameraführung, Dialog und Sounddesign leiten.
• Browserbasierter Workflow: Seiten wie minimaxh3.org verpacken das Modell hinter einer Prompt-und-Upload-Oberfläche.
• API und offene Gewichte: H3 ist über MiniMax‘ eigene API (Modell-ID MiniMax-H3), gehostete Inferenzplattformen wie fal.ai und als offene Gewichte auf Hugging Face für den selbst gehosteten Einsatz verfügbar.

Der wichtige Vorbehalt

„Nativer Stereo-Ton“ ist eine klare Fähigkeitsaussage, aber die öffentlichen Materialien legen die genaue neuronale Architektur, die die Bild-Ton-Synchronisation erzwingt, nicht offen. Die Quellen bestätigen das Ein-/Ausgabeverhalten und die Fähigkeit, aber sie geben nicht genug Implementierungsdetails preis, um genau zu erklären, wie das Modell intern diese Präzision erreicht – sei es durch einen bestimmten Diffusionsplan, Audio-Codec-Tokenisierung, einen gemeinsam trainierten Transformer oder einen anderen Ansatz.

Was sicher ist: Das Modell gibt in einem einzigen Generierungsdurchgang kohärentes, synchronisiertes Audio und Video aus. Die Technik, die das ermöglicht, bleibt – vorerst – in der technischen Dokumentation von MiniMax.

Verfügbarkeit

• API: MiniMax hat H3 am 31. Juli 2026 gestartet, das Modell ist live in der Plattform-API und in der Hailuo AI-App für Verbraucher.
• Offene Gewichte: Verfügbar auf Hugging Face unter dem Repository MiniMaxAI/MiniMax-H3, mit gemeinschaftlich nutzbarer Nutzung unter freizügiger Lizenzierung.
• Gehostete Inferenz: Plattformen wie fal.ai und media.io bieten schlüsselfertige H3-Generierung ohne lokale GPU.
• Drittanbieter-Weboberflächen: Seiten wie minimaxh3.org, minimax-h3.app und minimaxh3.online verpacken das Modell hinter einer Prompt-und-Upload-Oberfläche.