MiniMax H3 erklärt: Wie offene Videogenerierung Text, Bilder, Video und Audio verbindet

MiniMax H3 ist ein am 3. August 2026 veröffentlichtes Videogenerierungsmodell mit offenen Gewichten. Der zentrale Ansatz: Text, Bilder, Video und Audio werden in einem gemeinsamen Kontext verarbeitet. Anschließend erzeugt H3 Bild und Ton zusammen, statt Kreative dazu zu zwingen, jedes Element zunächst in separaten Werkzeugen zu erstellen und später zu synchronisieren. 12

Damit ersetzt H3 weder Schnitt, Regie noch Qualitätskontrolle. Das Modell verschiebt jedoch einen Teil des Workflows: Weg vom mühsamen Zusammensuchen einzelner Assets, hin zum Beschreiben einer Idee, dem Vorgeben von Referenzen, dem Erzeugen mehrerer Varianten und der Auswahl des überzeugendsten Ergebnisses.

Was MiniMax H3 kann

H3 unterstützt die Videogenerierung aus Text-Prompts, Keyframes und multimodalen Referenzen. Die ComfyUI-Dokumentation nennt eine Ausgabe von bis zu 2K, 24 Bildern pro Sekunde und etwa 15 Sekunden Laufzeit. Stimme, Musik und Soundeffekte werden dabei als nativer Stereoton im selben Generierungsschritt erzeugt. 2

Gerade die Audio-Integration ist relevant: Bild und Ton müssen nicht mehr zwingend als zwei vollständig getrennte Produktionsaufgaben beginnen. H3 modelliert das audiovisuelle Ergebnis gemeinsam. Für professionelle Produktionen bleiben klassischer Schnitt, Nachbearbeitung und Tonkorrektur trotzdem unverzichtbar.

FL2VA und Ref2VA: Die zwei offenen Varianten

Die offene Veröffentlichung umfasst zwei zentrale H3-Base-Varianten.

FL2VA für Prompts und Frame-Steuerung

FL2VA ist für Text-zu-Video sowie die Steuerung über das erste, das letzte oder beide Einzelbilder ausgelegt. Die Variante eignet sich daher, wenn ein Clip mit einem Prompt beginnen, an einem bestimmten visuellen Endpunkt ankommen oder einen Übergang zwischen vorgegebenen Frames erzeugen soll. 158

Ref2VA für multimodale Referenzen

Ref2VA ist der referenzbasierte Weg. Die Variante kann Kombinationen aus Bildern, Videos und Audiodateien als Kontext verwenden. So lassen sich unter anderem Aussehen, Identität, Stil, Bewegung, Kameraverhalten oder Stimme in einem einzigen Generierungs-Setup vorgeben. 128

Der praktische Unterschied ist schnell zusammengefasst: FL2VA richtet sich stärker nach Prompt und Keyframes, Ref2VA nach mehreren vorhandenen Medienreferenzen.

Warum H3 den KI-Video-Workflow weniger fragmentiert

Vor einem omni-modalen Workflow konnte schon ein kurzer Clip mehrere getrennte Schritte erfordern:

• ein Skript schreiben oder ausarbeiten;
• ein Charakterbild erstellen oder suchen;
• Bewegungen und Hintergrundmaterial generieren;
• Dialog oder Sprecherstimme synthetisieren;
• Musik und Soundeffekte hinzufügen; und
• Bild und Ton in der Postproduktion synchronisieren.

H3 bündelt mehrere dieser Aufgaben in einer Modellinteraktion. Ein Creator kann einen Prompt, ein Start- oder Endbild, eine Bewegungsreferenz und eine Audioreferenz vorgeben und anschließend einen audiovisuellen Entwurf erhalten, statt jedes Asset isoliert zu verwalten. 28

Das Ergebnis ist dadurch nicht automatisch ein fertiger Film. Die größere Veränderung liegt darin, wofür kreative Zeit eingesetzt wird: weniger für die Beschaffung jedes Rohbestandteils, mehr für Einschränkungen, Referenzen, Varianten, Prompt-Feinschliff und den Schnitt der ausgewählten Ergebnisse. Das ist eine Folge des multimodalen Designs – keine Garantie für konsistente Figuren, perfektes Timing oder sendefertigen Ton.

Offene Gewichte bedeuten nicht: Die komplette 2K-Version läuft lokal

Das ist der wichtigste Vorbehalt bei der Bewertung von H3.

Zum Download steht H3-Base mit den Varianten FL2VA und Ref2VA bereit. Lokale Anleitungen und Modelldokumentationen geben an, dass die Base-Checkpoints Videos in 768p erzeugen. Die Stufe H3-Regenerate-2K ist dagegen nicht als Open Source verfügbar und wird über den gehosteten Dienst von MiniMax angeboten. 6912

„H3 unterstützt 2K“ und „die offenen Gewichte erzeugen die vollständige 2K-Pipeline lokal“ sind also zwei verschiedene Aussagen. Die erste beschreibt das umfassendere gehostete Angebot; die zweite würde den Umfang der Veröffentlichung übertreiben.

Läuft MiniMax H3 auf handelsüblicher Hardware?

Ja – allerdings ist die lokale Nutzung eher ein anspruchsvolles Technikprojekt als eine unkomplizierte Desktop-Installation.

Quantisierte Gewichte, die Nutzung des Arbeitsspeichers und Layer-Offloading können bestimmte H3-Workflows laut Community-Berichten auch mit Grafikkarten im Bereich von 12 GB VRAM ermöglichen. Die kleinste funktionierende Kombination wird mit ungefähr 42,5 GB Dateien angegeben. Deshalb zählen neben dem Grafikspeicher auch Festplattenplatz und System-RAM. 710

Eine RTX 5070 Ti verfügt über 16 GB VRAM, nicht über 12 GB. Experimentelle H3-Quantisierungen wurden auf dieser GPU getestet. Die konkrete Konfiguration, Auflösung, Schrittzahl, Offloading-Strategie und der jeweilige Workflow beeinflussen jedoch entscheidend, ob ein Lauf gelingt und wie lange er dauert. 333439

Gemeldete Laufzeiten sollten daher als konfigurationsabhängige Erfahrungswerte und nicht als allgemeine H3-Benchmarks verstanden werden. Ein Community-Test nannte auf einem RTX-5070-Ti-System ungefähr 160 Sekunden für einen fünfsekündigen 480p-Clip und etwa 560 Sekunden bei 720p. Andere Berichte kommen zu abweichenden Ergebnissen und weisen ausdrücklich darauf hin, dass für diese Karte keine verifizierte Standardzeit vorliegt. 453438

Wer schneller arbeiten möchte und weniger Wert auf lokale Kontrolle legt, kann auf die gehostete API ausweichen. Das Modell muss dann nicht heruntergeladen werden, und kein großer Offloading-Workflow muss auf dem eigenen Rechner laufen. Auch ComfyUI unterstützt gehostete H3-API-Workflows – die Wahl beschränkt sich also nicht auf vollständig lokal oder vollständig in einer separaten Kreativ-App. 48

ComfyUI und agentische Produktionsabläufe

ComfyUI integrierte H3 zeitgleich mit der Veröffentlichung der offenen Gewichte. Verfügbar sind Workflows für Text-zu-Video, Bild- beziehungsweise Frame-Steuerung und Referenz-zu-Video. 12

Der knotenbasierte Zugriff erleichtert außerdem die Verbindung mit Skripten und kreativer Automatisierung. Ein Coding-Agent könnte beispielsweise viele kurze Prompts mit unterschiedlichen Seeds oder Referenzkombinationen absenden, die Dateien organisieren, Kontaktbögen erstellen und Menschen bei der Sichtung der Kandidaten unterstützen.

Wichtig ist die Abgrenzung: Das parallele Erzeugen und Bewerten wäre eine Fähigkeit des umgebenden Automatisierungssystems, nicht eine H3-Funktion, die selbstständig den besten Clip auswählt. Menschliche Kontrolle bleibt für Kontinuität, Bildaufbau, Dialogqualität und die Angemessenheit des Ergebnisses entscheidend.

MiniMax-H3-Preise: Was offiziell belegt ist

Die offizielle Pay-as-you-go-Dokumentation von MiniMax nennt für H3 0,08 US-Dollar pro Ausgabesekunde bei 768p und 0,13 US-Dollar pro Ausgabesekunde bei 2K. Für die Regenerierung von 768p auf 2K werden 0,05 US-Dollar pro Sekunde genannt. 17

Ein zehnsekündiger Clip kostet damit:

• 0,80 US-Dollar bei 768p;
• 1,30 US-Dollar bei 2K; und
• möglicherweise zusätzliche Gebühren, wenn Regenerierung oder kostenpflichtige Referenzeingaben hinzukommen.

Die häufig wiederholte Aussage, ein standardmäßiger zehnsekündiger 2K-Clip beginne bei rund 0,60 US-Dollar, wird durch die hier vorliegende offizielle Preisliste nicht gestützt. Gemeint sein könnte eine Werbeaktion, eine Berechnung über Abo-Credits oder ein anderer Dienst. Als regulären MiniMax-API-Preis sollte man diesen Betrag ohne stärkere Belege jedoch nicht darstellen.

Auch MiniMax Design ist von den herunterladbaren H3-Gewichten zu unterscheiden. Drittberichte beschreiben Design als geschlossenes Kreativprodukt, das auf H3 basiert oder darum herum aufgebaut ist und ein eigenes Credit- und Angebotsmodell besitzt. Es ist daher nicht dasselbe wie der lokale Betrieb von H3-Base. 18

Was H3 für Kreative bedeutet

Die Bedeutung von MiniMax H3 liegt weniger darin, jeden einzelnen Produktionsschritt abzuschaffen. Entscheidend ist vielmehr, dass Eingaben zusammengeführt werden, die zuvor in unterschiedlichen Werkzeugen lagen: Text kann die Szene beschreiben, Bilder können das Aussehen festlegen, Video kann die Bewegung vorgeben und Audio kann Stimme oder Klangwelt beeinflussen – während das Modell daraus einen synchronisierten audiovisuellen Entwurf erzeugt. 2

Für Kreative kann das die Entwicklung kurzer Formate iterativer und stärker referenzbasiert machen. Für Entwickler bilden offene Gewichte und ComfyUI-Unterstützung eine Grundlage für eigene Pipelines, Batch-Generierung und agentengestützte Sichtung. Für Käufer lautet die praktische Frage, ob lokale Kontrolle und Experimente den erheblichen Hardware- und Einrichtungsaufwand rechtfertigen – oder ob die gehostete 2K-Generierung der bessere Kompromiss ist.

Die präziseste Zusammenfassung ist zugleich die nüchternste: H3 verringert die Fragmentierung bei der Generierung, beseitigt aber nicht die Notwendigkeit redaktioneller und kreativer Entscheidungen. Außerdem ist die Veröffentlichung der offenen Gewichte nur ein Teil des vollständigen gehosteten 2K-Systems.