MiniMax H3 forklart: Åpen videogenerering med innebygd lyd

MiniMax H3 er en åpen, omnimodal modell for videogenerering som ble lansert 3. august 2026. Hovedideen er å legge tekst, bilder, video og lyd inn i samme kontekst, og deretter generere bilde og stereolyd samlet – i stedet for at innholdsskapere må sette sammen hvert element i separate verktøy. 12

Det betyr ikke at H3 erstatter klipping, regi eller kvalitetssikring. Men mer av arbeidet kan flyttes fra å finne og synkronisere råmateriale til å beskrive hva man ønsker, legge ved referanser, lage varianter og velge det beste resultatet.

Hva kan MiniMax H3 gjøre?

H3 støtter videogenerering fra tekst, nøkkelbilder og ulike multimodale referanser. Dokumentasjonen for ComfyUI beskriver utdata på opptil 2K-oppløsning, 24 bilder per sekund og rundt 15 sekunder per klipp. Tale, musikk og lydeffekter kan genereres som innebygd stereolyd i samme kjøring. 2

Lydintegrasjonen er viktig fordi den angriper et vanlig problem i AI-videoproduksjon: Video og lyd trenger ikke lenger starte som to helt separate prosjekter. H3 modellerer det audiovisuelle resultatet samlet, selv om profesjonelle produksjoner fortsatt kan kreve vanlig etterarbeid og lydmiksing.

FL2VA og Ref2VA: De to åpne variantene

Den åpne utgaven består av to sentrale H3-Base-varianter.

FL2VA for tekst og nøkkelbilder

FL2VA er laget for tekst-til-video og styring med første bilde, siste bilde eller begge deler. Det er det mest direkte valget når du vil starte med en tekstbeskrivelse, etablere et visuelt utgangspunkt eller styre en overgang mellom bilder du allerede har. 158

Ref2VA for multimodale referanser

Ref2VA er den referansebaserte varianten. Den kan bruke kombinasjoner av bilder, video og lyd som kontekst. Dermed kan du legge inn referanser for blant annet utseende, bevegelse, identitet, stil eller stemme i samme genereringsoppsett. 128

Forskjellen er praktisk: FL2VA passer best når prompten og nøkkelbildene står i sentrum, mens Ref2VA er laget for oppgaver der flere eksisterende medieelementer skal påvirke resultatet.

Hvorfor kan H3 gjøre AI-video mindre oppstykket?

En kort AI-video kan ellers kreve separate steg for å:

• skrive eller utvide et manus;
• lage eller finne et karakterbilde;
• generere bevegelse eller bakgrunnsfilm;
• syntetisere dialog eller fortellerstemme;
• legge til musikk og lydeffekter; og
• synkronisere lyd og bilde i etterarbeidet.

H3 samler flere av disse oppgavene i én modellinteraksjon. En innholdsskaper kan gi modellen en prompt, et start- eller sluttbilde, en bevegelsesreferanse og en lydreferanse – og be om et audiovisuelt forslag i stedet for å håndtere hvert element isolert. 28

Det betyr ikke nødvendigvis at resultatet er en ferdig film. Den større endringen handler om hvor den kreative innsatsen brukes: mindre tid på å skaffe hvert enkelt råelement, og mer tid på å sette rammer, sammenligne varianter, forbedre promptene og redigere de beste klippene. H3 garanterer verken stabile karakterer, perfekt timing eller kringkastingsklar lyd.

Åpne vekter betyr ikke at hele 2K-systemet kjører lokalt

Dette er det viktigste forbeholdet når H3 skal vurderes.

Nedlastingen gjelder H3-Base, inkludert FL2VA og Ref2VA. Lokale guider og modelldokumentasjon oppgir at Base-modellene genererer video i 768p, mens trinnet for H3-Regenerate-2K ikke er åpent og tilbys gjennom MiniMax' vertsbaserte tjeneste. 6912

Med andre ord er «H3 støtter 2K» og «de åpne vektene genererer hele 2K-pipelinen lokalt» to forskjellige påstander. Den første beskriver det bredere, vertsbaserte tilbudet. Den andre overdriver hva som faktisk ble publisert.

Kan MiniMax H3 kjøre på vanlig forbrukermaskinvare?

Ja, men lokal bruk er mer et krevende teknisk prosjekt enn en enkel installasjon på en vanlig PC.

Kvantiserte modellvekter, bruk av systemminne og lagvis avlasting kan i enkelte oppsett gjøre H3 tilgjengelig på grafikkort i 12 GB-klassen, ifølge rapporter fra utviklere og brukere. Den minste fungerende kombinasjonen er omtalt som rundt 42,5 GB med filer, så både lagringsplass og systemminne er viktige i tillegg til videominnet. 710

Et RTX 5070 Ti-kort har 16 GB VRAM, ikke 12 GB. Eksperimentelle H3-kvantiseringer er testet på dette kortet, men rapportene understreker at konfigurasjon, oppløsning, antall steg, avlastingsstrategi og arbeidsflyt påvirker både om kjøringen lykkes og hvor lang tid den tar. 333439

Lokale tidsmålinger bør derfor behandles som konfigurasjonsspesifikke eksempler, ikke som generelle H3-benchmarks. Én brukertest rapporterte omtrent 160 sekunder for et fem sekunder langt 480p-klipp og rundt 560 sekunder i 720p på et system med RTX 5070 Ti. Andre rapporter viser andre resultater og påpeker uttrykkelig at det mangler verifiserte tidsmålinger for kortet. 453438

For dem som prioriterer hastighet fremfor lokal kontroll, kan et vertsbasert API være enklere enn å laste ned modellen og kjøre en stor arbeidsflyt med avlasting. ComfyUI støtter også vertsbaserte H3 API-arbeidsflyter, så valget står ikke bare mellom full lokal kjøring og et separat kreativt program. 48

ComfyUI og agentstyrt produksjon

ComfyUI fikk innebygd H3-støtte da de åpne vektene ble publisert, med arbeidsflyter for tekst-til-video, bilde- eller bildekontrollert generering og referansebasert videogenerering. 12

Den nodebaserte tilgangen gjør det også enklere å koble H3 til skript og automatisering. En kodeagent kan i prinsippet sende inn mange korte prompter med ulike frøverdier eller referansekombinasjoner, organisere filene, lage kontaktark og hjelpe et menneske med å gå gjennom kandidatene. De åpne vektene gjør slik lokal og skriptbar orkestrering mer realistisk.

Det er likevel viktig å skille mellom modellen og verktøyene rundt den. Parallell generering og vurdering vil være egenskaper ved automatiseringssystemet, ikke en H3-funksjon som på egen hånd avgjør hvilket klipp som er best. Menneskelig vurdering er fortsatt viktig for kontinuitet, komposisjon, dialogkvalitet og om resultatet passer til formålet.

Hva koster MiniMax H3?

MiniMax' offisielle dokumentasjon for betaling etter forbruk oppgir 0,08 dollar per utdata-sekund i 768p og 0,13 dollar per utdata-sekund i 2K. Den samme dokumentasjonen oppgir 0,05 dollar per sekund for oppskalering fra 768p til 2K. 17

Et klipp på ti sekunder koster dermed:

• 0,80 dollar i 768p;
• 1,30 dollar i 2K; og
• potensielt mer dersom regenerering eller fakturerbare referanseinndata kommer i tillegg.

Påstanden om at et standard 2K-klipp på ti sekunder starter på rundt 0,60 dollar, støttes ikke av det offisielle prisarket som er brukt her. Det kan ha vært en kampanje, en beregning basert på abonnementspoeng eller en annen tjeneste, men bør ikke omtales som MiniMax' standardpris uten bedre dokumentasjon.

MiniMax Design er dessuten et separat produkt fra de nedlastbare H3-vektene. Tredjepartsrapportering beskriver Design som et lukket kreativt verktøy bygget på eller rundt H3, med egne kreditter og tilbud. Det bør ikke forveksles med å kjøre H3-Base lokalt. 18

Hva betyr H3 for innholdsskapere?

Betydningen til MiniMax H3 ligger ikke først og fremst i at modellen fjerner alle steg i videoproduksjon. Den samler heller inputene som tidligere var spredt mellom flere verktøy. Tekst kan beskrive scenen, bilder kan etablere utseendet, video kan styre bevegelsen, og lyd kan påvirke stemme eller lydbilde – mens modellen lager et synkronisert audiovisuelt forslag. 2

For innholdsskapere kan dette gjøre idéarbeid for korte videoer mer iterativt og referansestyrt. For utviklere gir åpne vekter og ComfyUI-støtte et grunnlag for egne arbeidsflyter, masseproduksjon og agentassistert gjennomgang. For kjøpere er det praktiske spørsmålet om lokal kontroll og eksperimentering forsvarer betydelige krav til maskinvare og oppsett, eller om vertsbasert 2K-generering gir en bedre balanse.

Den mest presise oppsummeringen er derfor også den enkleste: H3 reduserer oppsplittingen i selve genereringsfasen, men fjerner ikke behovet for produksjonsvurderinger. Og de åpne vektene utgjør bare én del av det komplette, vertsbaserte 2K-systemet.