MiniMax H3 пояснюємо: як одна модель поєднує текст, зображення, відео й аудіо

MiniMax H3 — це мультимодальна модель генерації відео з відкритими вагами, випущена 3 серпня 2026 року. Її ключова особливість — здатність працювати з текстом, зображеннями, відео й аудіо в одному контексті, а потім створювати відео та нативний стереозвук одночасно, без обов’язкового складання всіх елементів у різних інструментах. 12

Це не означає, що H3 замінює монтажера, режисера чи фінальну перевірку. Однак модель змінює саму логіку роботи: замість пошуку кожного сирого ресурсу окремо творець може описати задум, додати референси, згенерувати кілька варіантів і вибрати найвдаліший.

Що вміє MiniMax H3

H3 підтримує створення відео з текстового опису, ключових кадрів і мультимодальних референсів. Документація ComfyUI вказує на результат із роздільною здатністю до 2K, частотою 24 кадри/с і тривалістю приблизно до 15 секунд. Голос, музика та звукові ефекти генеруються як нативне стереоаудіо в тому самому проході. 2

Інтеграція звуку важлива через типову проблему AI-відео: зображення та аудіо часто створюють у різних сервісах, а потім вручну синхронізують. H3 намагається моделювати аудіовізуальний результат спільно. Водночас для професійного виробництва монтаж, очищення звуку та контроль якості все одно залишаються потрібними.

FL2VA і Ref2VA: два відкриті варіанти H3

До відкритого релізу входять дві основні версії H3-Base.

FL2VA — для промптів і ключових кадрів

FL2VA призначена для генерації відео з тексту, а також для керування першим кадром, останнім кадром або обома одночасно. Це практичний варіант, якщо потрібно почати з промпту, зафіксувати візуальний початок чи кінець сцени або спрямувати перехід між заданими кадрами. 158

Ref2VA — для мультимодальних референсів

Ref2VA працює за принципом генерації з референсами. Вона може використовувати комбінації зображень, відео й аудіо, щоб впливати на зовнішність персонажа, рух, стиль, ідентичність або голос в одному завданні. 128

Різниця між версіями проста: FL2VA більше підходить для сценаріїв, керованих промптом і ключовими кадрами, а Ref2VA — для роботи, де результат має врахувати кілька вже наявних медіаресурсів.

Як H3 зменшує розрізненість AI-відеовиробництва

До появи мультимодального підходу короткий ролик міг вимагати окремих етапів:

• написання або розширення сценарію;
• створення чи пошуку зображення персонажа;
• генерації руху або фонового відео;
• синтезу діалогів чи дикторського тексту;
• додавання музики та звукових ефектів;
• синхронізації аудіо й відео під час постпродакшену.

H3 об’єднує кілька таких етапів в одну взаємодію з моделлю. Творець може надати опис, початковий або кінцевий кадр, референс руху й аудіореференс, а потім отримати не окремі файли, а готовий аудіовізуальний кандидат. 28

Це не гарантує появи завершеного фільму з першої спроби. Головна зміна полягає в іншому: менше часу йде на пошук усіх вихідних компонентів, а більше — на формулювання обмежень, порівняння варіантів, уточнення промптів і монтаж найкращих результатів. Це наслідок мультимодального дизайну H3, а не обіцянка ідеальної стабільності персонажів, бездоганного таймінгу чи готового до ефіру звуку.

Відкриті ваги не означають повну 2K-систему на локальному ПК

Це головне застереження для тих, хто оцінює H3.

Для завантаження доступна H3-Base, зокрема варіанти FL2VA і Ref2VA. Посібники для локального запуску та документація моделі вказують, що базові контрольні точки генерують відео у 768p, тоді як етап H3-Regenerate-2K не відкритий і доступний через хостинговий сервіс MiniMax. 6912

Тож твердження «H3 підтримує 2K» і твердження «відкриті ваги локально запускають повний 2K-конвеєр» — не одне й те саме. Перше описує ширшу хмарну пропозицію, а друге перебільшує можливості відкритого релізу.

Чи запуститься MiniMax H3 на споживчому залізі

Так, але локальний запуск — це радше інженерний проєкт із компромісами, ніж проста інсталяція на домашньому комп’ютері.

Квантизовані ваги, використання системної оперативної пам’яті та поетапне перенесення шарів можуть зробити окремі сценарії H3 доступними для відеокарт із 12 ГБ відеопам’яті, за даними спільноти. Найменша робоча конфігурація, за описами, займає приблизно 42,5 ГБ файлів на диску, тому важливі не лише VRAM, а й вільне сховище та обсяг оперативної пам’яті. 710

RTX 5070 Ti має 16 ГБ, а не 12 ГБ відеопам’яті. Експериментальні квантизації H3 тестували на цій відеокарті, але результати залежать від конкретної конфігурації, роздільної здатності, кількості кроків, стратегії offload і самого робочого процесу. 333439

Тому наведені локальні таймінги варто сприймати як результати окремих конфігурацій, а не як універсальні бенчмарки H3. Один тест спільноти показав приблизно 160 секунд для п’ятисекундного ролика у 480p і близько 560 секунд для 720p на системі з RTX 5070 Ti. Водночас інші джерела наводять інші результати й прямо зазначають, що перевіреного таймінгу для цієї відеокарти немає. 453438

Якщо важливіша швидкість, а не локальний контроль, хмарний API позбавляє потреби завантажувати модель і запускати великий offload-конвеєр. ComfyUI також підтримує хмарні сценарії H3 API, тому вибір не обмежується лише повністю локальним запуском або окремим творчим застосунком. 48

ComfyUI та агентні робочі процеси

ComfyUI додав нативну підтримку H3 одночасно з виходом відкритих ваг. У ньому доступні сценарії для text-to-video, керування зображеннями або кадрами та генерації відео з референсами. 12

Такий нодовый підхід спрощує підключення H3 до скриптів і творчої автоматизації. Теоретично програмний агент може надсилати багато коротких промптів із різними seed або наборами референсів, упорядковувати отримані файли, створювати контактні аркуші й допомагати людині переглядати кандидатів. Відкриті ваги роблять подібну локальну та скриптовану оркестрацію практичнішою.

Важливо розрізняти можливості моделі й оточення: паралельна генерація та оцінювання були б функціями системи автоматизації, а не самостійною здатністю H3 визначати, який ролик найкращий. Людський контроль залишається важливим для безперервності сцен, композиції, якості діалогів і доречності результату.

Скільки коштує MiniMax H3

В офіційній документації MiniMax для моделі pay-as-you-go вказано $0,08 за секунду відео у 768p і $0,13 за секунду у 2K. Та сама документація встановлює ціну регенерації з 768p до 2K на рівні $0,05 за секунду. 17

Отже, 10-секундна генерація коштує:

• $0,80 у 768p;
• $1,30 у 2K;
• потенційно дорожче, якщо застосовуються повторна генерація або платні референсні входи.

Поширене твердження, що стандартний 10-секундний ролик у 2K нібито починається приблизно від $0,60, не підтверджується наданою офіційною тарифною сіткою. Це може бути рекламна пропозиція, розрахунок через підпискові кредити або ціна іншого сервісу, але без сильніших доказів її не варто називати стандартною ціною API MiniMax.

MiniMax Design — окремий продукт від завантажуваних ваг H3. Сторонні публікації описують його як закритий творчий сервіс, створений на основі H3 або навколо неї, із власною системою кредитів і тарифами. Його не слід ототожнювати з локальним запуском H3-Base. 18

Що H3 змінює для творців

Значення MiniMax H3 не в тому, що вона скасовує всі етапи відеовиробництва. Її сильна сторона — об’єднання входів, які раніше жили в різних інструментах. Текст описує сцену, зображення задають зовнішність, відео спрямовує рух, а аудіо може визначати голос або звучання — після чого модель створює синхронізований аудіовізуальний варіант. 2

Для творців це може зробити розробку коротких роликів більш ітеративною та орієнтованою на референси. Для розробників відкриті ваги й підтримка ComfyUI створюють основу для власних конвеєрів, пакетної генерації та агентної допомоги під час перегляду. Для бізнесу й покупців практичне питання звучить інакше: чи виправдовують локальний контроль і експерименти витрати на обладнання та налаштування, чи вигіднішим компромісом буде хмарна генерація у 2K.

Найточніше резюме просте: H3 зменшує розрізненість на етапі генерації, але не прибирає потребу у виробничих рішеннях. І відкритий реліз H3-Base — це лише частина повної хмарної системи MiniMax із підтримкою 2K.