MiniMax H3 是 MiniMax 于 2026 年 8 月 3 日发布的开放权重全模态视频生成模型。它的核心思路并不只是“根据提示词生成视频”，而是把文字、图片、视频和音频放进同一个上下文，再一次性生成视频与原生立体声，而不是让创作者分别调用画面、配音、音乐和音效工具，最后再手动对轨。12

这并不意味着 H3 能取代剪辑、导演判断或成片审核。但它确实可能改变工作重心：创作者不必先把所有原始素材逐一凑齐，而是可以更多地描述意图、提供参考、批量生成变体，再从结果中挑选和精修。

MiniMax H3 能做什么

H3 支持从文字提示词、关键帧以及多模态参考素材生成视频。ComfyUI 文档显示，其输出上限可达 2K 分辨率、24fps 和约 15 秒，并可在同一次生成中输出语音、音乐和音效组成的原生立体声音频。2

“音频也由模型共同生成”是 H3 的关键卖点。传统 AI 视频流程往往是先生成画面，再单独制作对白、旁白、音乐和环境音，最后在剪辑软件中同步。H3 试图把这些环节放入同一个视听生成任务中，减少音画从一开始就彼此分离的情况。不过，对于专业制作，剪辑、降噪、混音和人工校对仍然不可或缺。

两条开放权重路径：FL2VA 与 Ref2VA

目前公开的 H3-Base 主要包含两个任务变体。它们并不是简单的“高低画质版本”，而是面向不同输入方式的工作路径。

FL2VA：提示词与首尾帧控制

FL2VA 面向文生视频，以及首帧、尾帧或首尾帧条件控制。创作者可以只从文字描述开始，也可以提供一张或两张图片，用来规定视频的起点、终点，或引导两个画面之间的过渡。158

如果需求是“让这个角色从第一张图走到最后一个画面”，或者“按照提示词生成一段带声音的视频”，FL2VA 通常是更直接的选择。

Ref2VA：多模态参考驱动

Ref2VA 更适合参考素材较多的任务。它可以把图片、视频和音频组合起来作为上下文，让外观、身份、动作、风格、镜头运动或声音特征共同影响生成结果。128

简单说，FL2VA 更偏向“提示词加关键帧”，Ref2VA 则更偏向“把一组已有媒体素材交给模型，让它综合参考”。这一区分对于搭建工作流很实用：先判断自己是在定义画面起止点，还是需要多个素材共同约束结果。

H3 如何减少 AI 视频工作流的割裂

在全模态模型出现之前，一条十几秒的短片可能需要分别完成：

• 编写或扩展脚本；
• 设计或生成角色形象；
• 制作动作和背景画面；
• 合成对白或旁白；
• 添加音乐与音效；
• 在后期软件中完成音画同步。

H3 可以把其中若干步骤压缩到一次模型交互中。创作者能够同时提供提示词、起始或结束画面、动作参考，以及音频或声音参考，然后直接请求一个视听结果，而不是把每项素材当作完全独立的任务来处理。28

真正的变化不一定是“AI 自动完成一部电影”，而是创作时间的重新分配：少花时间寻找和拼接每一项原始资产，多花时间明确约束、组织参考素材、比较不同种子和提示词，并对选中的结果进行剪辑。

但这只是 H3 多模态设计带来的工作流影响，并不保证每次生成都能保持人物一致、动作连贯、对白准确或声音达到播出标准。最终结果仍然需要人工筛选和后期制作。

开放权重，不等于完整 2K 流程可以本地运行

这是评估 H3 时最容易被忽略的区别。

此次可下载的内容是 H3-Base，包括 FL2VA 和 Ref2VA。多份本地部署指南和模型资料显示，Base 检查点本地生成主要是 768p；名为 H3-Regenerate-2K 的 2K 重生成阶段并未开放权重，目前通过 MiniMax 托管服务提供。6912

因此，下面两句话不能混为一谈：

• H3 的整体托管服务支持 2K；
• 开放权重可以在本地独立生成完整的 2K 流程。

前者描述的是更完整的云端产品，后者则夸大了本次公开内容的范围。对于希望完全离线运行的用户，开放的是 H3-Base，而不是 MiniMax 全套托管系统。

H3 能在消费级硬件上运行吗？

可以尝试，但这更像一个需要显存、内存和磁盘共同配合的工程项目，而不是下载安装后即可流畅使用的桌面软件。

社区报告显示，通过量化、系统内存使用和分层卸载，一些 H3 工作流可以在约 12GB 显存的显卡上运行。不过，最小可用组合的文件规模约为 42.5GB，因此硬盘空间和系统内存同样重要。71043

需要特别纠正的是，RTX 5070 Ti 配备的是 16GB 显存，而不是 12GB。社区已经在这款显卡上测试过实验性 H3 量化版本，但具体能否成功运行、需要多长时间，会受到模型配置、分辨率、采样步数、卸载策略和工作流的显著影响。333439

已有一次社区测试称，在 RTX 5070 Ti 系统上生成 5 秒、480p 片段约需 160 秒，720p 约需 560 秒；其他测试则给出不同结果，并明确表示尚无该显卡的经过验证的统一计时数据。453438 因此，这些数字只能作为特定配置下的经验记录，不能当作 H3 的通用基准。

如果更看重速度而非本地控制，托管 API 可以省去下载模型和搭建大型卸载工作流的成本。ComfyUI 也支持托管 H3 API 工作流，所以用户并不只是在“完全本地运行”和“改用另一款创作软件”之间二选一。48

ComfyUI 与代理式创作流程

开放权重发布后，ComfyUI 很快加入了原生 H3 支持，并提供文生视频、图片或帧条件生成，以及参考图生视频等工作流。12

节点式工作流的价值在于，它更容易与脚本和自动化工具连接。理论上，编程代理可以批量提交不同提示词、种子或参考素材的短视频任务，整理输出文件，生成缩略图联系表，再辅助人类逐一评估候选结果。

这类“并行生成—整理—筛选”的能力来自周边自动化系统与本地可编程访问，并不是 H3 自己具备独立判断能力。模型不会自动替导演决定哪个镜头最好。人物连续性、构图、对白质量以及内容是否合适，仍需要人工审核。

MiniMax H3 价格：以官方费率为准

MiniMax 官方按量计费文档显示，H3 的价格为：

• 768p：每输出秒 0.08 美元；
• 2K：每输出秒 0.13 美元；
• 768p 升级重生成至 2K：每秒 0.05 美元。17

按这一费率计算，10 秒视频大约是：

• 768p：0.80 美元；
• 2K：1.30 美元；
• 如果使用重生成或存在适用的参考素材计费，还可能产生额外费用。

网络上常见的“10 秒 2K 视频约 0.60 美元起”说法，并没有得到本文所依据的官方费率表支持。它可能对应促销活动、订阅积分折算或其他服务，但在缺乏更强证据的情况下，不应将其写成 MiniMax 标准 API 价格。

此外，MiniMax Design 与可下载的 H3 权重不是同一个产品。第三方报道将 Design 描述为围绕 H3 构建的独立闭源创作产品，采用自己的积分和套餐体系；它不能等同于用户下载 H3-Base 后在本地运行的流程。18

对创作者意味着什么

MiniMax H3 的意义，不在于消灭视频制作的每一个步骤，而在于统一过去分散在不同工具中的输入：文字负责描述场景，图片可以规定角色和外观，视频能够引导运动，音频则能提供声音或语音参考，模型随后生成一个同步的视听候选结果。2

对短视频创作者而言，这可能让“先做大量素材、再拼成片”的流程，逐渐转向“明确意图、组合参考、批量试错、选择结果”。对开发者而言，开放权重和 ComfyUI 支持提供了搭建自定义管线、批量生成以及代理辅助审核的基础。对购买 API 或创作工具的用户而言，核心取舍则是：本地控制和实验自由，是否值得付出较高的硬件与部署成本；如果不值得，托管 2K 生成是否更省时。

最准确的总结是：H3 减少了生成阶段的工作流割裂，但没有消除制作判断；它开放的是完整托管 2K 系统的一部分，而不是全部。

MiniMax H3 是 MiniMax 于 2026 年 8 月 3 日发布的开放权重全模态视频生成模型。它的核心思路并不只是“根据提示词生成视频”，而是把文字、图片、视频和音频放进同一个上下文，再一次性生成视频与原生立体声，而不是让创作者分别调用画面、配音、音乐和音效工具，最后再手动对轨。12

这并不意味着 H3 能取代剪辑、导演判断或成片审核。但它确实可能改变工作重心：创作者不必先把所有原始素材逐一凑齐，而是可以更多地描述意图、提供参考、批量生成变体，再从结果中挑选和精修。

MiniMax H3 能做什么

H3 支持从文字提示词、关键帧以及多模态参考素材生成视频。ComfyUI 文档显示，其输出上限可达 2K 分辨率、24fps 和约 15 秒，并可在同一次生成中输出语音、音乐和音效组成的原生立体声音频。2

“音频也由模型共同生成”是 H3 的关键卖点。传统 AI 视频流程往往是先生成画面，再单独制作对白、旁白、音乐和环境音，最后在剪辑软件中同步。H3 试图把这些环节放入同一个视听生成任务中，减少音画从一开始就彼此分离的情况。不过，对于专业制作，剪辑、降噪、混音和人工校对仍然不可或缺。

两条开放权重路径：FL2VA 与 Ref2VA

目前公开的 H3-Base 主要包含两个任务变体。它们并不是简单的“高低画质版本”，而是面向不同输入方式的工作路径。

FL2VA：提示词与首尾帧控制

FL2VA 面向文生视频，以及首帧、尾帧或首尾帧条件控制。创作者可以只从文字描述开始，也可以提供一张或两张图片，用来规定视频的起点、终点，或引导两个画面之间的过渡。158

如果需求是“让这个角色从第一张图走到最后一个画面”，或者“按照提示词生成一段带声音的视频”，FL2VA 通常是更直接的选择。

Ref2VA：多模态参考驱动

Ref2VA 更适合参考素材较多的任务。它可以把图片、视频和音频组合起来作为上下文，让外观、身份、动作、风格、镜头运动或声音特征共同影响生成结果。128

简单说，FL2VA 更偏向“提示词加关键帧”，Ref2VA 则更偏向“把一组已有媒体素材交给模型，让它综合参考”。这一区分对于搭建工作流很实用：先判断自己是在定义画面起止点，还是需要多个素材共同约束结果。

H3 如何减少 AI 视频工作流的割裂

在全模态模型出现之前，一条十几秒的短片可能需要分别完成：

• 编写或扩展脚本；
• 设计或生成角色形象；
• 制作动作和背景画面；
• 合成对白或旁白；
• 添加音乐与音效；
• 在后期软件中完成音画同步。

H3 可以把其中若干步骤压缩到一次模型交互中。创作者能够同时提供提示词、起始或结束画面、动作参考，以及音频或声音参考，然后直接请求一个视听结果，而不是把每项素材当作完全独立的任务来处理。28

真正的变化不一定是“AI 自动完成一部电影”，而是创作时间的重新分配：少花时间寻找和拼接每一项原始资产，多花时间明确约束、组织参考素材、比较不同种子和提示词，并对选中的结果进行剪辑。

但这只是 H3 多模态设计带来的工作流影响，并不保证每次生成都能保持人物一致、动作连贯、对白准确或声音达到播出标准。最终结果仍然需要人工筛选和后期制作。

开放权重，不等于完整 2K 流程可以本地运行

这是评估 H3 时最容易被忽略的区别。

此次可下载的内容是 H3-Base，包括 FL2VA 和 Ref2VA。多份本地部署指南和模型资料显示，Base 检查点本地生成主要是 768p；名为 H3-Regenerate-2K 的 2K 重生成阶段并未开放权重，目前通过 MiniMax 托管服务提供。6912

因此，下面两句话不能混为一谈：

• H3 的整体托管服务支持 2K；
• 开放权重可以在本地独立生成完整的 2K 流程。

前者描述的是更完整的云端产品，后者则夸大了本次公开内容的范围。对于希望完全离线运行的用户，开放的是 H3-Base，而不是 MiniMax 全套托管系统。

H3 能在消费级硬件上运行吗？

可以尝试，但这更像一个需要显存、内存和磁盘共同配合的工程项目，而不是下载安装后即可流畅使用的桌面软件。

社区报告显示，通过量化、系统内存使用和分层卸载，一些 H3 工作流可以在约 12GB 显存的显卡上运行。不过，最小可用组合的文件规模约为 42.5GB，因此硬盘空间和系统内存同样重要。71043

需要特别纠正的是，RTX 5070 Ti 配备的是 16GB 显存，而不是 12GB。社区已经在这款显卡上测试过实验性 H3 量化版本，但具体能否成功运行、需要多长时间，会受到模型配置、分辨率、采样步数、卸载策略和工作流的显著影响。333439

已有一次社区测试称，在 RTX 5070 Ti 系统上生成 5 秒、480p 片段约需 160 秒，720p 约需 560 秒；其他测试则给出不同结果，并明确表示尚无该显卡的经过验证的统一计时数据。453438 因此，这些数字只能作为特定配置下的经验记录，不能当作 H3 的通用基准。

如果更看重速度而非本地控制，托管 API 可以省去下载模型和搭建大型卸载工作流的成本。ComfyUI 也支持托管 H3 API 工作流，所以用户并不只是在“完全本地运行”和“改用另一款创作软件”之间二选一。48

ComfyUI 与代理式创作流程

开放权重发布后，ComfyUI 很快加入了原生 H3 支持，并提供文生视频、图片或帧条件生成，以及参考图生视频等工作流。12

节点式工作流的价值在于，它更容易与脚本和自动化工具连接。理论上，编程代理可以批量提交不同提示词、种子或参考素材的短视频任务，整理输出文件，生成缩略图联系表，再辅助人类逐一评估候选结果。

这类“并行生成—整理—筛选”的能力来自周边自动化系统与本地可编程访问，并不是 H3 自己具备独立判断能力。模型不会自动替导演决定哪个镜头最好。人物连续性、构图、对白质量以及内容是否合适，仍需要人工审核。

MiniMax H3 价格：以官方费率为准

MiniMax 官方按量计费文档显示，H3 的价格为：

• 768p：每输出秒 0.08 美元；
• 2K：每输出秒 0.13 美元；
• 768p 升级重生成至 2K：每秒 0.05 美元。17

按这一费率计算，10 秒视频大约是：

• 768p：0.80 美元；
• 2K：1.30 美元；
• 如果使用重生成或存在适用的参考素材计费，还可能产生额外费用。

网络上常见的“10 秒 2K 视频约 0.60 美元起”说法，并没有得到本文所依据的官方费率表支持。它可能对应促销活动、订阅积分折算或其他服务，但在缺乏更强证据的情况下，不应将其写成 MiniMax 标准 API 价格。

此外，MiniMax Design 与可下载的 H3 权重不是同一个产品。第三方报道将 Design 描述为围绕 H3 构建的独立闭源创作产品，采用自己的积分和套餐体系；它不能等同于用户下载 H3-Base 后在本地运行的流程。18

对创作者意味着什么

MiniMax H3 的意义，不在于消灭视频制作的每一个步骤，而在于统一过去分散在不同工具中的输入：文字负责描述场景，图片可以规定角色和外观，视频能够引导运动，音频则能提供声音或语音参考，模型随后生成一个同步的视听候选结果。2

对短视频创作者而言，这可能让“先做大量素材、再拼成片”的流程，逐渐转向“明确意图、组合参考、批量试错、选择结果”。对开发者而言，开放权重和 ComfyUI 支持提供了搭建自定义管线、批量生成以及代理辅助审核的基础。对购买 API 或创作工具的用户而言，核心取舍则是：本地控制和实验自由，是否值得付出较高的硬件与部署成本；如果不值得，托管 2K 生成是否更省时。

最准确的总结是：H3 减少了生成阶段的工作流割裂，但没有消除制作判断；它开放的是完整托管 2K 系统的一部分，而不是全部。