答案已發布28 來源
MiniMax H3 懶人包：開放權重 AI 影片模型點樣一次過生成畫面同聲音？
MiniMax H3 於 2026 年 8 月 3 日開放權重，將文字、圖片、影片同音訊整合到同一個生成流程，最多可生成約 15 秒、每秒 24 格、附原生立體聲音訊嘅影片。[1][2] FL2VA 適合文字生成影片，以及用首幀、尾幀或首尾兩幀控制畫面；Ref2VA 就可以同時參考圖片、影片同音訊，作更受控嘅生成。[1][2][8] 官方按用量收費為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，即係 10 秒影片分別約 0.80 美元同 1.30 美元，未計可能適用嘅額外費用。[17]
發布者使用 GPT-5.6 Luna 編輯圖片由 GPT Image 1.5 生成
研究答案
重點
- MiniMax H3 於 2026 年 8 月 3 日開放權重，將文字、圖片、影片同音訊整合到同一個生成流程，最多可生成約 15 秒、每秒 24 格、附原生立體聲音訊嘅影片。[1][2]
- FL2VA 適合文字生成影片，以及用首幀、尾幀或首尾兩幀控制畫面；Ref2VA 就可以同時參考圖片、影片同音訊，作更受控嘅生成。[1][2][8]
- 官方按用量收費為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，即係 10 秒影片分別約 0.80 美元同 1.30 美元，未計可能適用嘅額外費用。[17]
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: What is MiniMax H3, released with open weights in August 2026, and how does it address the fragmentation of AI video production by combining. Article summary: MiniMax H3 is an open-weight, omni-modal video-generation system released on August 3, 2026. Its main contribution is treating text, images, video, and audio as inputs to one generation workflow, producing synchronized v. Topic tags: general, education, documentation, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text,
MiniMax H3 係一個喺 2026 年 8 月 3 日推出開放權重嘅全模態影片生成模型。佢最特別嘅地方，唔只係由文字生成影片，而係將文字、圖片、影片同音訊放入同一個上下文，再一次過生成影片同原生立體聲音訊。換句話講，對白、音樂同音效唔一定要先由幾個獨立工具分開整，之後再手動對軌。1
2
不過，H3 並唔代表剪接、導演決策同品質審核可以全部慳返。佢真正改變嘅，係創作流程嘅重心：由以前周圍搵素材、分開生成聲畫、再花時間同步，轉向描述意圖、提供參考、批量試不同版本，最後揀出同埋修整最啱用嘅結果。
H3 實際做到啲咩？
H3 支援由文字提示、關鍵影格同多模態參考素材生成影片。ComfyUI 文件指，輸出最高可達 2K、每秒 24 格，片段長度約 15 秒；聲音方面就包括人聲、音樂同音效，並以原生立體聲形式喺同一次生成流程中產出。2
聲畫一體化嘅意義，在於減少一個常見嘅製作樽頸：畫面生成同聲音生成唔再必然係兩份完全分開嘅工作。H3 會共同處理視聽結果，理論上更容易維持畫面同聲音嘅同步；但如果係專業製作，創作者仍然可能要用傳統剪接工具做清理、重新混音同最後審核。
FL2VA 定 Ref2VA？兩條開放權重路線點揀
目前開放嘅 H3-Base 主要有兩個變體，分工其實幾清楚。
FL2VA：由提示詞同關鍵影格出發
FL2VA 主要用於文字生成影片，以及首幀、尾幀或首尾兩幀條件控制。你可以由一段提示詞開始，指定畫面起點或終點，亦可以用兩張圖片引導中間嘅轉場。對於想控制一個動作由邊度開始、去到邊度結束嘅創作者，FL2VA 會係比較直接嘅選擇。1
5
8
Ref2VA：用多種參考素材控制結果
Ref2VA 就係參考素材導向嘅模式，可以將圖片、影片同音訊組合成上下文。即係話，你可以用唔同素材去提示角色身份、外觀、風格、動作、鏡頭運動，甚至聲音方向，再喺同一個生成任務入面影響最後結果。1
2
8
簡單講：
- 想靠提示詞、首尾畫面或者關鍵影格控制流程，揀 FL2VA；
- 手上有幾種現成素材，要一齊影響影片，就比較適合 Ref2VA。
H3 點樣減少 AI 影片工作流程「一截截」？
以前整一條短片，可能要逐步處理：
- 寫劇本或者擴充提示詞；
- 生成角色圖或者搵現成素材；
- 製作動作、背景同鏡頭運動；
- 另外合成對白或旁白；
- 加入音樂同音效；
- 最後喺剪接軟件入面對齊聲畫。
H3 將當中幾個步驟壓縮到同一個模型互動入面。創作者可以同時提供提示詞、起始或結束畫面、動作參考同音訊參考，直接要求模型交一個聲畫同步嘅候選版本。2
8
呢個改變唔代表每次生成都會直接變成「交片版本」。角色一致性、動作連貫、對白清晰度、聲音時間點同構圖，仍然可能需要人手檢查。真正轉變係：創作者少咗時間逐件素材執齊，多咗時間設定限制、比較不同版本、修正提示詞，同埋剪接揀中嘅片段。
開放權重，唔等於完整 2K 系統可以本地運行
對準備試 H3 嘅人嚟講，呢點最容易搞錯。
今次可以下載嘅係 H3-Base，包括 FL2VA 同 Ref2VA。相關本地指南同模型文件指，Base checkpoint 本地生成係 768p；而名為 H3-Regenerate-2K 嘅 2K 階段並未開放原始碼，主要透過 MiniMax 託管服務提供。6
9
12
所以，「H3 支援 2K」同「開放權重可以喺本地完整生成 2K」係兩個唔同講法。前者係講整個託管產品能力；後者就誇大咗今次實際開放嘅部分。
消費級電腦跑唔跑到 H3？
答案係：有機會，但唔係下載完按一個掣就搞掂。
透過量化權重、使用系統記憶體，以及將部分模型層卸載到 CPU 或 RAM，一啲 H3 工作流程可以喺約 12 GB VRAM 嘅顯示卡上運行。不過，社群資料亦指最細可行組合大約需要 42.5 GB 檔案空間，所以硬碟容量、系統 RAM 同顯示卡記憶體都重要。7
10
43
另外要留意，RTX 5070 Ti 係 16 GB VRAM，唔係 12 GB。社群已有實驗性 H3 量化版本喺呢張卡上測試，但實際能否成功，及要等幾耐，會受解像度、步數、卸載方法、量化設定同工作流程影響。33
34
39
目前流傳嘅本地速度，應該當成特定配置下嘅個別紀錄，唔好當作 H3 嘅通用 benchmark。有社群測試指，RTX 5070 Ti 系統生成 5 秒 480p 片段約需 160 秒，720p 就約 560 秒；但亦有其他報告表示未有為呢張卡提供經核實嘅時間，或者得出唔同結果。45
34
38
如果你最重視速度，而唔係一定要保留所有本地控制權，使用託管 API 就唔使下載大型模型，亦唔使自己處理大量 offload 設定。ComfyUI 同時支援託管 H3 API 工作流程，因此選擇唔一定係「全本地」或者「完全轉用另一套創作軟件」二選一。48
ComfyUI 同「代理式」創作流程
開放權重推出之後，ComfyUI 已加入原生 H3 支援，涵蓋文字生成影片、圖片或影格條件控制，以及參考素材生成影片等工作流程。1
2
節點式操作亦方便將 H3 接駁到腳本同創作自動化工具。例如，一個 coding agent 理論上可以提交大量短提示詞，配搭不同 seed 或參考素材，整理輸出檔案，製作聯絡表，再協助人手快速比較候選片段。
但要分清楚兩件事：批量生成同自動整理係周邊自動化系統嘅能力，唔係 H3 自己會獨立判斷「邊條片最好」。角色連貫性、構圖、對白質素同內容是否合適，仍然需要人睇同作決定。
MiniMax H3 收費：以官方數字為準
MiniMax 官方 pay-as-you-go 文件列出，H3 嘅 768p 輸出係每秒 0.08 美元，2K 輸出係每秒 0.13 美元；768p 重新生成至 2K 就係每秒 0.05 美元。17
以 10 秒片段計：
- 768p：約 0.80 美元；
- 2K：約 1.30 美元；
- 如果涉及重新生成，或者有需要收費嘅參考輸入，總成本可能再增加。
坊間成日講「標準 10 秒 2K 片約 0.60 美元起」，就目前提供嘅官方價目表嚟講，未有足夠證據支持呢個係 MiniMax 標準 API 價格。呢個數字可能係限時優惠、訂閱積分換算，或者其他服務嘅收費，但唔應該直接當成官方一般價格。
至於 MiniMax Design，就係另一個產品。第三方資料形容佢係建基於 H3 或圍繞 H3 開發嘅封閉式創作工具，有自己嘅積分同套餐；佢唔等於下載 H3-Base 權重，再喺自己電腦本地運行。18
H3 對創作者真正重要嘅地方
MiniMax H3 嘅價值，唔係聲稱可以消除影片製作每一個步驟，而係將原本散落喺幾套工具入面嘅輸入統一埋：文字可以描述場景，圖片可以定義外觀，影片可以引導動作，而音訊就可以影響聲線、音效或者音樂；模型再交出一個同步嘅聲畫候選版本。2
對短片創作者嚟講，呢種方式可能令構思同試片更加反覆、更加依賴參考素材。對開發者嚟講，開放權重加上 ComfyUI 支援，提供咗建立自訂流程、批量生成同代理協助審片嘅基礎。對一般用家或者採購者嚟講，真正要衡量嘅係：本地控制同實驗自由，值唔值得付出硬件、儲存空間同設定成本；定係直接用託管服務生成 2K，會係更實際嘅取捨。
最準確嘅總結係：H3 減少咗生成階段嘅工具割裂，但冇有取代製作判斷；而佢嘅開放權重版本，亦只係完整託管 2K 系統嘅其中一部分。
Studio Global AI
繼續你的研究
此頁麵包含一個有來源支援的答案，您可以在 Studio Global 內繼續。
人們還問
「MiniMax H3 懶人包：開放權重 AI 影片模型點樣一次過生成畫面同聲音？」的簡短答案是什麼？
MiniMax H3 於 2026 年 8 月 3 日開放權重，將文字、圖片、影片同音訊整合到同一個生成流程，最多可生成約 15 秒、每秒 24 格、附原生立體聲音訊嘅影片。[1][2]
首先要驗證的關鍵點是什麼？
MiniMax H3 於 2026 年 8 月 3 日開放權重，將文字、圖片、影片同音訊整合到同一個生成流程，最多可生成約 15 秒、每秒 24 格、附原生立體聲音訊嘅影片。[1][2] FL2VA 適合文字生成影片，以及用首幀、尾幀或首尾兩幀控制畫面；Ref2VA 就可以同時參考圖片、影片同音訊，作更受控嘅生成。[1][2][8]
接下來在實務上我該做什麼？
官方按用量收費為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，即係 10 秒影片分別約 0.80 美元同 1.30 美元，未計可能適用嘅額外費用。[17]