答案已發布28 個來源
MiniMax H3 全解析：開放權重影片生成如何整合原本分散的製作流程
MiniMax H3 於 2026 年 8 月 3 日開放權重，能在單一生成流程中處理文字、圖片、影片與音訊，生成最長約 15 秒、附原生立體聲音訊的影片。[1][2] FL2VA 適合文字轉影片及首幀、尾幀條件控制；Ref2VA 則可使用圖片、影片和音訊參照，進行更全面的多模態生成。[1][2][8] 官方隨用隨付價格為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，因此 10 秒影片分別約為 0.80 美元和 1.30 美元，另可能產生重生成或輸入素材費用。[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
重點整理
- MiniMax H3 於 2026 年 8 月 3 日開放權重，能在單一生成流程中處理文字、圖片、影片與音訊，生成最長約 15 秒、附原生立體聲音訊的影片。[1][2]
- FL2VA 適合文字轉影片及首幀、尾幀條件控制；Ref2VA 則可使用圖片、影片和音訊參照，進行更全面的多模態生成。[1][2][8]
- 官方隨用隨付價格為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，因此 10 秒影片分別約為 0.80 美元和 1.30 美元，另可能產生重生成或輸入素材費用。[17]
AI 提示詞
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 是一款於 2026 年 8 月 3 日發布的開放權重全模態影片生成模型。它的核心概念，是把文字、圖片、影片與音訊放進同一個上下文中理解，再一次生成影片與原生立體聲音訊，而不是要創作者分別使用多個工具，再自行拼接畫面、旁白、音樂與音效。1
2
這不代表 H3 能取代剪輯、導演或人工審核。不過，它確實把工作流程的重心，從「逐一蒐集原始素材、同步不同軌道」，推向「描述創意意圖、提供參照、批量產生變體，再挑選最佳結果」。
MiniMax H3 能做什麼？
H3 支援以文字提示、關鍵影格及多模態參照素材生成影片。ComfyUI 文件顯示，輸出最高可達 2K、每秒 24 格、片段長度約 15 秒；旁白、音樂與音效則會在同一次生成中，以原生立體聲音訊輸出。2
音訊整合是 H3 的重要特色。傳統 AI 影片流程往往要先生成畫面，再另外製作對白、配樂和環境音，最後才進行同步。H3 將視聽結果共同建模，能減少這種流程上的切割；但若是專業製作，創作者仍可能需要透過一般剪輯工具進行修整、混音與品質檢查。
FL2VA 與 Ref2VA：兩種開放權重路徑
目前公開的 H3-Base 主要包含兩個變體，適用情境並不相同。
FL2VA：提示詞與影格條件控制
FL2VA 主要用於文字轉影片，以及首幀、尾幀或首尾幀條件控制。當創作者想從文字描述開始、指定畫面起點或終點，或引導兩張影像之間的轉場時，FL2VA 是較直接的選擇。1
5
8
Ref2VA：多模態參照生成
Ref2VA 是以參照素材為核心的路徑。它可以將圖片、影片與音訊組合成上下文，讓同一次生成同時參考角色外觀、動作、風格、鏡頭運動或聲音等元素。1
2
8
簡單來說，FL2VA 偏向「提示詞與關鍵影格驅動」，Ref2VA 則適合「需要多種既有媒體共同影響結果」的工作。
H3 如何減少 AI 影片流程的碎片化？
在全模態模型出現之前，一段短片可能需要分開處理以下工作：
- 撰寫或擴充劇本；
- 生成或尋找角色圖片；
- 製作動態畫面或背景素材；
- 合成對白與旁白；
- 加入音樂和音效；以及
- 在後期製作中同步音訊與影片。
H3 將其中數個步驟壓縮到同一次模型互動。創作者可以提供提示詞、起始或結束影格、動作參照與音訊參照，接著要求模型產生一個整合視聽效果的候選片段，而不必先把每種素材當成完全獨立的工作處理。2
8
這並不表示輸出就等於完成品。真正的改變，是創作時間可能從「取得每一項原始資產」，轉移到設定限制、比較不同版本、調整提示詞，以及剪輯和挑選結果。這是 H3 多模態設計帶來的工作流程影響，並不是每段影片都能保證角色一致、時間點精準或聲音達到播出等級。
開放權重，不等於完整 2K 系統可在本地運行
這是評估 H3 時最需要先釐清的地方。
可下載的版本是 H3-Base，包括 FL2VA 與 Ref2VA。多份本地安裝指南及模型文件指出，Base checkpoint 的本地生成解析度為 768p；H3-Regenerate-2K 階段並未開放原始碼，目前需透過 MiniMax 的 hosted 服務使用。6
9
12
換句話說，「H3 支援 2K」與「開放權重能在本地完整生成 2K 影片」是兩個不同的說法。前者描述的是較廣義的 hosted 產品能力，後者則誇大了目前公開的內容。
MiniMax H3 能在消費級硬體上運行嗎？
可以，但本地運行更像是一項需要調校的工程專案，而不是下載後即可使用的桌面軟體。
根據社群報告，透過量化權重、使用系統記憶體，以及將部分層卸載到 CPU 或 RAM，部分 H3 工作流程可在約 12 GB VRAM 的顯示卡上運作。最小可行組合的檔案量約為 42.5 GB，因此硬碟空間與系統記憶體，和顯示卡 VRAM 同樣重要。7
10
43
需要注意的是，RTX 5070 Ti 擁有的是 16 GB VRAM，不是 12 GB。社群已有實驗性 H3 量化版本在這張顯示卡上測試，但實際能否成功，以及所需時間，會受到模型配置、輸出解析度、採樣步數、卸載策略與工作流程影響。33
34
39
因此，本地生成時間只能視為特定配置下的個案，不能當作普遍適用的 H3 基準。一項社群測試在 RTX 5070 Ti 系統上，生成 5 秒、480p 影片約需 160 秒，720p 約需 560 秒；但其他報告結果不同，也有資料明確指出尚未取得這張顯示卡的可驗證計時。45
34
38
若速度比本地控制更重要，使用 hosted API 可以免去下載模型及建置大型卸載工作流程的負擔。ComfyUI 也支援 hosted H3 API 工作流程，因此選擇不只是在「完全本地運行」與「改用另一套創作軟體」之間二選一。48
ComfyUI 與代理式影片製作
開放權重發布後，ComfyUI 隨即加入原生 H3 支援，並提供文字轉影片、圖片或影格條件控制，以及參照轉影片等工作流程。1
2
這種節點式介面，也讓 H3 更容易接上程式和創意自動化工具。理論上，程式編碼代理可以使用不同提示詞、種子或參照素材，一次提交大量短片生成任務，整理輸出檔案、製作縮圖聯絡表，再協助人類檢視候選結果。開放權重提高了這類本地化、可腳本化編排的可行性。
但兩者仍需區分：平行生成和評估，是周邊自動化系統具備的能力，不是 H3 本身會獨立判斷「哪一段影片最好」。角色連貫性、構圖、對白品質與內容是否合適，仍需要人工審核。
MiniMax H3 價格：目前有官方依據的數字
MiniMax 官方隨用隨付文件列出的 H3 價格為：768p 每個輸出秒數 0.08 美元，2K 每個輸出秒數 0.13 美元。同一份文件也列出 768p 升級至 2K 的重生成價格為每秒 0.05 美元。17
以 10 秒影片計算：
- 768p：約 0.80 美元；
- 2K：約 1.30 美元；以及
- 若涉及重生成或需計費的參照輸入，可能產生額外費用。
網路上常見的「標準 10 秒 2K 影片約 0.60 美元起」說法，並沒有得到本文所提供官方價目表的支持。這個數字可能來自限時優惠、訂閱方案的點數換算，或其他服務，但在缺乏更強證據前，不應將它寫成 MiniMax 的標準 API 價格。
此外，MiniMax Design 與可下載的 H3 權重是不同產品。第三方報導將 Design 描述為建立在 H3 之上或周邊的封閉式創作工具，擁有自己的點數和方案；它不能直接等同於在本地運行 H3-Base。18
H3 對創作者意味著什麼？
MiniMax H3 的意義，不在於消除影片製作的每一個步驟，而在於整合過去分散在不同工具裡的輸入：文字可以描述場景，圖片可以建立外觀，影片可以引導動作，音訊則可以影響聲音或氛圍，模型再輸出一個同步的視聽候選結果。2
對創作者而言，這可能讓短影音構想更容易反覆試作，也更適合以參照素材驅動。對開發者而言，開放權重與 ComfyUI 支援提供了自訂管線、批量生成和代理輔助審核的基礎。對採購者來說，實際問題則是：本地控制與實驗自由，是否值得投入大量硬體和設定成本；還是直接使用 hosted 2K 生成，會是更合適的取捨。
最準確的總結是：H3 減少了生成階段的流程分裂，但沒有消除製作判斷；而它的開放權重版本，也只是完整 hosted 2K 系統的一部分。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「MiniMax H3 全解析：開放權重影片生成如何整合原本分散的製作流程」的簡短答案是什麼？
MiniMax H3 於 2026 年 8 月 3 日開放權重，能在單一生成流程中處理文字、圖片、影片與音訊，生成最長約 15 秒、附原生立體聲音訊的影片。[1][2]
最值得優先驗證的重點是什麼？
MiniMax H3 於 2026 年 8 月 3 日開放權重，能在單一生成流程中處理文字、圖片、影片與音訊，生成最長約 15 秒、附原生立體聲音訊的影片。[1][2] FL2VA 適合文字轉影片及首幀、尾幀條件控制；Ref2VA 則可使用圖片、影片和音訊參照，進行更全面的多模態生成。[1][2][8]
接下來在實務上該怎麼做？
官方隨用隨付價格為 768p 每秒 0.08 美元、2K 每秒 0.13 美元，因此 10 秒影片分別約為 0.80 美元和 1.30 美元，另可能產生重生成或輸入素材費用。[17]