MiniMax H3 en VM0. Video con audio estéreo nativo hasta 2K
Modelo general y multimodal de video de MiniMax. Genera clips de 4 a 15 segundos a partir de texto, imágenes, video y audio con sonido estéreo nativo.
Video / Text-to-video / Image-to-video / Audio
MiniMax H3 es un modelo general y multimodal de video abierto. Entiende texto, imágenes, video y audio en un contexto, luego genera clips de 4 a 15 segundos a 768p o 2K con sonido estéreo nativo. En VM0, el modelo acepta hasta 9 imágenes de referencia, 3 videos de referencia y 3 clips de audio de referencia, con un máximo de 12 archivos de referencia en una solicitud.
La posición más clara de H3 en la línea curada es video con audio de alta resolución y referencia guiada. Logra 2K mientras maneja referencias de movimiento, personajes, productos y soundtrack juntas. Dreamina Seedance 2.5 es el mejor ajuste para historias de 30 segundos y conjuntos de referencia más grandes; Veo 3.1 Fast y Kling V3 4K siguen siendo las opciones 4K.
¿Qué es MiniMax H3?
Agosto de 2026 · Modelo general y multimodal de video con generación conjunta de audio y video nativa.
MiniMax presentó H3 en julio de 2026 y lo abrió fuente en agosto. La liberación combina el entendimiento unificado de texto, imágenes, video y audio con sonido estéreo nativo 32 kHz, salida hasta 2K y clips hasta 15 segundos.
VM0 expone la ruta alojada de MiniMax a través del alias minimax-h3. Soporta generación de texto a video, primer cuadro, último cuadro y generación de primer cuadro a último cuadro, además de un modo de referencia separado para imágenes, video y audio. Los cuadros de borde y los medios de referencia no pueden combinarse en la misma solicitud.
Qué destaca de MiniMax H3
Características principales de arquitectura y capacidades.
Sistema general de generación multimodal de video con salida conjunta de video y audio estéreo. H3 unifica el contexto de texto, imagen, video y audio para la generación guiada por referencia. Su 2K ruta regenera desde el 768p resultado con el contexto original para preservar el detalle a una mayor resolución.
Especificaciones rápidas
Precios de MiniMax H3
Precio listado por unidad generada.
Cómo se comporta MiniMax H3 en la práctica
Comportamiento observado en ejecuciones de agentes en producción.
2K de salida
La opción de resolución más alta en la línea curada guiada por referencias. H3 puede tomar imágenes, videos y audio de referencia hasta 2K en lugar de detenerse en 720p o 1080p.
Audio estéreo nativo
Cada generación de H3 incluye sonido estéreo generado conjuntamente. La voz, los efectos y la música pueden desarrollarse junto con la secuencia visual en lugar de agregarlos en un paso separado.
Control omnireferencial
Un breve puede combinar personajes y productos de imágenes, movimiento de videos y voz o ritmo de audio. H3 es especialmente útil cuando la salida deseada depende de las relaciones entre esos tipos de referencia.
Visibilidad del costo de las referencias
Las segundos de salida e input de video se facturan a la misma tasa específica de resolución. Las primeras cinco imágenes de referencia están incluidas; cada imagen adicional cuesta $0.05 en VM0. El audio de referencia no se factura separadamente.
Mejores tareas para MiniMax H3
El producto 2K con sonido
Use imágenes de productos y marcas para control visual, agregue una referencia de movimiento y una banda sonora, y genere un clip de alta resolución con audio estéreo nativo en un solo paso.
El rendimiento guiado por voz y movimiento
Combine una imagen de personaje, una referencia de movimiento y un clip de voz. H3 puede usar las tres modalidades juntas para coordinar la apariencia, la acción y el sonido.
Revelación de primer a último cuadro
Establezca los cuadros de apertura y cierre y deje que H3 genere la transición entre ellos en 768p o 2K con audio nativo. Este modo es separado de la generación de referencias multimodales.
Cuándo evitar MiniMax H3
Salte MiniMax H3 cuando necesite un clip más largo de 15 segundos, una salida silenciosa, más de 12 archivos de referencia o cuadros de borde y medios de referencia en la misma solicitud. Use Dreamina Seedance 2.5 para narrativas de 30 segundos y conjuntos de referencia más grandes, Veo 3.1 Fast para salida cinemática corta de 4K o Kling V3 4K para video estilizado nativo de 4K.
MiniMax H3 vs otros modelos
MiniMax H3 vs Dreamina Seedance 2.5
MiniMax H3 lidera en resolución de salida con 2K video y sonido estéreo nativo siempre encendido. Seedance 2.5 lidera en duración y capacidad de referencia, con clips hasta 30 segundos y hasta 50 referencias multimodales.
MiniMax H3 vs Veo 3.1 Fast
H3 genera clips más largos hasta 15 segundos y acepta referencias de imagen, video y audio, mientras que Veo 3.1 Fast se detiene en 8 segundos pero alcanza 4K. Ambos generan audio nativo; elija H3 para el control de referencias y Veo para el acabado cinemático de 4K.
MiniMax H3 vs Kling V3 4K
H3 combina referencias multimodales, audio estéreo nativo y salida hasta 2K. Kling V3 4K alcanza una mayor resolución de entrega y un techo estilizado más fuerte, pero no ofrece el flujo de trabajo guiado por referencias de H3.
Conclusión: ¿deberías usar MiniMax H3?
Eliga MiniMax H3 para clips guiados por referencias que necesiten audio estéreo nativo y resolución hasta 2K. Eliga Seedance 2.5 para narrativas más largas y conjuntos de referencia más grandes, o una ruta 4K cuando la resolución de entrega final es la prioridad.
Preguntas frecuentes
¿Qué duración y resolución soporta MiniMax H3 en VM0?
Cada segundo entero de duración desde 4 hasta 15 segundos, en 768p o 2K. La ruta actual VM0 predetermina 2K.
¿MiniMax H3 siempre genera audio?
Sí. H3 siempre devuelve audio estéreo nativo con el video. No hay una opción de salida silenciosa para este modelo.
¿Cuántas referencias puede incluir una solicitud de H3?
Hasta 9 imágenes, 3 clips de video y 3 clips de audio, con un máximo total de 12 archivos de referencia. El audio de referencia debe acompañarse de al menos una imagen o video.
¿Pueden combinarse las primeras y últimas imágenes con otras referencias?
No. El modo de marco inicial y final de H3 y el modo de referencia multimodal son separados. Una solicitud puede usar marcos inicial y final o imágenes, videos y audio de referencia, pero no ambos grupos juntos.
¿Cómo está MiniMax H3 facturado en VM0?
El costo de la salida es de $0.10 por segundo en 768p o $0.163 por segundo en 2K. La duración del video de referencia se factura a la misma tasa. Las primeras cinco imágenes de referencia están incluidas, luego cada imagen adicional cuesta $0.05; el audio de referencia es gratuito.
¿MiniMax H3 es de código abierto?
MiniMax lanzó los checkpoints específicos de la tarea y el código de apoyo de H3 en agosto de 2026. VM0 utiliza la ruta de API alojada de MiniMax, por lo que puedes ejecutar el modelo sin tener que desplegar esos checkpoints tú mismo.
Alternativas
Usar MiniMax H3 en VM0
Usar MiniMax H3 en VM0
Los agentes de VM0 pueden invocar MiniMax H3 como parte de una ejecución de agente, facturado contra tus créditos VM0. El precio listado arriba es lo que cobra el proveedor upstream; VM0 lo traslada con la conversión estándar de créditos.
Disponible en VM0 desde August 2026.