Hailuo AI: das Videomodell von MiniMax — Hailuo 2.3 und MiniMax H3

Was ist Hailuo AI

Hailuo ist eine Familie von Videomodellen des chinesischen Unternehmens MiniMax samt der App Hailuo AI. Laut MiniMax haben seine Videomodelle Nutzern bis Ende 2025 geholfen, mehr als 600 Millionen Clips zu erstellen.

Die Familie hat zwei aktuelle Generationen. Hailuo 2.3 und das schnellere 2.3 Fast erschienen am 28. Oktober 2025 und verbesserten Körperbewegung, Mimik, Physik und Stilunterstützung – Anime, Illustration, Tuschezeichnung, Game-CG. MiniMax H3, auch Hailuo 3 genannt, erschien am 31. Juli 2026 als neue Generation: Ein einziges Modell versteht Text, Bilder, Video und Audio und erzeugt den Clip direkt mit Stereoton.

Am 3. August 2026 veröffentlichte MiniMax die Gewichte von H3 auf Hugging Face und ModelScope unter der Lizenz MiniMax H3 Community. Im Kern steckt ein Transformer mit 33 Milliarden Parametern, der Video und Ton gemeinsam vorhersagt. Hailuo 2.3 führt MiniMax inzwischen unter den Vorgängermodellen.

Was Hailuo kann

Clips mit Ton bis 2K. H3 erzeugt 4–15 Sekunden mit 24 fps. Die Basisauflösung ist 768p, eine eigene Stufe namens Regenerate-2K erzeugt den Clip unter Berücksichtigung des ursprünglichen Kontexts erneut in 2K. Der Ton ist Stereo mit 32 kHz und entsteht zusammen mit dem Bild.

Text im Bild. MiniMax hebt die präzise Darstellung von Text und Marken hervor. In unserem Test ist der Schriftzug FRESH BREAD im Schaufenster fehlerfrei, zu Beginn des Clips sind die Buchstaben aber gespiegelt – als würde man von außen auf eine Schrift schauen, die von innen gemalt wurde.

Sprache der Figuren. Du kannst einen Satz in Anführungszeichen in den Prompt schreiben – H3 spricht ihn und bewegt die Lippen der Figur. MiniMax verspricht stabile Unterstützung von 11 Sprachen: Arabisch, Chinesisch, Deutsch, Englisch, Französisch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch.

Referenzen. Im Modus Ref2VA nimmt H3 bis zu 9 Bilder, 3 Videos von 2–15 Sekunden und 3 Audiodateien, insgesamt 12 Dateien. Audio muss zusammen mit einem Bild oder Video kommen. Der Modus FL2VA erstellt den Clip zwischen einem ersten und einem letzten Frame.

Seitenverhältnisse: 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16.

Hailuo 2.3 und H3: die Unterschiede

	Hailuo 2.3	MiniMax H3
Erschienen	28. Oktober 2025	31. Juli 2026
Länge	6 oder 10 s	4–15 s
Auflösung	768p, 1080p (1080p in der API nur mit 6 s)	768p, bis 2K
Ton	nein	Stereo zusammen mit dem Video
Input	Text oder ein Bild	Text, bis zu 9 Fotos, 3 Videos, 3 Audiodateien
Offene Gewichte	nein	ja
Platz bei Arena (21.09.2026)	32 von 48	8 von 48
API-Preis	0,28 $ für 6 s in 768p	0,08 $ pro Sekunde in 768p

Wofür sich Hailuo eignet

• Werbung und E-Commerce. MiniMax nennt Werbung, Branding und E-Commerce ausdrücklich als Hauptanwendungen von H3: präziser Text und Marken im Bild.
• Clips mit einer Figur nach Fotos. 9 Referenzbilder reichen, um Gesicht, Kleidung und Produkt zu halten.
• Bewegungsübertragung. Ein Referenzvideo gibt die Bewegung der Figur vor – MiniMax hebt das als Stärke hervor.
• Mehrsprachige Clips mit Sprache. H3 beherrscht 11 Sprachen stabil.
• Stilisierte Videos. Hailuo 2.3 hält Anime, Illustration und Game-CG gut.

Hailuo und Alternativen

	MiniMax H3	Seedance 2.5	Veo 3.1	Kling 3.0
Entwickler	MiniMax	ByteDance	Google	Kuaishou
Länge	4–15 s	bis 30 s	4, 6 oder 8 s	bis 15 s
Auflösung	bis 2K	vom Entwickler nicht angegeben	bis 4K	720p, 1080p
Ton	Stereo	ja	ja	ja
Referenzen	bis 12 Dateien	bis 50	bis 3 Fotos	bis 7 Fotos
Offene Gewichte	ja	nein	nein	nein
Platz bei Arena	8	5 und 7	23 (Veo 3)	29 (2.6 Pro)

H3 ist eine starke Wahl, wenn du 2K, Stereoton und viele Referenzen brauchst. Wenn die Cliplänge zählt, sind Seedance 2.5 oder Wan 3.0 mit Clips bis 30 Sekunden praktischer. Spitzenreiter im Ranking ist Gemini Omni.

Wie man Prompts für Hailuo schreibt

• Beginn mit Handlung und Kamera: was passiert und wie sich die Kamera bewegt – „die Kamera steigt vom Asphalt zum Panorama“.
• Ton in eine eigene Zeile. „Sound: Motorgeräusch, Wind, Wellen“ – H3 erzeugt ihn zusammen mit dem Bild.
• Dialoge in Anführungszeichen. Gib an, wer spricht, und beschreib kurz den Ton.
• Text im Bild exakt und in Anführungszeichen, dazu „spelled exactly“. Wenn die Kamera durch Glas schaut, prüf, ob der Schriftzug gespiegelt ist.
• Referenzen Rollen zuweisen. Nenn im Prompt, was aus welcher Datei kommt: das Gesicht vom ersten Foto, die Jacke vom zweiten, die Bewegung aus dem Video.

So nutzt du Hailuo in AI2Face

Hailuo ist im AI2Face-Generator verfügbar, ein MiniMax-Konto brauchst du nicht. Du kannst einen Prompt auf Hailuo, Seedance, Veo 3.1 und Kling laufen lassen und die Ergebnisse vergleichen. Die Kosten jeder Generierung siehst du vor dem Start, bezahlt wird per Karte oder Krypto, und Credits aus Paketen verfallen nicht. Neue Konten bekommen nach der Registrierung Startguthaben.

Einschränkungen

• 15 Sekunden pro Generierung. Für längere Geschichten musst du Clips zusammenschneiden oder Modelle mit 30 Sekunden nehmen.
• 2K ist eine eigene Stufe. Die Basisauflösung von H3 ist 768p, 2K entsteht durch erneute Generierung und kostet mehr.
• Text durch Glas und Spiegelungen gibt das Modell manchmal gespiegelt wieder, wie in unserem Test.
• Eine Audio-Referenz funktioniert nicht allein – nur zusammen mit einem Bild oder Video.
• Die offenen Gewichte brauchen starke Hardware: 33 Milliarden Parameter laufen nicht auf einem normalen Laptop.

Fazit

Hailuo gehört zu den stärksten Videomodellen 2026: MiniMax H3 liegt bei Arena auf Platz 8, erstellt Clips bis 15 Sekunden in 2K mit Stereoton, verarbeitet bis zu 12 Referenzen und spricht 11 Sprachen. Hailuo 2.3 bleibt die günstige Option für kurze stilisierte Clips. Nimm H3 für Werbung und Clips mit einer Figur und Text im Bild; für längere Geschichten Seedance 2.5 oder Wan 3.0, für 4K Veo 3.1. Am einfachsten vergleichst du sie mit demselben Prompt in AI2Face.