MiniMax H3 (Hailuo H3): was das Videomodell von MiniMax kann — 2K, Stereoton und 12 Referenzen

Was ist MiniMax H3

MiniMax H3 ist ein Videomodell des chinesischen Unternehmens MiniMax, des Anbieters von Hailuo AI. Es erschien am 31. Juli 2026 und löste Hailuo 2.3 ab — deshalb heißt es oft Hailuo 3 oder Hailuo H3. Den Überblick über die ganze Familie und den Vergleich mit dem älteren 2.3 finden Sie auf der Seite Hailuo AI.

MiniMax nennt H3 ein „allgemeines multimodales Modell“. Früher brauchte man getrennte Modelle für Text-zu-Video, Video aus einem Bild, Bewegungsübertragung und Vertonung. In H3 ist das ein Modell: Es versteht Text, Bilder, Video und Audio und erzeugt Bild und Stereoton zusammen.

Am 3. August 2026 hat MiniMax die Gewichte von H3 veröffentlicht. Im Kern steckt ein dichter Transformer mit 33 Milliarden Parametern. Rund 13 Milliarden davon lassen sich vorausberechnen und müssen bei der Generierung nicht geladen werden.

In der Arena-Rangliste vom 21. September 2026 liegt H3 auf Platz 8 von 48 Videomodellen — vor Veo 3.1 und Sora 2 Pro.

Was MiniMax H3 kann

Ein Clip mit Ton bis 15 Sekunden. Die Länge liegt zwischen 4 und 15 Sekunden, in Schritten von einer Sekunde, bei 24 Bildern pro Sekunde. Sprache, Geräusche und Musik entstehen zusammen mit dem Bild, in Stereo.

2K durch erneutes Generieren. Die Basisauflösung ist 768p. Ein eigener Regeneration-Request nimmt den fertigen Clip und alle ursprünglichen Referenzen und generiert ihn in 2K neu. MiniMax betont, dass das kein Upscaler ist: Das Modell zeichnet kleinen Text, Produktdetails und den Bildaufbau neu.

Bis zu 12 Referenzen. Im Referenzmodus nimmt H3 entgegen:

• bis zu 9 Bilder;
• bis zu 3 Videos von 2–15 Sekunden, zusammen höchstens 15 Sekunden;
• bis zu 3 Audios mit denselben Längengrenzen.

Insgesamt nicht mehr als 12 Dateien. Ein Referenzvideo gibt Bewegung oder Kamera vor, Audio eine Stimme, ein Lied oder einen Rhythmus. Audio funktioniert nur zusammen mit einem Bild oder einem Video.

Erstes und letztes Frame. Sie können ein Bild als Start geben, eines als Ende oder beide — das Modell baut die Bewegung dazwischen. Ohne Bilder wird die Anfrage zur Generierung aus Text.

Sprache in 11 Sprachen. Eine Replik in Anführungszeichen spricht H3 und synchronisiert sie mit den Lippen der Figur. MiniMax nennt eine stabile Unterstützung von 11 Sprachen, darunter Russisch.

Text und Marken im Bild. MiniMax nennt das genaue Zeichnen von Text und Marken als eine der großen Stärken von H3 und zielt damit direkt auf Werbung, E-Commerce und animierte Poster.

Seitenverhältnisse: 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16; beim Video aus einem Bild folgt das Verhältnis der Vorlage.

Versionen von MiniMax H3 und Preise

	MiniMax H3	H3 + Regeneration	MiniMax H3 Max
Wer es gemacht hat	MiniMax	MiniMax	fal.ai auf Basis von H3
Auflösung	768p	2K	480p, 768p
Länge	4–15 s	wie die Vorlage	5–15 s
Modi	Text, Frames, Referenzen, Bearbeitung	Wiederholung eines fertigen Clips	Text, Bild, Referenzen
API-Preis pro Sekunde	0,08 $	+0,05 $ auf den 768p-Clip, oder 0,13 $ bei 2K direkt	0,08 $ in 768p, 0,05 $ in 480p
Kostenlose Referenzbilder	5	—	2

In der Preisliste von MiniMax gibt es auch leichtere Varianten: H3 Highspeed für 0,06 $ pro Sekunde in 768p, H3 Lite für 0,04 $ in 768p und 0,025 $ in 480p. Eingabe-Video wird nach seiner Länge zum selben Satz berechnet, Audio ist kostenlos.

Wofür sich MiniMax H3 eignet

• Werbung und E-Commerce — ein Produkt mit Schrift, ein Logo, ein animiertes Poster.
• Ein Clip mit einer Figur aus Fotos — 9 Bilder reichen, um Gesicht, Kleidung und Gegenstände zu halten.
• Bewegungsübertragung — das Referenzvideo gibt die Bewegung der Figur oder der Kamera vor.
• Clip zu einem Song — das Referenz-Audio gibt Gesang und Rhythmus vor.
• Eigener Server — die offenen Gewichte erlauben, H3 bei sich zu starten; wie das in ComfyUI geht, steht im Guide MiniMax H3 in ComfyUI.

MiniMax H3 und Alternativen

	MiniMax H3	Wan 3.0	Kling 3.0	Seedance 2.5
Entwickler	MiniMax	Alibaba	Kuaishou	ByteDance Seed
Länge	4–15 s	bis 30 s	bis 15 s	4–30 s
Maximale Auflösung	2K	1080p	4K	1080p
Referenzen	9 Fotos, 3 Videos, 3 Audios	10 Fotos, 5 Videos, 5 Audios, ein Dokument	bis zu 7 Bilder oder Elemente	bis zu 50 Dateien
Offene Gewichte	ja	nein	nein	nein
Platz in der Arena (21.09.2026)	8	6	—	7
In AI2Face	ja	ja	ja	ja

H3 ist das einzige Modell in den Top 10 der Arena mit offenen Gewichten und dem flexibelsten Satz an Eingaben: Fotos, Video und Audio in einer Generierung. Brauchen Sie einen Clip länger als 15 Sekunden, nehmen Sie Wan 3.0 oder Seedance 2.5; für 4K Kling 3.0.

Wie man Prompts für MiniMax H3 schreibt

1. Beschreiben Sie den Zusammenhang von Eingaben und Ergebnis in gewöhnlichen Worten. MiniMax rät genau dazu: „die Frau vom ersten Foto singt zum Audio, die Kamera bewegt sich wie im Video“.
2. Kameramarken ergänzen. H3 versteht Tags wie [pan], [zoom] und [static] — sie setzen die Bewegung ohne lange Beschreibungen.
3. Repliken in Anführungszeichen, und dazu, wer spricht.
4. Den Ton als eigenen Satz: „Ton: Regen auf Kopfsteinpflaster, ein Saxofon, eine ferne Straßenbahn“.
5. Am Text nicht sparen. Ein Prompt darf bis zu 7.000 Zeichen lang sein.

Ein Beispiel zur Referenztafel oben:

Die Frau aus den Bildern 1–3 im gelben Regenmantel fährt mit dem grünen Fahrrad aus Bild 5
über das nasse Kopfsteinpflaster aus Bild 7 und hält den roten Schirm aus Bild 4. Sie hält
vor dem Café aus Bild 8, zieht die Kapuze ab und lächelt in die Kamera: "Endlich zu Hause."
[pan] Die Kamera folgt ihr von der Seite, dann [static] in der Nahaufnahme.
Ton: Regen, Reifenrauschen, ein leises Akkordeon aus dem Café.

MiniMax H3 in AI2Face nutzen

MiniMax H3 ist im Generator von AI2Face neben Wan 3.0, Kling und Veo 3.1 verfügbar.

1. Registrieren Sie sich — neue Konten bekommen Startguthaben.
2. Öffnen Sie den Generator, wechseln Sie zu Video und wählen Sie MiniMax H3.
3. Laden Sie Frames oder Referenzen hoch, schreiben Sie den Prompt, wählen Sie Länge und Auflösung.
4. Die Kosten in Credits sehen Sie vor dem Start. Guthaben aus Paketen verfällt nicht. Sie zahlen per Karte oder Krypto.

Referenzen bereiten Sie bequem im selben Generator vor — ein Blatt mit den Blickwinkeln der Figur, wie auf dieser Seite, entsteht in Nano Banana Pro.

Grenzen

• 15 Sekunden pro Generierung. Länger geht nur durch Aneinanderfügen.
• 2K ist ein eigener Schritt. Zuerst 768p, dann die erneute Generierung.
• H3 Max ohne 2K und ohne Clips kürzer als 5 Sekunden.
• Audio-Referenz funktioniert nicht allein — nur zusammen mit einem Bild oder einem Video.
• Dateilimits: Video bis 50 MB, Bild bis 30 MB, Audio bis 15 MB; Bildseiten von 256 bis 5.760 px, Seitenverhältnis von 2:5 bis 5:2.
• Die offenen Gewichte sind schwer. Das Startbeispiel von MiniMax ist auf 4 Grafikkarten ausgelegt, die 2K-Stufe gibt es nur über die API.
• Feine Details. MiniMax schreibt selbst, dass sich die Detailzeichnung in manchen Szenen noch verbessern lässt.

Fazit

MiniMax H3 ist die beste Wahl, wenn ein Clip aus vielen Quellen entsteht: Fotos der Figur, ein Video mit Bewegung und Audio mit der Stimme in einer Generierung, dazu echtes 2K und Stereoton. Es ist das einzige Modell in den Top 10 der Arena mit offenen Gewichten — Sie können es bei sich starten. Für Clips länger als 15 Sekunden nehmen Sie Wan 3.0 oder Seedance 2.5, für ein Storyboard mit Figuren als Elementen Kling 3.0. Alle lassen sich in AI2Face am selben Prompt vergleichen.