MiniMax H3 (Hailuo H3): qué sabe hacer el modelo de vídeo de MiniMax — 2K, estéreo y 12 referencias

Qué es MiniMax H3

MiniMax H3 es un modelo de vídeo de la empresa china MiniMax, creadora del servicio Hailuo AI. Salió el 31 de julio de 2026 y sustituyó a Hailuo 2.3, por eso a menudo se le llama Hailuo 3 o Hailuo H3. El panorama de toda la familia y la comparación con la 2.3 anterior están en la página de Hailuo AI.

MiniMax llama a H3 «modelo multimodal de propósito general». Antes hacían falta modelos distintos para el texto a vídeo, el vídeo a partir de una imagen, la transferencia de movimiento y la voz. En H3 es uno solo: entiende texto, imágenes, vídeo y audio, y genera la imagen y el sonido estéreo a la vez.

El 3 de agosto de 2026 MiniMax publicó los pesos de H3. El núcleo es un transformer denso de 33 000 millones de parámetros. Unos 13 000 millones se pueden precalcular y no hace falta cargarlos al generar.

En la clasificación de Arena del 21 de septiembre de 2026, H3 ocupa el puesto 8 de 48 modelos de vídeo, por delante de Veo 3.1 y de Sora 2 Pro.

Qué sabe hacer MiniMax H3

Un clip con sonido de hasta 15 segundos. La duración va de 4 a 15 segundos, de segundo en segundo, a 24 fotogramas por segundo. La voz, los ruidos y la música se generan junto con la imagen, en estéreo.

2K por regeneración. La resolución base es 768p. Una petición aparte, Regeneration, toma el clip terminado y todas las referencias originales y lo vuelve a generar en 2K. MiniMax insiste en que no es un upscaler: el modelo redibuja el texto pequeño, los detalles del producto y la estructura del plano.

Hasta 12 referencias. En el modo por referencias, H3 acepta:

• hasta 9 imágenes;
• hasta 3 vídeos de 2 a 15 segundos, 15 segundos como máximo en total;
• hasta 3 audios con los mismos límites de duración.

En total, no más de 12 archivos. El vídeo de referencia marca el movimiento o la cámara; el audio, una voz, una canción o un ritmo. El audio solo funciona junto con una imagen o un vídeo.

Primer y último fotograma. Puede dar una imagen como inicio, otra como final, o las dos: el modelo construye el movimiento entre ellas. Sin imágenes, la petición pasa a ser generación por texto.

Voz en 11 idiomas. H3 pone voz a una réplica entre comillas y la sincroniza con los labios del personaje. MiniMax afirma un soporte estable de 11 idiomas, entre ellos el ruso.

Texto y marcas en el plano. MiniMax señala el dibujo preciso del texto y de las marcas como uno de los puntos fuertes de H3, y apunta directamente a la publicidad, el comercio electrónico y los pósters animados.

Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16; en el vídeo a partir de una imagen, la relación sigue al original.

Versiones de MiniMax H3 y precios

	MiniMax H3	H3 + Regeneration	MiniMax H3 Max
Quién lo hizo	MiniMax	MiniMax	fal.ai, a partir de H3
Resolución	768p	2K	480p, 768p
Duración	4–15 s	como el original	5–15 s
Modos	texto, fotogramas, referencias, edición	repetición de un clip listo	texto, imagen, referencias
Precio de la API por segundo	0,08 $	+0,05 $ sobre el clip en 768p, o 0,13 $ si el 2K sale directo	0,08 $ en 768p, 0,05 $ en 480p
Imágenes de referencia gratis	5	—	2

En la tarifa de MiniMax también hay variantes más ligeras: H3 Highspeed a 0,06 $ por segundo en 768p, y H3 Lite a 0,04 $ en 768p y 0,025 $ en 480p. El vídeo de entrada se cobra por su duración, a la misma tarifa; el audio de entrada es gratis.

Para qué sirve MiniMax H3

• Publicidad y comercio electrónico — un producto con texto, un logotipo, un póster animado.
• Un clip con un personaje a partir de fotos — 9 imágenes bastan para mantener la cara, la ropa y los objetos.
• Transferencia de movimiento — el vídeo de referencia marca la gestualidad del personaje o el movimiento de cámara.
• Videoclip de una canción — el audio de referencia marca la voz y el ritmo.
• Un servidor propio — los pesos abiertos permiten ejecutar H3 en local; cómo hacerlo en ComfyUI está en la guía MiniMax H3 en ComfyUI.

MiniMax H3 y las alternativas

	MiniMax H3	Wan 3.0	Kling 3.0	Seedance 2.5
Desarrollador	MiniMax	Alibaba	Kuaishou	ByteDance Seed
Duración	4–15 s	hasta 30 s	hasta 15 s	4–30 s
Resolución máxima	2K	1080p	4K	1080p
Referencias	9 fotos, 3 vídeos, 3 audios	10 fotos, 5 vídeos, 5 audios, un documento	hasta 7 imágenes o elementos	hasta 50 archivos
Pesos abiertos	sí	no	no	no
Puesto en Arena (21.09.2026)	8	6	—	7
En AI2Face	sí	sí	sí	sí

H3 es el único modelo del top 10 de Arena con pesos abiertos, y el conjunto de entradas más flexible: fotos, vídeo y audio en una misma generación. Si necesita un clip de más de 15 segundos, use Wan 3.0 o Seedance 2.5; para 4K, Kling 3.0.

Cómo escribir prompts para MiniMax H3

1. Describa con palabras llanas cómo se relacionan las entradas y el resultado. MiniMax lo recomienda así: «la protagonista de la primera foto canta siguiendo el audio, y la cámara se mueve como en el vídeo».
2. Añada etiquetas de cámara. H3 entiende etiquetas como [pan], [zoom] y [static]: marcan el movimiento sin descripciones largas.
3. Las réplicas, entre comillas, indicando quién habla.
4. El sonido, en una frase aparte: «Sonido: lluvia sobre los adoquines, un saxofón, un tranvía lejano».
5. No escatime texto. Un prompt puede llegar a 7.000 caracteres.

Un ejemplo para el tablero de referencias de arriba:

La protagonista de las imágenes 1–3, con un chubasquero amarillo, va en la bicicleta verde de la imagen 5
por el adoquinado mojado de la imagen 7, con el paraguas rojo de la imagen 4. Se detiene
en el café de la imagen 8, se quita la capucha y sonríe a la cámara: "Por fin en casa."
[pan] la cámara la sigue de lado, luego [static] en un primer plano.
Sonido: lluvia, el roce de los neumáticos, un acordeón suave desde el café.

Cómo usar MiniMax H3 en AI2Face

MiniMax H3 está en el generador de AI2Face, junto a Wan 3.0, Kling y Veo 3.1.

1. Regístrese: las cuentas nuevas reciben créditos de bienvenida.
2. Abra el generador, pase a vídeo y elija MiniMax H3.
3. Suba fotogramas o referencias, escriba el prompt y elija la duración y la resolución.
4. El coste en créditos se ve antes de empezar. Los créditos de los paquetes no caducan. Puede pagar con tarjeta o con criptomonedas.

Las referencias se preparan en el mismo generador: una hoja con los ángulos del personaje, como la de esta página, se hace en Nano Banana Pro.

Límites

• 15 segundos por generación. Si hace falta más, hay que empalmar clips.
• El 2K es un paso aparte. Primero 768p y después la regeneración.
• H3 Max no tiene 2K ni clips de menos de 5 segundos.
• El audio de referencia no funciona solo, solo junto con una imagen o un vídeo.
• Límites de archivo: vídeo hasta 50 MB, imagen hasta 30 MB, audio hasta 15 MB; los lados de la imagen, de 256 a 5.760 px; la relación, de 2:5 a 5:2.
• Los pesos abiertos son pesados. El ejemplo de arranque de MiniMax está pensado para 4 tarjetas gráficas, y la etapa 2K solo está disponible por API.
• El detalle fino. La propia MiniMax escribe que, en algunas escenas, el detalle todavía se puede mejorar.

Conclusión

MiniMax H3 es la mejor opción cuando el clip se monta a partir de muchas fuentes: fotos del personaje, un vídeo con el movimiento y un audio con la voz en una sola generación, más un 2K de verdad y sonido estéreo. Es el único modelo del top 10 de Arena con pesos abiertos, así que se puede ejecutar en local. Para clips de más de 15 segundos, use Wan 3.0 o Seedance 2.5; para un storyboard con personajes como elementos, Kling 3.0. Todos se comparan con el mismo prompt en AI2Face.