MiniMax H3 (Hailuo H3): o que o modelo de vídeo da MiniMax faz — 2K, estéreo e 12 referências

O que é o MiniMax H3

O MiniMax H3 é um modelo de vídeo da empresa chinesa MiniMax, criadora do serviço Hailuo AI. Saiu em 31 de julho de 2026 e substituiu o Hailuo 2.3 — por isso muita gente o chama de Hailuo 3 ou Hailuo H3. O panorama da família inteira e a comparação com o 2.3 antigo estão na página Hailuo AI.

A MiniMax chama o H3 de “modelo multimodal de uso geral”. Antes, texto para vídeo, vídeo a partir de imagem, transferência de movimento e narração pediam modelos diferentes. No H3 é um só: ele entende texto, imagens, vídeo e áudio, e gera a imagem e o som estéreo juntos.

Em 3 de agosto de 2026, a MiniMax abriu os pesos do H3. No núcleo há um transformer denso de 33 bilhões de parâmetros. Cerca de 13 bilhões deles podem ser pré-calculados e não precisam ser carregados na geração.

No ranking da Arena em 21 de setembro de 2026, o H3 está em 8.º entre 48 modelos de vídeo — à frente de Veo 3.1 e do Sora 2 Pro.

O que o MiniMax H3 faz

Um clipe com som de até 15 segundos. A duração vai de 4 a 15 segundos, de segundo em segundo, a 24 quadros por segundo. Fala, ruídos e música são gerados junto com a imagem, em estéreo.

2K por nova geração. A resolução base é 768p. Um pedido separado, Regeneration, pega o clipe pronto e todas as referências originais e o gera de novo em 2K. A MiniMax deixa claro que isso não é um upscaler: o modelo redesenha o texto pequeno, os detalhes do produto e a estrutura do quadro.

Até 12 referências. No modo por referências, o H3 aceita:

• até 9 imagens;
• até 3 vídeos de 2–15 segundos, no máximo 15 segundos no total;
• até 3 áudios com os mesmos limites de duração.

No total, no máximo 12 arquivos. O vídeo de referência define o movimento ou a câmera; o áudio, uma voz, uma música ou um ritmo. O áudio só funciona junto com uma imagem ou um vídeo.

Primeiro e último quadro. Dá para passar uma imagem como início, outra como fim, ou as duas — o modelo constrói o movimento entre elas. Sem imagens, o pedido vira geração por texto.

Fala em 11 idiomas. O H3 dubla uma fala entre aspas e sincroniza com os lábios do personagem. A MiniMax afirma suporte estável a 11 idiomas, inclusive o russo.

Texto e marcas no quadro. A MiniMax cita o desenho preciso de texto e marcas como um dos pontos fortes do H3 e mira direto em publicidade, e-commerce e pôsteres animados.

Proporções: 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16; no vídeo a partir de imagem, a proporção segue o original.

Versões do MiniMax H3 e preços

	MiniMax H3	H3 + Regeneration	MiniMax H3 Max
Quem fez	MiniMax	MiniMax	fal.ai, com base no H3
Resolução	768p	2K	480p, 768p
Duração	4–15 s	igual à origem	5–15 s
Modos	texto, quadros, referências, edição	nova geração de um clipe pronto	texto, imagem, referências
Preço da API por segundo	US$ 0,08	+US$ 0,05 sobre o clipe em 768p, ou US$ 0,13 em 2K direto	US$ 0,08 em 768p, US$ 0,05 em 480p
Imagens de referência grátis	5	—	2

A tabela da MiniMax também tem versões mais leves: H3 Highspeed a US$ 0,06 por segundo em 768p, e H3 Lite a US$ 0,04 em 768p e US$ 0,025 em 480p. O vídeo de entrada é cobrado pela duração, na mesma taxa; o áudio de entrada é grátis.

Para que o MiniMax H3 serve

• Publicidade e e-commerce — um produto com texto, um logotipo, um pôster animado.
• Um clipe com personagem a partir de fotos — 9 imagens bastam para manter o rosto, a roupa e os objetos.
• Transferência de movimento — o vídeo de referência define o movimento do personagem ou da câmera.
• Clipe de uma música — o áudio de referência define o vocal e o ritmo.
• Servidor próprio — os pesos abertos permitem rodar o H3 na sua máquina; o guia MiniMax H3 no ComfyUI mostra como.

MiniMax H3 e alternativas

	MiniMax H3	Wan 3.0	Kling 3.0	Seedance 2.5
Desenvolvedor	MiniMax	Alibaba	Kuaishou	ByteDance Seed
Duração	4–15 s	até 30 s	até 15 s	4–30 s
Resolução máxima	2K	1080p	4K	1080p
Referências	9 fotos, 3 vídeos, 3 áudios	10 fotos, 5 vídeos, 5 áudios, um documento	até 7 imagens ou elementos	até 50 arquivos
Pesos abertos	sim	não	não	não
Lugar no Arena (21/09/2026)	8	6	—	7
No AI2Face	sim	sim	sim	sim

O H3 é o único modelo do top 10 do Arena com pesos abertos, e o conjunto de entradas mais flexível: fotos, vídeo e áudio numa mesma geração. Se o clipe precisa passar de 15 segundos, use Wan 3.0 ou Seedance 2.5; para 4K, Kling 3.0.

Como escrever prompts para o MiniMax H3

1. Descreva em palavras simples a ligação entre as entradas e o resultado. A MiniMax recomenda exatamente isso: “a protagonista da primeira foto canta junto com o áudio, e a câmera se move como no vídeo”.
2. Acrescente marcas de câmera. O H3 entende tags como [pan], [zoom] e [static] — elas definem o movimento sem descrições longas.
3. As falas, entre aspas, dizendo quem fala.
4. O som numa frase à parte: “Som: chuva no calçamento, um saxofone, um bonde distante”.
5. Não economize texto. Um prompt pode ter até 7.000 caracteres.

Um exemplo para o painel de referências acima:

A protagonista das imagens 1–3, de capa de chuva amarela, pedala a bicicleta verde da imagem 5
pelo calçamento molhado da imagem 7, segurando o guarda-chuva vermelho da imagem 4. Para
no café da imagem 8, tira o capuz e sorri para a câmera: "Finalmente em casa."
[pan] a câmera a acompanha de lado, depois [static] no close.
Som: chuva, o chiado dos pneus, um acordeão baixo vindo do café.

Como usar o MiniMax H3 no AI2Face

O MiniMax H3 está no gerador do AI2Face, ao lado de Wan 3.0, Kling e Veo 3.1.

1. Cadastre-se — contas novas recebem créditos de boas-vindas.
2. Abra o gerador, vá para vídeo e escolha MiniMax H3.
3. Envie quadros ou referências, escreva o prompt e escolha a duração e a resolução.
4. O custo em créditos aparece antes de começar. Os créditos dos pacotes não expiram. Dá para pagar com cartão ou cripto.

As referências ficam fáceis de preparar no mesmo gerador — uma folha com os ângulos do personagem, como a desta página, é feita no Nano Banana Pro.

Limites

• 15 segundos por geração. Mais longo, só emendando.
• 2K é um passo separado. Primeiro 768p, depois a nova geração.
• H3 Max sem 2K e sem clipes com menos de 5 segundos.
• A referência de áudio não funciona sozinha — só junto com uma imagem ou um vídeo.
• Limites de arquivo: vídeo até 50 MB, imagem até 30 MB, áudio até 15 MB; lados da imagem de 256 a 5.760 px, proporção de 2:5 a 5:2.
• Os pesos abertos são pesados. O exemplo de execução da MiniMax foi pensado para 4 placas de vídeo, e a etapa 2K só existe pela API.
• Detalhe fino. A própria MiniMax escreve que, em algumas cenas, o detalhe ainda pode melhorar.

Conclusão

O MiniMax H3 é a melhor escolha quando o clipe se monta a partir de várias fontes: fotos do personagem, um vídeo com o movimento e um áudio com a voz numa só geração, mais um 2K de verdade e som estéreo. É o único modelo do top 10 do Arena com pesos abertos — dá para rodar na sua máquina. Para clipes com mais de 15 segundos, use Wan 3.0 ou Seedance 2.5; para um storyboard com personagens como elementos, Kling 3.0. Todos se comparam no mesmo prompt no AI2Face.