MiniMax H3 (Hailuo H3)：MiniMax 视频模型能做什么 — 2K、立体声与 12 个参考

MiniMax H3 是什么

MiniMax H3 是中国公司 MiniMax 的视频模型，Hailuo AI 服务出自同一家公司。它于 2026 年 7 月 31 日发布，接替了 Hailuo 2.3，所以常被叫做海螺 3 或 Hailuo H3。整个系列的概览，以及和旧版 2.3 的对比，见 海螺AI 页面。

MiniMax 把 H3 称为“通用多模态模型”。以前，文生视频、图生视频、动作迁移和配音要靠不同的模型。在 H3 里这是同一个模型：它理解文字、图像、视频和音频，并把画面和立体声一起生成出来。

2026 年 8 月 3 日，MiniMax 开放了 H3 的权重。核心是 330 亿参数的稠密 Transformer。其中约 130 亿可以预先算好，生成时不必载入。

在 2026 年 9 月 21 日的 Arena 榜上，H3 在 48 个视频模型里名列第 8，位于 Veo 3.1 和 Sora 2 Pro 之前。

MiniMax H3 能做什么

最长 15 秒、带声音的视频。 时长 4 到 15 秒，按 1 秒递增，每秒 24 帧。对白、噪声和音乐与画面一起生成，立体声。

2K 靠重新生成。 基础分辨率是 768p。单独的 Regeneration 请求会拿成品视频和全部原始参考，重新生成一条 2K。MiniMax 强调这不是放大：模型会重新绘制小字、商品细节和画面结构。

最多 12 个参考。 在参考模式下，H3 接受：

• 最多 9 张图像；
• 最多 3 段视频，每段 2–15 秒，合计不超过 15 秒；
• 最多 3 段音频，时长限制相同。

文件总数不超过 12 个。参考视频决定动作或运镜，音频决定人声、歌曲或节奏。音频必须和图片或视频一起用。

首帧和尾帧。 可以给一张图当开头、一张当结尾，或两张都给——模型会补上中间的运动。不给图，请求就变成文生视频。

11 种语言的对白。 引号里的台词，H3 会配音并与角色口型对齐。MiniMax 称稳定支持 11 种语言，其中包括俄语。

画面里的文字和品牌。 MiniMax 把文字和品牌的准确绘制列为 H3 的主要强项之一，并直接对准广告、电商和动态海报。

画幅： 21:9、16:9、4:3、1:1、3:4 和 9:16；图生视频时按原图比例。

MiniMax H3 的版本和价格

	MiniMax H3	H3 + Regeneration	MiniMax H3 Max
谁做的	MiniMax	MiniMax	fal.ai，基于 H3
分辨率	768p	2K	480p、768p
时长	4–15 秒	与原片相同	5–15 秒
模式	文字、画面、参考、修改	重做已完成的视频	文字、图片、参考
API 每秒价格	0.08 美元	在 768p 成片上加 0.05 美元，或直接 2K 为 0.13 美元	768p 为 0.08 美元，480p 为 0.05 美元
免费参考图	5	—	2

MiniMax 价目里还有更轻的版本：H3 Highspeed 在 768p 每秒 0.06 美元，H3 Lite 在 768p 每秒 0.04 美元、480p 每秒 0.025 美元。输入视频按其时长、同一费率计费，输入音频免费。

MiniMax H3 适合什么

• 广告和电商 — 带文字的商品、标志、动态海报。
• 用照片做角色视频 — 9 张图足够稳住脸、衣服和物件。
• 动作迁移 — 参考视频决定角色的动作或镜头运动。
• 配歌短片 — 参考音频决定人声和节奏。
• 自己的服务器 — 开放权重可以在本地跑 H3；在 ComfyUI 里怎么做，见指南 MiniMax H3在ComfyUI。

MiniMax H3 和同类模型

	MiniMax H3	Wan 3.0	Kling 3.0	Seedance 2.5
开发方	MiniMax	Alibaba	Kuaishou	ByteDance Seed
时长	4–15 秒	最长 30 秒	最长 15 秒	4–30 秒
最高分辨率	2K	1080p	4K	1080p
参考	9 张图、3 段视频、3 段音频	10 张图、5 段视频、5 段音频、一份文档	最多 7 张图或元素	最多 50 个文件
开放权重	有	无	无	无
Arena 名次（2026-09-21）	8	6	—	7
是否在 AI2Face	有	有	有	有

H3 是 Arena 前十里唯一开放权重的模型，输入组合也最灵活：一次生成里可以同时有图片、视频和音频。要超过 15 秒，用 Wan 3.0 或 Seedance 2.5；要 4K，用 Kling 3.0。

怎样给 MiniMax H3 写提示词

1. 用平常的话写清输入和结果怎么对应。 MiniMax 直接建议这样做：“第一张照片里的女主角跟着音频唱，镜头像参考视频那样动。”
2. 加上镜头标记。 H3 能读 [pan]、[zoom] 和 [static] 这类标签，用它们规定运动，不必写很长的描述。
3. 对白放在引号里，并写明谁在说。
4. 声音单独一句： “声音：石板路上的雨、萨克斯、远处的电车。”
5. 别省字。 提示词最长可以到 7000 个字符。

上面那块参考板的例子：

图片 1–3 里的女主角穿着黄色雨衣，骑着图片 5 的绿色自行车，
沿着图片 7 的湿石板路骑行，手里拿着图片 4 的红伞。她在图片 8 的咖啡馆停下，
摘下兜帽，对着镜头微笑：“终于到家了。”
[pan] 镜头从侧面跟着她，然后 [static] 切到特写。
声音：雨、轮胎摩擦、咖啡馆里轻柔的手风琴。

在 AI2Face 里使用 MiniMax H3

MiniMax H3 在 AI2Face 生成器里，和 Wan 3.0、Kling、Veo 3.1 放在一起。

1. 注册账号，新账户会得到欢迎积分。
2. 打开生成器，切到视频，选择 MiniMax H3。
3. 上传画面或参考，写好提示词，选时长和分辨率。
4. 积分费用在开始前显示。套餐积分不会过期。可以用银行卡或加密货币支付。

参考可以在同一个生成器里准备——像本页这样的角色多角度图，用 Nano Banana Pro 来做。

限制

• 一次生成 15 秒。 更长只能拼接。
• 2K 是单独一步。 先 768p，再重新生成。
• H3 Max 没有 2K，也没有短于 5 秒的视频。
• 音频参考不能单独使用，必须和图片或视频一起。
• 文件限制： 视频不超过 50 MB，图片不超过 30 MB，音频不超过 15 MB；图片边长 256 到 5760 像素，宽高比 2:5 到 5:2。
• 开放权重很重。 MiniMax 的运行示例按 4 张显卡来配，2K 这一步只通过 API 提供。
• 细部。 MiniMax 自己写过，有些场景的细节还可以再提高。

总结

要一条视频同时用上多种素材时，MiniMax H3 最合适：角色照片、带动作的视频和带人声的音频放进同一次生成，再加上真正的 2K 和立体声。它是 Arena 前十里唯一开放权重的模型，可以在自己的机器上跑。超过 15 秒用 Wan 3.0 或 Seedance 2.5；要带角色元素的分镜，用 Kling 3.0。这些模型都可以在 AI2Face 里用同一条提示词对比。