一句话看懂：MiniMax 在 8 月 3 日开源了新一代全模态生成模型 MiniMax H3，它能同时理解并生成文本、图像、视频与音频，支持 2K 超分输出。这是多模态视频生成领域少见的“完整系统”开源，意味着影视预演、叙事设计和 AI 交互的底层工具门槛在进一步降低。
事件核心：发生了什么
8 月 3 日，AI 公司 MiniMax 正式宣布开源下一代通用视频模型 MiniMax H3。与传统文本生成视频的单任务模型不同，H3 被设计为一个“全模态”生成系统，能够把文本、图像、视频、音频放在同一套上下文里做联合理解，再输出画面与声音匹配的完整片段。
从生成规格看，H3 支持 4 到 15 秒的视频输出，帧率 24 FPS，音频为 32 kHz 立体声；宽高比可选 21:9、16:9、4:3、1:1，默认以短边 768 像素出基础画面。配合专门的 H3-Regenerate-2K 方案，该模型还能在初版结果基础上做 2K 超分辨率重建，明显提升视觉细节。多语言方面，它支持中文、英语、法语、德语、意大利语、日语、韩语、西班牙语、葡萄牙语、俄语和阿拉伯语共 11 种语言。
为了适配不同创作流程，H3 提供两个模型版本：H3-Base-FL2VA 支持输入 0 到 2 张图片，覆盖纯文本转视频、首帧或尾帧驱动、首尾帧联合控制等任务；H3-Base-Ref2VA 则支持最多 9 张图片、3 段视频和 3 段音频同时作为参考输入，总文件数上限为 12 个，适合需要精细约束画面风格的创作场景。
在系统架构上，完整版 H3 拆成三个模块：H3-Context-IR 负责把复杂多指令解析成模型易处理的中间表示；H3-Base 完成 768p 基础音视频生成；H3-Regenerate-2K 基于初版结果与原始上下文做高分辨率重建。目前模型已以 MiniMax H3 Community License 发布，开发者和研究者可通过 Hugging Face 获取完整代码与权重。
为什么重要
这次发布的信号在于“开源”和“全模态”同时出现。过去开源视频模型往往只解决画面生成一个环节，而 H3 把视频、音频、图像、文本当成一个整体来建模，这更接近实际内容制作的工作方式：创作者不会只写一段提示词，而是会在稿子、参考图、参考片段和背景音乐中来回修改。把这类交叉控制做成开源系统，等于把一个完整的多模态生成底座放进了社区。
对行业竞争格局而言，这意味着视频生成模型的开源阵营出现了一个具备 2K 超分能力和复杂指令理解能力的高规格选手，闭源视频 API 在价格和可定制性上会面临更直接的对标压力。行业普遍观点认为，这类开源项目会拉低多模态视频生成的应用门槛，让电影预演、视觉设计等环节更容易试错。
对用户/开发者/创作者的影响
对普通用户来说，H3 最直接的体验变化是“一条指令出片”和“声音同步”：不再需要先做视频、再单独配音，模型会直接把立体声音频一起生成。支持 21:9 等电影比例，也降低了短视频创作者做画面实验的成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对创作者而言，H3-Base-Ref2VA 提供的多图、多视频、多音频混合参考是最有价值的能力。以前控制一条视频里的人物一致性往往依赖微调或反复抽卡，现在可以往输入里塞参考图和参考片段，让模型在限定范围内生成；首帧与尾帧联合输入也给了叙事内容更强的稳定性控制。
对开发者来说，开源意味着可以自托管模型、接入现有工作流，或者基于 H3-Context-IR 的指令解析能力做二次开发和行业工具。具体商用边界建议核对 MiniMax H3 Community License 条文；目前公开信息显示，模型权重和代码已经开放，但不同使用场景是否收费并未明确披露。
值得关注的后续
接下来有几个具体观察点值得跟进：第一，H3-Regenerate-2K 是否会在海外或国内开放 API 服务，以及 2K 方案的推理成本和生成速度是否适合批量生产；第二，其他视频生成厂商是否会跟进类似的“全模态开源”路线，尤其是同时开源参考图控制能力的模型；第三，社区能否基于 Context-IR 和 H3-Base 的流程做出可复
