AI 资讯速递 (2026/7/31)： MiniMax H3 全模态生成模型正式发布：原生双声道音视频，最高 15 秒 2K 分辨率，计划开源
导读摘要：
稀宇科技（MiniMax）正式推出 MiniMax H3 全模态生成模型。据官方介绍，这是一款通用的全模态生成模型，能够统一理解并原生生成文本、图像、视频和音频，实现多模态统一生成，并可直接输出带有原生双声道音频的视频，最高支持 15 秒 2K 分辨率（2560×1440）。此外，该模型支持指令遵循、品牌信息呈现、视频到视频动作迁移（V2V Motion Transfer）等商用场景。
模型概述
稀宇科技（MiniMax）正式推出 MiniMax H3 全模态生成模型。据官方介绍，这是一款通用的全模态生成模型，能够统一理解并原生生成文本、图像、视频和音频，实现多模态统一生成，并可直接输出带有原生双声道音频的视频，最高支持 15 秒 2K 分辨率（2560×1440）。此外，该模型支持指令遵循、品牌信息呈现、视频到视频动作迁移（V2V Motion Transfer）等商用场景。
核心技术与能力
据官方介绍，MiniMax H3 采用多项自研技术实现全模态统一生成：
- Contextual Omni Representation（上下文全模态表征）：模型能够同时理解多模态上下文与目标输出之间的关系，单次素材推理消耗约 10 万 Token，生成平均约 4K Token 的精细描述，语言作为连接与解释桥梁，使任务能以开放描述形式统一。
- H3-VAE（高效视觉音频编码器）：相比前代 tokenizer，压缩率大幅提升，带来 4 倍序列长度收益，显著降低训练与推理成本，同时支持原生 2K 分辨率输出。
- H3-Omni Transformer（异构训练架构）：由于多模态上下文引入导致序列长度方差扩大 3 倍，理解与生成部分计算负载异质化，H3 采用异构训练架构精细调优硬件利用率，端到端提升近 30% 训练吞吐。
在功能上，据官方介绍，H3 支持全模态统一生成、多模态上下文理解（同时处理参考视频、图片、音频等多源输入）、视频到视频动作迁移、广义参考与编辑（图片到图片、图片到视频、音频到音频、音视频到音视频），以及原生多镜头叙事，无需分步拼接。
使用方式与性价比
用户可通过 MiniMax 官网、API 接口或 MiniMax Hub 创作平台访问 H3 模型。据官方披露，2K 分辨率下每秒价格不到主流模型的三分之一，768P 分辨率下每秒价格不到主流模型的二分之一，性价比高。据官方介绍，模型设计初期即考虑多款国产芯片适配，支持本土化部署。
关于开源，官方宣布计划近期开源模型权重，支持国产芯片适配与定制开发。值得注意的是，第三方平台 fal.ai 已将其列为 open-weights 模型，用户可在该平台直接体验或部署。
资料来源与项目地址
- MiniMax 官网：https://www.minimax.io/
- MiniMax 开放平台：https://platform.minimax.io/
- MiniMax Hub（创作平台）：http://hub.minimax.io/
- fal.ai 模型页面：https://fal.ai/minimax-h3
- 官方 Twitter 公告：https://x.com/MiniMax_AI/status/2083008095488516262
- IT之家报道：https://www.ithome.com/0/983/957.htm
- 中华网报道：https://m.tech.china.com/article/20260731/202607311930284.html
- 腾讯新闻：https://news.qq.com/rain/a/20260731A03M1400
