Robocikowo>ROBOCIKOWO
MiniMax-H3
Modele AI

MiniMax-H3

H3
Model generatywny MiniMax tworzący wideo z zsynchronizowanym dźwiękiem stereo z tekstu, obrazów, wideo i audio.
✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel generowania wideoModel multimodalny
Parametry
33B
parametrów
Data premiery
28 lipca 2026
🏢MiniMaxProducent
Dostęp:APIDownloadHostedWdrożenie:☁ Cloud💻 Lokalnie

Przegląd

MiniMax-H3 to model generatywny opracowany przez chińską firmę MiniMax, tworzący wideo z natywnie zsynchronizowanym dźwiękiem stereo. Model przyjmuje wejście omni-modalne: tekst, obrazy, klipy wideo oraz audio, i generuje na tej podstawie krótkie klipy wideo z warstwą dźwiękową.

Rdzeń systemu (H3-Base) to gęsty, jednostrumieniowy Transformer o 33 mld parametrów (ok. 13 mld parametrów w gałęziach związanych z AdaLN), wykorzystujący oddzielne latenty wizualne i audio (VisualVAE oraz AudioVAE). Architektura obejmuje trzy moduły: H3-Context-IR (wstępne przetwarzanie i orkiestracja), H3-Base (generacja w rozdzielczości 768p) oraz H3-Regenerate-2K (regeneracja do 2K).

Model generuje wideo o długości 4–15 sekund, 24 klatki na sekundę, z dźwiękiem stereo 32 kHz, w rozdzielczości do 2K i proporcjach 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16. Wagi są dostępne na Hugging Face na licencji MiniMax H3 Community License Agreement; model jest też dostępny przez API (platform.minimax.io) oraz aplikację Hailuo (hailuoai.video), a lokalnie przez diffusers, vLLM, SGLang i ComfyUI.

Klasyfikacja
Model generowania wideoModel multimodalny
Dostęp i wdrożenie
APIPobieranieHostowane
ChmuraLokalnie
Wagi: Open weights
Kluczowe parametry
🧩 Parametry: 33B
📥 Wejście: tekst, obraz, wideo, audio

Specyfikacja techniczna

Parametry
33B
parametrów
Licencja
MiniMax H3 Community License Agreement
Modalności
⬇ Wejście (Input)
textimagevideoaudio
⬆ Wyjście (Output)
videoaudio

Możliwości i zastosowania

Natywne możliwości modelu
Generowanie wideo
Tworzenie klipów wideo na podstawie tekstu, obrazów lub innych danych wejściowych.
Kategoria: video
Generowanie audio
Generowanie ścieżki dźwiękowej, w tym dźwięku zsynchronizowanego z obrazem wideo.
Kategoria: audio

Architektura techniczna

Rdzeń architektury (Core Architecture)
DMDiffusion Model

Źródła i powiązane strony