2026年7月31日，中国AI公司 MiniMax 正式发布了 MiniMax H3——这是其 Hailuo 视频家族的第三代模型，也被称为 Hailuo 3.0。两周前在 WAIC 2026 上首次预览的 H3 带来了明确的野心：不仅仅是生成运动的图像，而是制作完整的短视频视听场景——支持原生 2K 分辨率、同步音频，以及单次生成最长 15 秒的连续画面。
如果你一直在关注 AI 视频领域，就知道进步的速度有多快。每隔几个月就会有新模型出现，每个都声称在突破边界。那么 H3 究竟带来了什么，值得关注吗？以下是你需要知道的一切。
一句话概括 MiniMax H3
MiniMax H3 是一款多模态AI视频生成模型（multimodal AI video-generation model），能够以 24fps 的帧率（frame rate）生成原生 2K 视频，并内置同步音频——包括对话、音效和环境氛围——支持从文本提示、图像或包括视频和音频片段在内的多种参考材料组合生成。
这是一款视频模型，而非文本或编码模型。MiniMax 还在同一场 WAIC 2026 活动上发布了 M3 语言模型（用于文本、智能体和推理），两者在网上经常被混淆。H3 专注于视频创作。
核心参数一览
在深入了解 H3 的亮点之前，先看看技术参数：
| 参数 | 详情 |
|---|---|
| 分辨率 | 原生 2K（2560×1440） |
| 帧率 | 24fps（电影标准） |
| 时长 | 每次生成 5-15 秒（使用延展工具可延长至约 30 秒） |
| 音频 | 原生立体声——对话、音效和环境音一次生成 |
| 宽高比 | 21:9、16:9、4:3、1:1、3:4、9:16（六种选项） |
| 输入模式 | 文本生成视频、图像生成视频（首帧/末帧）、全向参考生成视频 |
| 参考限制 | 最多 9 张图像 + 3 个视频片段 + 3 个音频片段（每个请求最多 12 个文件） |
| 编辑功能 | 基于指令的编辑（instruction-based editing），可对已生成内容进行修改 |
| 定价 | 2K 分辨率约 $0.13/秒（5 秒片段约 $0.65；15 秒片段约 $1.95） |
这些数字很重要，但只能说明部分问题。真正的问题是 MiniMax H3 能用它们做什么。
定义 H3 的三大特性
1. 全向参考（Omni-Reference）——锁定跨镜头的角色一致性
AI 视频中最持久的痛点之一是角色一致性。在一个镜头中生成一个走过咖啡馆的女性，她在下一个镜头中可能看起来完全是另一个人。面部会漂移，服装会改变，声音会变化。
H3 通过 MiniMax 所称的 Omni-Reference 来解决这个问题——这是一个控制系统，允许你将最多 9 张参考图像、3 个视频片段和 3 个音频片段输入单个生成请求。模型将所有这些输入作为一个统一的上下文来读取，从照片中提取角色的面部，从视频片段中借鉴镜头运动，并从音频样本中吸收音色。
实际效果：一个角色可以在同一次 15 秒的生成中出现在远景、特写和侧面视角中——并且看起来、动起来和听起来都是同一个人。对于制作系列内容、短片或使用固定演员的品牌活动的创作者来说，这是一个有意义的进步。
充分利用 Omni-Reference 的一些技巧：
- 使用光线均匀、正面角度、无遮挡（帽子、太阳镜、头发遮脸）的参考图像。
- 将图像参考与清晰的音频片段配对，以同时固定外观和声音。
- 在系列内容的多次生成中重复使用相同的参考集以保持一致性。
2. 原生音频（Native Audio）——从无声片段到可编辑的初剪
迄今为止，大多数 AI 视频模型都生成无声输出。你得到视觉效果，然后在单独的步骤中添加声音——配音对话、叠加音效、寻找合适的背景音乐。这种工作流程可行，但会使每个短片的制作时间翻倍。
H3 在单次生成中同时生成音频和视频。对话会落在嘴部动作上，玻璃破碎时会发出碎裂声，角色说话时雨滴会打在窗户上。时序在生成过程中确定，而不是事后对齐。
这改变了输出的本质。一个无声的 AI 视频是一个视觉资产——有用，但不完整。一个带有可用声音的视频更接近可编辑的初剪。对于短视频广告、社交内容和叙事场景来说，这种差异意义重大。
不过，"原生音频"并不自动意味着"完美音频"。对话的准确性、口型同步的质量、声音的情感表达——所有这些仍需在实践中测试。早期用户报告了总体不错的结果，但与任何生成音频一样，边缘情况和复杂场景可能会产生伪影。建议：将生成的音频视为良好的起点，而不一定是最终交付物。
3. 基于指令的编辑——无需重新生成即可优化
这个功能听起来可能不那么炫酷，但最终可能成为 H3 最实用的优势之一。
想象一下，你生成了一个 15 秒的片段，90% 都是对的。构图很好，光线合适，角色的表演很自然——但夹克颜色不对，或者背景需要改变。使用大多数视频模型，你唯一的选项是调整提示词并从头重新生成，希望新版本能保留你喜欢的原始内容。
H3 允许你用自然语言描述更改并将其应用到现有的生成结果上。"把夹克改成红色"、"把背景换成日落时的海滩"、"加快后半部分的节奏"。模型只修改指定的元素，同时保留其他一切——构图、光线、表演、摄像机路径。
对于迭代式创意工作来说，这是一个真正的工作流程升级。它将过程从"生成并祈祷"转变为"生成并优化"，而这正是专业创意制作的实际运作方式。
H3 与前代产品相比如何？
如果你使用过前代产品 Hailuo 2.3，升级到 H3 的提升是巨大的。以下是并排对比：
| 维度 | Hailuo 2.3 | MiniMax H3 |
|---|---|---|
| 分辨率 | 768p / 1080p | 原生 2K |
| 最长时长 | 约 10 秒 | 15 秒（可延长至约 30 秒） |
| 参考输入 | 仅图像 | 图像 + 视频 + 音频 |
| 原生音频 | 否 | 是——立体声，一次生成 |
| 指令编辑 | 否 | 是 |
| 定价模式 | 按次计费 | 按输出秒数计费 |
| 宽高比 | 有限 | 六种选项（21:9 到 9:16） |
分辨率从 1080p 跳到原生 2K 不仅仅是规格表上的一个数字。这里的"原生"意味着模型在内部以完整的 2K 像素密度渲染——清晰的细节是在生成过程中直接产生的，而不是通过单独的放大步骤生成的。对于面向大屏幕、零售显示器或高分辨率客户交付物的内容来说，这种区别很重要。
时长的增加在实践中同样重要。十秒可以覆盖一个瞬间或一个开场钩子。十五秒——在一次生成中可能包含多个镜头——可以容纳开场、关键动作、反应和视觉结论。这就是片段和场景之间的区别。
如何访问 H3 及其费用
H3 可通过多种渠道访问，具体取决于你的需求：
Hailuo 官方网站（hailuoai.video）
个人创作者最简单的入口。注册，选择 H3，通过网页界面开始生成。无需 API 集成。
EvoLink 统一 API
适合希望将 H3 集成到产品或工作流程中的开发者。EvoLink 根据输入类型提供三个模型 ID：
minimax-h3-text-to-video——从文本提示生成minimax-h3-image-to-video——从首帧/末帧图像生成minimax-h3-reference-to-video——从多模态参考生成
该 API 是异步的：你提交任务，轮询状态，然后下载生成的 MP4 文件。没有取消端点——如果任务失败，你会获得全额退款。
第三方平台
OpenArt、Atlas Cloud 和其他推理提供商也通过自己的界面提供 H3 访问，通常具有统一的 API 兼容性和按需付费定价。
定价明细
- 标准费率：2K 分辨率约 $0.13/输出秒
- 5 秒 2K 片段约 $0.65
- 15 秒 2K 片段约 $1.95
- 参考图像和音频不会增加计费时长；参考视频片段会增加
- Hailuo 平台上的一些早期测试用户报告在基础订阅层级上 15 秒 2K 片段约 $1——尽管这尚未得到官方确认
与竞争对手相比：据报道，Seedance 2.0 在 Dreamina 基础层级上 15 秒 1080p 片段约 $4。如果这些数字准确，H3 以四分之一的价格提供约 4 倍的分辨率——这是一个极具吸引力的每像素成本优势。
MiniMax 是谁？
对于不太熟悉该模型背后公司的人：MiniMax 是一家总部位于上海的 AI 实验室，也是中国最知名的 AI 公司之一。公司于 2026 年 1 月完成香港 IPO，据报道以约 40 亿美元的估值筹集了约 6.19 亿美元。其支持者包括阿里巴巴和腾讯。
MiniMax 的消费级视频品牌是 Hailuo，该品牌在 AI 视频社区中以强大的物理模拟、快速的生成速度和易于接受的定价建立了声誉。H3 是 Hailuo 家族的第三代产品，继 Hailuo 02 和 Hailuo 2.3 之后推出。
值得注意的是，H3 是一个平台模型，而非开放权重发布。与 MiniMax 的 M3 语言模型（有开放权重变体）不同，H3 仅通过 API 和 Hailuo 平台访问。目前没有迹象表明这种情况会改变。
H3 在 2026 年 AI 视频格局中的位置
2026 年中期的视频模型格局竞争激烈。以下是简要定位图：
| 模型 | 开发者 | 突出优势 |
|---|---|---|
| MiniMax H3 | MiniMax | 全向参考控制、原生音频、指令编辑、定价优势 |
| Kling 3.0 Pro | Kuaishou | 原生 4K、强大的运动和物理效果 |
| Veo 3.1 | Google DeepMind | 48kHz 高保真对话 |
| Seedance 2.0 | ByteDance | 多模态参考、音频集成 |
| Wan 2.7 | Alibaba | 唇形同步、文本/图像/视频/音频输入 |
| Runway Gen-4.5 | Runway | 成熟的创意工具生态系统 |
H3 的卖点不是"最高的原始保真度"——Kling 3.0 和 Veo 3.1 都在推动原生 4K。相反，H3 在控制（Omni-Reference）、完整性（一次生成原生音频）、迭代速度（基于指令的编辑）和价格的组合上竞争。对于许多实际用例——社交广告、产品视频、短篇叙事内容——这种组合可能比单纯的原始分辨率更重要。
关于竞争格局的一个重要说明：OpenAI 于 2026 年 4 月停止了其 Sora 网页和应用体验，API 计划于 2026 年 9 月退役。Sora 不再是新视频工作流程的可行选项。
常见问题
MiniMax H3 和 Hailuo H3 是同一个东西吗？
是的。"MiniMax H3"是企业品牌；"Hailuo H3"是产品品牌。它们指的是同一个模型。在某些情况下，"Hailuo 03"和"Hailuo 3"也会互换使用。
H3 支持 4K 输出吗？
不支持。最大输出分辨率是原生 2K（2560×1440）。如果你需要 4K，Kling 3.0 Pro 或 Veo 3.1（8 秒片段）是目前的选择。
H3 视频能有多长？
单次生成支持 5 到 15 秒。使用延展视频工具，片段可以延长到大约 30 秒。
H3 是开源或开放权重的吗？
不是。H3 通过 API 和 Hailuo 平台访问。它不作为可用于本地部署的开放权重模型提供。
每个 H3 视频都带有音频吗？
是的。每次生成都包含原生立体声音频——对话、音效和环境氛围——与视频在同一过程中生成。
我可以将 H3 用于商业内容吗？
请查看 MiniMax 当前的服务条款以获取有关商业使用权的最新信息。该平台在设计时考虑了专业和商业用例，但具体的许可条款可能有所不同。
H3 现在可用吗？
是的。H3 于 2026 年 7 月 31 日正式发布，可通过 Hailuo 平台、EvoLink API 和部分第三方提供商访问。
H3 如何处理失败的任务？
失败、过期和被拒绝的任务将获得全额退款。没有取消端点——一旦提交，任务将运行至完成或失败。
总结
MiniMax H3 不仅仅是对前代产品的渐进式升级。它代表了 AI 视频模型目标的转变：不是孤立的运动图像，而是完整的短视频视听场景，内置画面、声音和编辑控制。
原生 2K 分辨率使其处于与大多数 1080p 竞争对手不同的质量层级。Omni-Reference 系统提供了异常慷慨的角色和风格一致性控制。原生音频生成消除了许多短视频工作流程中的单独后期制作步骤。而基于指令的编辑能力将迭代模式从"重新生成并祈祷"转变为"描述并优化"。
它不是适合所有工作的工具。如果你需要 4K 输出、超过 15 秒的镜头、开放权重部署或 48kHz 广播级对话，其他模型目前能更好地满足这些需求。但对于不断增长的大多数 AI 视频用例——社交广告、产品展示、短篇叙事、音乐视频、创意预可视化——H3 提供了质量、控制和成本的引人注目的组合，在 2026 年中期不容忽视。
最好的评判方式是自己测试。写一个你关心的提示词，生成几个变体，并根据你自己的标准评估输出。规格表和评测可以为你指明方向，但没有什么能替代亲眼看到结果。如果你想更深入地了解 H3 的能力、案例和最新动态，也可以访问 minimaxh3.art。
参考资料
- OpenArt: <https://openart.ai/ai-model/minimax-h3/>
- 科创板日报: <https://www.cls.cn/detail/2442143>
- DeeVid Review: <https://deevid.ai/blog/minimax-h3-review>
- OrcaRouter Explained: <https://www.orcarouter.ai/blog/minimax-h3-hailuo-3-explained>
- Kie.ai Guide: <https://kie.ai/blog/what-is-hailuo-h3>
- EvoLink: <https://evolink.ai/zh/hailuo-3>
- Atlas Cloud: <https://www.atlascloud.ai/zh/models/minimax-h3>
