一般来说，做一个比较好的AI视频，最累的往往不是“生成”。

你先找图做角色参考，再找视频定动作；画面出来了，声音又得去另一个工具补。想改一句台词、换一个镜头，前面的素材还要重新对齐一遍。

工具越来越多，创作链路却越来越碎。而目前MiniMax H3 想解决的，就是这件事。

它可以只收一段提示词、就给你吐出一段无声视频的模型。H3 可以把文字、图片、视频和音频一起当作上下文，直接生成带原生双声道声音的视频。官方公布的输出上限是 15 秒、2K；公开权重后的第一件事，则是让开发者把 768p 的 Base 模型跑在自己的机器上。

2026-08-09_MiniMax_AI_2084106804032872591.mp4

H3 如何本地部署？速度怎么样？

H3目前已经公开权重在huggingface上，也就是说人人都可以用它部署到自己的电脑上。而且你只需要用自己的消费级显卡，就可以立马跑起来。

有网友实测，在RTX5070Ti＋32GB内存＋64GB虚拟内存。T2V使用默认提示词生成5秒视频，480p用时160秒，约720p用时560秒。

官方把 H3 分成两个可本地跑的 Base 检查点：

当然，你如果不想这么折腾的话，B站大佬

把所有的东西进行了整合，直接一键下载即可使用。感兴趣的可以通过夸克网盘进行下载，支持30、40、50级别显卡。

在下载完成后，可以看到4个文件，用7zip把图中的整合包先进行解压，然后models（放入comfyui modes文件夹即可，直接替换）。

通过大佬的测试对比来看，目前的最新版本在输入相同的prompt情况下，速度有明显的提升。生成一个10秒的视频最短时间只需要318s。只要你的显存是12G以上，只需要几分钟就可以快速得到想要的视频。

而且你如果接入 Codex 的话，只需要让 Codex 一直帮你干活，一晚上就可以直接拿到几百个素材了。可以说普通人第一次真正拥有了一支“不会下班的内容团队”。

这意味着内容生产的瓶颈，正在从“有没有时间搜集资料”，变成“你能不能提出一个好问题，以及能不能判断哪些素材真正有价值”。

以前一个人一天只能研究几个方向，现在可能一晚上就能同时跑几十条线。真正拉开差距的，已经不是谁更能熬夜，而是谁更会调度 Agent。

最最重要的一点是，H3的开源，比闭源模型的限制要小得多，你可以实现更多自己的想法。所以老司机都可能懂得这意味着什么

当然，如果你实在不想折腾的话，可以直接下载MiniMax Design，目前官方有免费使用次数和相应的积分。生成2K视频10秒，最低也就$0.6的价格。

prompt：夜晚海边，一名穿香槟色露背吊带长裙的年轻女性坐在海边栏杆上，从背对镜头缓慢回头，然后仰头，镜头向右侧移动并逐渐推近，最后焦点落到旁边的雏菊上。远处有城市灯光和山体轮廓，整体是蓝调夜景、电影感、浅景深。

我觉得这个视频的生成质量已经相当高了，

。开头背影建立场景，中间人物回头把注意力拉到脸上，随后仰头，镜头继续横移，最后把雏菊带进画面。

电影感近景特写：一名年轻漂亮的东亚女性站在阳光明媚的公园里，与一名男性近距离面对面。她留着柔顺的黑色长发，妆容自然精致，嘴唇呈柔和的粉色，头发后方系着浅色蝴蝶结。午后的阳光穿过她的发丝，在头发边缘形成柔和漂亮的轮廓光。

电影镜头：赤裸上身、肌肉发达的中年男人站在黑暗烟雾弥漫的地下空间，嘴里叼着燃烧的雪茄，手持黑色霰弹枪。他缓慢检查并抬起枪，神情冷峻。镜头从中近景缓慢推近至脸部超特写，捕捉雪茄火星、吐出的烟雾、汗水和真实皮肤纹理。随后镜头平滑向右横移并进行焦点转移，男人逐渐变成模糊前景，远处大量蜡烛和数名身穿兜帽长袍的神秘人物逐渐清晰，中央站着一名更高大的兜帽人物。冷蓝色烟雾、暖黄色烛光、强烈明暗对比、体积光、黑暗宗教仪式氛围、35mm电影质感、浅景深、超写实、单镜头连续运镜、无切镜。

动人少女：阳光明媚的夏日下午，一名年轻漂亮的东亚女性站在城市街道上，黑色中长发随微风轻轻飘动，穿白色细肩带背心、白色短裙，浅米色宽松衬衫松散披在肩上。她温柔地看着面前的人微笑，缓慢向前靠近，手里拿着一朵粉色小花。随后自然抬起手，将花递向镜头前的人，最后粉色花朵靠近镜头形成前景。第一人称视角，右侧保留另一名女性模糊的肩膀与长发，像两个人面对面互动。金色逆光，发丝轮廓光，城市街道与绿树背景虚化，85mm镜头，大光圈，浅景深，柔和散景，日系青春电影感，真实皮肤，自然微笑，微风吹动头发和衣服，动作自然流畅，超写实，单镜头，无切镜。

它到底比普通文生视频，多了什么？

第一，是把“参考”当成一等输入。

H3 的 Ref2VA 支持最多 9 张图片、3 段视频、3 段音频作为参考（文件总数最多 12 个），并能按它们之间的关系生成结果。对创作者来说，这意味着你不必只说“一个女孩在海边说话”，而是可以告诉它：用这张角色图、沿用这段运镜、保留这段环境声，再让人物说一句新的台词。

第二，是声音不再只是后期附件。

H3 的输出是 24 FPS 视频加 32 kHz 双声道音频。它当然不保证每一次口型、情绪和音效都可直接交付，但“画面先生成、声音另起炉灶”的断点，至少被放进了一次推理任务里。

第三，是它更像一个“多素材剪辑理解器”。

官方把这套能力叫 Contextual Omni Representation。翻译成人话：模型不仅要看懂每个文件，还要判断“这张图是角色设定、那段视频是动作参考、这条音频是氛围还是音色”。这个判断对广告、电商和角色内容特别重要，因为它们最怕的不是画面不够炫，而是品牌、人物和动作在多次修改后散掉。

图：H3 官方模型卡展示的全模态输入、Context-IR、Base 与 2K 再生成流程。

技术也，H3也做了一个创新，它 的核心不是把音频模型和视频模型简单串起来。

文字、图片、视频、音频会先被各自编码，再组织成统一的多模态序列，送入 33B 参数的 H3-Omni Transformer，最后同时预测视频和音频的 latent。它还用三维位置编码去表达时间、高度、宽度的关系——所以模型知道“第几秒、画面哪里、发生了什么”。

为了处理长上下文，H3 训练时使用了稀疏注意力；但官方也说明，首版公开推理仍是全注意力，稀疏注意力实现将来再发布。这也是为什么本地部署不能只看“参数量 33B”，还要为序列长度、多参考素材和音视频组件预留余量。还有其他的一些有点，比如：

对比于其他视频生成模型来看，H3也有优缺点。综合来看，Seedance 2.5 综合能力最强，Kling 3.0 强在产品化和视频控制，MiniMax H3 强在多模态参考与视频编辑，HappyHorse 1.1 更像性价比和基础能力路线。

如果你只是想要一条偶尔惊艳的 AI 视频，直接用在线产品往往更省心。

但如果你做的是品牌短片、电商、游戏角色、影视概念片这类任务，手里本来就有参考图、素材片段和声音资产，选择H3确实是不错的，因为它试图把“理解素材”和“生成镜头”合到同一条链路里。

实际跑的时候，可以先拿一个真实小项目测试一下。看看它的角色能否稳定、修改是否少返工、画面和声音能否一起交付。三项里只要有两项明显变好，它就不是玩具；如果每次改动都要重抽很多遍，那再漂亮的演示，也还没进入生产力。

MiniMax H3公开权重了：视频、声音、动作，终于能放进一个工作流？

后台策略工程师

人工智能

音视频

开发工具

MiniMaxH3开源多模态视频模型，支持文字、图片、视频、音频联合输入，原生生成带双声道声音的2K视频。本地部署仅需消费级显卡，RTX5070Ti实测5秒视频约160秒生成。支持9图3视频3音频参考，擅长角色一致性、运镜迁移和视频编辑，适合品牌短片、电商素材创作。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

MiniMax H3公开权重了：视频、声音、动作，终于能放进一个工作流？

MiniMax H3公开权重了：视频、声音、动作，终于能放进一个工作流？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐