7月30日消息,MiniMax 通过旗下视频生成品牌 Hailuo AI 发布了一支 60 秒预告短片,配文 "It's coming" 和标签 #MiniMaxH3,正式宣告新一代视频生成模型 H3 即将发布。
H3(也被称为 Hailuo 3.0)在此前已经历一段时间的创作者早期访问测试。从过去两天创作者在 X 上分享的大量实测视频来看,这次更新的核心升级集中在三个方向。
首先是分辨率和时长。H3 原生支持 2K 分辨率(2560×1440),单次生成最长 15 秒视频,较前代 Hailuo 2.3 有明显提升。多位创作者的测试视频达到了这一规格。
其次是原生音频。H3 可以在生成视频的同时输出同步的对话、音效和环境音,支持立体声。从创作者测试来看,音频与画面动作的匹配度较高,唇同步在对话场景中表现自然。有测试者从一张截图直接生成了带讲解语音的短视频,语音基本准确,文字变形较少。这意味着一条"图片 → 带配音的成品视频"的管线已经被压缩在一个模型调用之内。
第三是多模态参考(Omni Reference)。H3 允许用户同时输入最多约 12 个参考素材(图片、视频片段、音频),用于控制角色一致性、风格、动作和声音引导。创作者测试中展示了多镜头叙事、角色跨镜头的视觉一致性保持,以及通过音频参考驱动动作节奏的场景。
总体来看,早期创作者的测试反馈集中在几个方面:物理真实性(液体、面团、烟雾等细节)、多镜头叙事下的场景连贯性、以及提示词跟随的精确度。有测试者用包含镜头语言、色板、特效和音频描述的详细 Prompt 生成了复杂的动作序列,模型对这类结构化指令的理解能力较前代有所提升。官方在回复测试者时将其定位为"production-ready",并鼓励在商业广告、游戏 UI、动态设计等场景中测试。
预告的时间和节奏
MiniMax 发布 H3 预告的时机值得留意。本周字节跳动旗下的 Seedance 2.5 预计上线,两家中国视频生成头部公司几乎在同一时间窗口释放新一代产品信息。虽然 Seedance 和 H3 在技术路线和侧重上有所不同,但两家公司同时进入"15 秒 + 2K + 原生音频"的规格区间,说明这一规格组合正在成为视频生成模型的阶段性标配。
在此之前,视频模型的常见瓶颈包括分辨率受限(多数停留在 1080p 甚至 720p)、时长不足(普遍在 5-10 秒)、以及音频需要后期单独生成和对齐。H3 和 Seedance 2.5 的同时推进意味着这一瓶颈正在被突破。
H3 的具体公开发布日期尚未公布。MiniMax 在 2026 年世界人工智能大会(WAIC)期间曾预热过这款模型,当时将其定位为从"专项任务模型"向"通用多模态智能"迈进的一代。作为中国"AI 六小虎"中唯一在港交所上市的公司,MiniMax 在视频生成方向上的迭代节奏也受到市场关注。前代 Hailuo 2.3 已在创作者和商业用户中积累了一定口碑,H3 能否将这种口碑转化为更大规模的实际用例,取决于正式上线后的可用性和定价。