MiniMax H3 开源权重回顾：音画一起出、原生立体声，开了什么没开什么

前沿动态
1

MiniMax H3 是 8 月 3 日开源的，有点时间了，但最近不少人在问能不能拿来做短剧，补一篇整理。

它是什么：不再分“文生视频 / 图生视频”，而是一个通用系统。输入可以是纯文本、首尾帧，也可以是最多 9 张图 + 3 段视频 + 3 段音频的混合参考（总共不超过 12 个文件）。输出 4–15 秒、24 FPS、带 32kHz 立体声的视频，默认短边 768 像素，走 2K 重生成流程可以到 2K。

架构上的看点：

  • H3-Base 是 33B 参数的 dense Transformer，文本编码器直接用了 Qwen3-VL-32B 的权重
  • 视频和音频各有一个 VAE，音频左右声道分开编解码，这就是“原生立体声”的来源
  • 2K 没用传统超分，而是让模型对自己生成的 768p 结果“再生成一遍”，把小字、细节补回来

开源了什么、没开源什么（这个很重要）：

  • 开了：H3-Base 完整权重，可以微调，在 Hugging Face 上，用的是 MiniMax H3 Community License；SGLang、vLLM、diffusers、ComfyUI 都已经支持
  • 没开：多模态指令预处理系统 H3-Context-IR 和 2K 重生成模块，这两个只提供 API。开源版第一版也只有全注意力推理，稀疏注意力说是后面发

所以对做短剧的团队来说：音频和视频一次出，配音环节可以往后放甚至省掉；但开源版分辨率上限是 768p，要 2K 得接官方 API。想完全离线复现官方效果，还得自己搭提示词预处理，官方有教程。

商用之前记得仔细读许可证里的使用限制。

抖音上有人做了多风格的镜头测试，可以感受一下：https://www.iesdouyin.com/share/video/7677666142228230650

16GB 显卡跑 MiniMax H3：下哪几个文件、参数填多少、怎么放大到 1080p