MiniMax H3
MiniMax 自主研发的通用全模态生成模型，统一理解与生成文本、图像、视频和声音
工具介绍
MiniMax H3 是 MiniMax 自主研发并正式发布的通用全模态生成模型，定位为打破任务与模态边界的多模态通用大模型。它能够统一理解由文本、图像、视频、声音组成的多模态上下文，并在此基础上完成图像、视频与音频的生成、参考和编辑。视频输出最高支持 15 秒 2K 分辨率，音频输出均为原生双声道；文生音频不区分人声、音效与音乐，采用统一联合建模。模型还具备原生多镜头建模能力，在指令遵循、文字与品牌信息呈现以及 V2V 视频到视频动作迁移等方面表现突出。官网将其定位为开放通用的多模态视频模型，提供 API 接入，并可在 MiniMax Design 中体验。
核心功能
- 多模态上下文统一理解：可同时接收并理解文本、图像、视频、声音组成的多模态上下文信息，为后续生成与编辑提供统一输入基础。
- 原生双声道音视频输出：所有音频输出均为原生双声道模式，视频输出最高支持 15 秒 2K 分辨率。
- 文生音频统一联合建模：文生音频不区分人声、音效与音乐，采用统一联合建模方式生成音频内容。
- 原生多镜头建模：具备原生多镜头建模能力，可在视频生成中处理多镜头结构。
- 广义参考与编辑：支持图片到图片、图片到视频、音频到音频、音视频到音视频的参考和编辑，并由自然语言表述参考与编辑关系。
- V2V 视频到视频动作迁移：在视频到视频动作迁移方面表现突出，同时具备较强的指令遵循与文字、品牌信息呈现能力。
使用方法
- 1进入 MiniMax H3 的官方产品入口，可通过 MiniMax 官网的 MiniMax Design 体验，或通过官方提供的 API 接入。
- 2以自然语言描述需要完成的任务或期望的输出结果，例如视频生成、音频生成，或图片到图片、图片到视频、音频到音频、音视频到音视频的参考与编辑。
- 3按任务需要提供文本、图像、视频、声音等多模态上下文，交由模型进行统一理解，并由自然语言表述参考和编辑关系。
- 4调用 MiniMax H3 的生成、参考或编辑能力，获得对应的图像、视频或音频结果；视频输出最高支持 15 秒 2K 分辨率，音频为原生双声道，可据此检查输出是否符合预期。
常见问题
MiniMax H3 是什么类型的模型？
MiniMax H3 是 MiniMax 正式发布的通用全模态生成模型，也是 MiniMax 自主研发的多模态通用大模型系列成员之一，能够理解并生成文本、图像、视频、声音等多种模态内容。
MiniMax H3 能理解哪些模态的输入？
它支持对由文本、图像、视频、声音组成的多模态上下文进行统一理解，并在此基础上完成生成、参考和编辑任务。
MiniMax H3 的视频输出规格如何？
根据官方说明，MiniMax H3 可输出具备原生双声道的音视频，视频最高支持 15 秒 2K 分辨率。
MiniMax H3 支持哪些参考和编辑形式？
它支持广义的参考和编辑，包括图片到图片、图片到视频、音频到音频、音视频到音视频，并由自然语言来表述参考和编辑关系，不局限于有限任务。
如何开始使用 MiniMax H3？
可以通过 MiniMax 官网提供的 API 接入，也可以在官网的 MiniMax Design 中体验该模型。
