MiniMax H3 满血版开源：8G显存可跑的全模态视频生成模型，2K原生立体声
2026年8月5日0 次阅读
MiniMax H3 满血版开源：8G显存可跑的全模态视频生成模型，2K原生立体声
MiniMax 正式开源了 H3 视频生成模型的满血版权重。这是目前开源视频模型中少有的"全模态"选手——文生视频、图生视频、首尾帧、多参考生成、视频编辑，一个模型全包，还能原生输出 2K 分辨率 + 立体声音频。
H3 是什么
MiniMax H3 是 MiniMax 第三代通用视频生成模型。和前两代（海螺 01/02）不同，H3 从设计之初就打破了"文生视频""图生视频""首尾帧"这些任务边界，用统一的架构处理所有输入组合。
简单说：你给它文字、图片、视频、音频的任意组合，它都能理解并生成视频。比如"参考视频1的希区柯克运镜，让图片2里的人物唱音频3的歌"——这种跨模态指令，H3 直接处理，不需要拆成多个步骤。
核心能力
全模态输入：H3 提供两个模型变体——
- H3-Base-FL2VA（首尾帧模式）：支持零图（纯文生视频）、一图（首帧或尾帧生视频）、两图（首尾帧生视频）
- H3-Base-Ref2VA（全参考模式）：最多 9 张图片 + 3 段视频 + 3 段音频，混合输入最多 12 个文件
输出规格：
- 时长 4–15 秒，24 FPS
- 分辨率默认短边 768px，2K 可通过 H3-Regenerate-2K 实现
- 原生 32kHz 立体声音频
- 支持 21:9、16:9、4:3、1:1、3:4、9:16 等多种画幅
- 稳定支持中英日韩法德等 11 种语言
价格优势：2K 分辨率下每秒价格不到主流模型的三分之一，768p 下不到主流 720p 的一半。
本地部署：8G 显存起步
开源后社区迅速跟进量化版本。根据实测：
- NVFP4 量化（4bit）：约 12GB 显存，质量有一定损失
- int8_convrot 量化：约 20GB 显存，质量明显优于 FP4，推荐有条件的用户使用
- 8G 显存：通过进一步量化/低分辨率模式可跑，但效果受限
ComfyUI 已原生支持 H3（需 ≥ 0.30.0 版本），采样器使用 res_multistep，帧长度需满足 17n+5 的约束。
与 Flux3、Seedance 2.0 对比
B站 UP 主 T8star-Aix 的全网首发测评中，对 H3 与 Flux3 预览版、Seedance 2.0 做了大量并排对比：
- 美学风格：H3 被称为"视频界的 MJ 模型"，有独特的美学倾向，与 Seedance 2.0 的写实路线形成差异
- 中文理解：H3 在中文提示词跟随上表现突出
- 首尾帧控制：H3 的首尾帧一致性是亮点之一
- 多参考生成：9图3视频3音频的混合参考能力，目前开源模型中无竞品
如何上手
- HuggingFace 下载：https://huggingface.co/MiniMaxAI/MiniMax-H3
- ComfyUI 工作流：https://github.com/HM-RunningHub/ComfyUI_RH_MinMaxH3
- 整合包：社区提供了 ComfyUI 整合包，开箱即用
基于多家媒体转述整理，主要来源为 MiniMax 官方博客及开源公告、T8star-Aix B站测评视频。