7月31日，国产AI大模型公司MiniMax正式发布新一代多模态生成模型MiniMax H3，并宣布将在近期开源。据北京商报7月31日报道，与以往按图片、视频、声音等单一任务划分边界不同，H3是MiniMax从专用任务模型向通用多模态智能迈出的一步，其设计思路不再将生成、编辑和参考视为独立环节，而是在统一的多模态上下文中理解创作意图，实现更自然、更连贯的生成与表达。在Artificial Analysis视频模型榜单中，H3的视频编辑能力排名全球第一。
H3支持文本、图片、音频和视频等多种输入形式，可直出2K分辨率画面，最长生成15秒的音画内容。在指令遵循、文字与品牌信息呈现、视频到视频动作迁移等维度均有稳定表现，可广泛应用于广告、品牌、电商、产品设计、UI/UX和游戏等商业场景。
过去的多模态生成模型，往往是图像、视频、声音各做一个专用模型，用户需要在不同工具之间搬运素材，生成结果之间缺乏一致性。H3打破了这个边界，它在一个统一的多模态上下文中理解创作意图：用户提供的文字描述、参考图片、风格片段可以混合输入，模型综合理解后输出连贯的音画内容。这种设计让生成、编辑和参考不再是割裂的环节，而是同一创作流程的有机组成部分。
在实际应用中，这意味着广告创作者可以输入一张产品图、一段品牌文案和一段参考视频，H3就能生成一支风格统一、包含配音配乐的品牌短片。在视频编辑场景，用户可以指定某一帧进行局部修改，H3会在保持整体连贯的前提下精准调整，视频编辑能力因此登顶全球榜单。这种统一理解能力，正是H3与上一代模型及竞品的核心差异。
H3在生成能力上的硬指标同样亮眼。2K分辨率直出意味着生成的视频无需额外放大即可满足大部分商业用途，无论是电商详情页的展示视频还是广告投放素材，画质都达到了可用级别。最长15秒的音画生成，则为品牌TVC、产品演示等场景提供了足够的叙事空间，配合文本、图片、视频、音频的多模态输入，创作者可以一次性生成包含画面、配音与背景音乐的完整短片。
在视频到视频动作迁移方面，H3支持将一段视频中的动作迁移到另一主体上，这对于虚拟角色动画、舞蹈视频复刻等场景价值巨大。文字与品牌信息呈现能力则让H3能够准确渲染海报文字、Logo等品牌元素，解决了此前AI视频中文字模糊错乱的顽疾。从技术参数到实际表现，H3都瞄准了商用级内容生产的需求，而非实验室里的技术展示。
定价方面，H3的视频生成价格为0.8元每秒，约为业内同类旗舰模型的三分之一。成本的下降主要来自两个方向的技术优化：一是通过高压缩Tokenizer减少视频生成所需的Token数量；二是针对视频长度、分辨率和多模态负载差异大的特点，在异构训练、负载均衡和GPU利用效率等层面进行系统性调优。在追求效果的同时控制训练与推理成本，这一定价策略将显著降低企业和创作者的内容生产成本。
更值得关注的是开源计划。H3是MiniMax推出的首款开源多模态生成模型，此前该公司已先后开源三代M系列文本模型。H3将于未来几天内开源，企业可以在本地灵活部署，结合自身数据和业务进行优化，更好地满足安全合规要求；芯片厂商和开发者也能共同参与适配和优化，降低使用成本，扩大应用范围。从封闭服务走向开放生态，MiniMax正在押注开源路线作为多模态时代的重要竞争策略，而H3的发布，有望改写AI视频生成市场的成本与格局。
MiniMax在H3上的开源策略，体现了国产AI公司在开源与商业化之间的平衡艺术。一方面，开源H3可以吸引全球开发者共建生态，扩大模型的影响力与适配范围，为后续的闭源商业版本培养用户基础；另一方面，MiniMax保留的云服务能力，能够以更低门槛的服务形式实现商业变现。这种开源引流、服务变现的模式，已经被多家头部AI公司验证为可行的商业路径。
从市场竞争格局看，H3的发布让多模态生成赛道的竞争更加激烈。字节的Seedance、快手可灵、阿里通义万相等国产模型正在围绕视频生成展开军备竞赛，而MiniMax选择以开源和性价比切入，试图在价格敏感的中小企业与个人创作者市场中建立优势。0.8元每秒的定价若能在保证质量的前提下维持，将直接改写视频生成的成本曲线，让更多中小团队用得起专业级的多模态生成能力。
从技术演进的方向看，多模态生成模型正在经历从任务拼接向统一理解的范式转换。H3通过在同一模型内完成文本、图像、音频、视频的联合理解与生成，避免了传统方案中多次编解码带来的信息损失，也让创作流程更加顺畅。业内普遍认为，统一多模态模型将成为下一代内容生成基础设施的核心形态，而MiniMax H3正是这一趋势的重要落子。随着模型权重开放，更多开发者将基于H3探索个性化、垂直化的应用创新，为整个多模态生态注入新的活力。