MiniMax 开源新一代视频模型 H3，支持 2K 分辨率与原生立体声

MiniMax 正式开源新一代通用视频模型 MiniMax H3，该模型能够统一理解文本、图像、视频和音频的多模态上下文，并生成最高 2K 分辨率、最长 15 秒、带原生立体声的视频。H3 在预训练阶段即具备广泛的多模态理解与生成能力，可执行复杂的多模态指令。

H3 提供两种输入模式：首尾帧模式支持文生视频、首帧生视频等；全模态参考模式可输入最多 9 张图像、3 段视频和 3 段音频，混合输入总数不超过 12 个。输出支持多种宽高比，默认短边 768 像素，帧率 24 FPS，音频为 32 kHz 立体声，稳定支持 11 种语言。

完整的 H3 系统由三部分组成：H3-Context-IR 负责提炼多模态指令，H3-Base 生成 768p 视频，H3-Regenerate-2K 可重新生成 2K 分辨率输出，提升细节与视觉保真度。模型基于社区许可发布，开源地址已公开。