站长之家(ChinaZ.com) 8月3日 消息:MiniMax 今日正式开源新一代通用视频模型 MiniMax H3，这款模型被定位为通用型全模态生成系统，能够统一理解由文本、图像、视频和音频构成的多模态上下文，并生成最高2K 分辨率、最长15秒、带原生立体声音频的视频内容。
得益于以任务泛化为导向的系统设计，H3在预训练阶段便具备了广泛的多模态上下文理解与生成能力，官方称其能够出色地遵循复杂的多模态指令。输出规格方面，模型支持4至15秒的视频时长，兼容21:9、16:9、4:3、1:1、3:4、9:16等多种宽高比，默认输出分辨率较短边为768像素，帧率24FPS，音频为32kHz 立体声，并稳定支持中、英、日、韩、法、德、西、意、葡、俄、阿等11种对话语言。
输入方式上，H3提供两个版本以满足不同场景。H3-Base-FL2VA 支持首尾帧模式，可不输入图像实现文生视频，也可输入首帧、尾帧或同时输入首尾帧图像生成视频;H3-Base-Ref2VA 则支持全模态参考模式，可输入最多9张图像、3段视频与3段音频，所有类型输入合计最多12个，实现跨模态的视频创作。
此次开源意味着开发者和创作者可以免费获得模型权重并自行部署，H3的多模态理解与生成一体能力，让视频创作从单纯的文字驱动扩展到图片、视频、音频的混合驱动，为内容生产带来了新的想象空间。
在视频生成模型竞争日趋激烈的当下，MiniMax 选择以开源姿态加入战局，既展示了其在多模态技术上的积累，也试图通过社区生态抢占应用落地的先机。