在文本大模型赛道持续深耕后，人工智能公司 minimax 近日正式发布全新全模态生成模型minimax h3，并宣布将在数日内全面开源其模型权重。

这款支持多模态上下文输入的生成式模型MiniMax H3，可灵活接受文本、图像、视频与音频中任意组合形式的输入，并直接生成具备原生双声道音效的高清视频内容。在具体使用过程中，用户仅需提供参考视频、图片或音频素材，再辅以自然语言描述指令，即可一站式完成高复杂度的视听内容生成任务。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

Minimax Coding Plan Tool

MiniMax Token Plan 工具——支持图片生成、图像理解、语音合成和视频生成。直接调用 MiniMax 官方 API，纯 JavaScript 实现，无需外部 MCP 服务器。

下载

从技术底层来看，MiniMax H3摒弃了传统多模态模型按任务划分、分别部署专家子模型的设计范式。研发团队将文本生成图像、文本生成视频、图像生成视频及音频处理等多元任务统一纳入单一预训练框架，构建出结构更紧凑的 H3-Omni Transformer 架构，端到端训练吞吐量因此提升约30%。此外，依托重构后的 Tokenizer 所支撑的 H3-VAE 架构，模型实现了卓越的压缩效率，大幅缓解了高分辨率视频生成场景下的推理资源压力。

在商业化与生态适配层面，MiniMax H3在 2K 分辨率下的每秒调用成本低于当前主流竞品的三分之一；且自设计之初即深度适配国产AI芯片架构。目前，该模型已在影视片头制作、游戏UI动效设计、动态海报生成以及电商广告创意等实际业务场景中展现出强劲落地能力，尤其在文字渲染精度与品牌元素呈现一致性方面取得明显突破。