MiniMax开源视频模型H3支持2K高清生成

近日，人工智能企业MiniMax正式宣布开源其新一代通用视频模型H3，这一消息在视觉大模型领域引发广泛关注。H3模型在生成规格上实现了多项突破，支持4至15秒的时长输出，并提供24 FPS帧率以及32 kHz立体声，为用户带来流畅且高保真的音视频体验。

在分辨率方面，H3不仅支持常规模式下的768像素短边输出，还通过专用的H3-Regenerate-2K方案，能够生成高达2K分辨率的画面，极大提升了视觉细节的呈现。同时，模型支持21:9、16:9、4:3、1:1等多种常见宽高比，满足不同创作场景的需求。在多语言交互上，H3稳定支持阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、西班牙语、葡萄牙语和俄语等11种主流语言，为全球开发者提供了便利。

为了适应多样化的创作需求，H3推出了灵活的模型版本与丰富的输入规格。其中，H3-Base-FL2VA首尾帧模式支持输入0至2张图像，能够灵活应对文生视频、首帧生视频、尾帧生视频以及首尾帧协同生成等不同任务。而H3-Base-Ref2VA全模态参考模式则支持最多9张图像、3段视频（总时长不超过15秒）以及3段音频的混合输入，文件总数最高可达12个，为专业创作者提供了精细的控制手段。

在系统架构的底层设计上，完整的MiniMax H3包含三个核心模块。首先是H3-Context-IR（上下文中间表示），它能够将复杂的多元指令深度剖析并转化为模型易于理解的结构，是保障高品质输出的关键环节。其次是负责生成768p基础音视频的H3-Base模块。最后则是通过将初始结果与原始上下文回传实现2K超分重构的H3-Regenerate-2K模块。这一组合既保留了生动的细节，又极大提升了视觉的保真度。

目前，该模型已基于MiniMax H3 Community License正式发布，相关开发者与技术爱好者可以通过官方渠道获取模型权重和文档。此次开源不仅展示了MiniMax在视觉大模型领域的技术积累，也为多模态生成的研究与应用提供了新的可能性。