MiniMax H3发布 通用全模态生成模型支持2K视频

IT时代网7月31日消息，MiniMax正式发布H3通用全模态生成模型。这是一款支持对文本、图像、视频、声音组成的多模态上下文进行统一理解的开放模型，最高可输出15秒2K分辨率的原生双声道音视频内容。

在内容生成能力方面，MiniMax H3在指令遵循、文字与品牌信息呈现、视频到视频动作迁移等方面表现出色，可实现精准可控的多模态内容编辑与生成，广泛适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景。

性价比是H3的一大亮点。得益于Contextual Omni Representation、H3-VAE、H3-Omni Transformer等多项技术，该模型在2K分辨率下每秒价格不到主流模型的三分之一，768P分辨率下不到二分之一，默认即提供2K分辨率输出。

在任务泛化方面，H3打破了传统生成模型在任务和模态上的隔离。过往模型往往将图片生成、视频生成、声音生成分割为独立功能，而H3通过统一架构实现了任务泛化。用户可通过自然语言描述清楚上下文和目标视频的关系，复杂的全模态理解工作由模型自行完成。

此外，MiniMax计划在未来几天内，在符合相关法律法规的前提下，开放H3模型权重。该模型设计初期即考虑了多款现有国产芯片的兼容性，以推动开源社区发展和国产芯片适配。