MiniMax 在 7 月 31 日发布全模态生成模型 H3（海螺 Hailuo 3.0），并表示将在近日开源模型权重。这是该公司继 6 月开源文字模型 M3 之后，又一次对外公布新模型进展。
按照 MiniMax 的说法，H3 的定位已经从专用任务模型，转向通用多模态智能。与将生图、生成视频、生成音频、编辑和参考能力拆分不同，H3 试图在文字、图片、视频、声音混合的语境中，统一理解用户输入，再完成生成。
官方称 2K 视频生成成本为每秒 0.8 元
MiniMax 公布的价格数据显示，H3 在 2K 分辨率下的视频生成成本为每秒 0.8 元人民币，生成一段 15 秒视频约需 12 元人民币。官方称，这一价格约为同级旗舰模型的三分之一。
MiniMax 官方账号当天还发文称，H3 已登陆 Runway，并写道开源权重“coming soon”。
支持图像、视频、音频混合输入
在输入端，H3 支持文字、图片、音频、视频，并允许混合输入。输出端则支持原生 2K 分辨率、24 帧、时长 5 到 15 秒的音画同步内容。按照官方介绍，图像和声音由同一次生成完成，而不是先生成画面、再单独补配声音。
H3 的一项核心功能是 Omni-Reference 全模态参考。单次生成最多可加入 9 张参考图、3 段参考视频和 3 段参考音频，用于指定风格、角色、动作或音色。MiniMax 表示，这些参考内容不会被模型当作必须照搬的关键帧，模型仍保留自身的生成和解释空间。
覆盖视频生成、编辑和动作迁移
功能方面，H3 支持文生视频、图生视频、多镜头叙事、指令式编辑，以及 V2V Motion Transfer。后者指的是把一段视频中的动作迁移到另一个角色身上。
MiniMax 在应用场景中列出的方向包括广告、品牌营销、电商、产品设计、UI/UX 和游戏。其表述中使用了“商业级生产”这一说法，而非仅强调生成视频。
榜单表现与开源进度仍待验证
就生成效果而言，MiniMax 自称排名第一的项目是“视频编辑”这一子项，而不是综合视频生成。
同一份 Artificial Analysis 榜单截至 7 月的数据显示，字节跳动于今年 2 月发布的 Seedance 2.0 仍以 1,213 Elo 领先含声音视频榜，在图生视频盲测中则以 1,344 Elo 位列第一。Google Veo 3.1 被视为综合表现最强；快手可灵 Kling 3.0 则在 llm-stats 视频竞技场中以 2,023 分居冠。
至于开源，MiniMax 目前给出的表述仍是“近日”，模型权重尚未出现在 Hugging Face 上。H3 的实际表现是否能支撑其定位，还要等权重上线以及第三方跑分结果公布后，才会更清楚。