MiniMax H3 多模态视频模型 — 文本图片视频音频统一理解
H3 和 Hailuo 2.3 的定位差异
Hailuo 2.3 系列是专用视频生成模型——主打从零生成高质量视频。MiniMax H3 则是多模态理解模型——它不仅能生成视频，还能理解和编辑已有的视频、图片、音频。
简单说：Hailuo 2.3 负责「造」，H3 负责「改」和「组合」。
H3 的独特能力
原生多模态理解
H3 能同时接收多种输入：
- 文本：提示词、指令、对白
- 图片：人物参考、场景参考、风格参考
- 视频：已有视频的剪辑、修改、风格迁移
- 音频：背景音乐、音效、语音克隆
这意味着你可以把一段已有的视频 + 一张人物照片 + 一段提示词喂进去，让 H3 把视频里的人物替换成你指定的角色，同时保持原有动作和节奏。
视频编辑能力
H3 最大的差异化是能编辑已有的视频。可以做的事包括：
- 人物替换：把视频里的人换成另一个人（结合主体参考）
- 物体添加 / 移除：在画面里增加或删除物体
- 场景迁移：把视频搬到另一个背景里
- 特效添加：给已有视频加光效、粒子、风格化处理
- 风格迁移：把真人视频变成动漫风格，或反过来
支持 5–15 秒更长时长
Hailuo 2.3 最长 10 秒，H3 可以生成 5–15 秒的片段。这个时长对短视频创作（比如抖音常见的 15 秒模板）更友好。
原生音频输出
H3 可以在生成视频时同步生成音效和配音——把声音克隆（见账号组声音相关页面）的能力直接整合进了视频生成管线。
输出规格
| 参数 | MiniMax H3 |
|---|---|
| 输入 | 文本 + 图片 + 视频 + 音频（多模态） |
| 时长 | 5–15 秒 |
| 帧率 | 24 FPS |
| 分辨率 | 最高 1440p / 2K |
| 积分消耗 | 按复杂度计费 |
什么时候用 H3
- 视频修改 / 编辑：已有视频需要改人物、改场景、加特效
- 多模态参考创作：需要多种输入综合指导生成
- 需要 10 秒以上的片段
- 需要音频同步生成
- 复杂工作流：生成 → 编辑 → 再生成的多轮迭代
什么时候用 Hailuo 2.3
- 从零开始生成最高质量的视频
- 动漫 / 二次元 / 复杂动作场景
- 电商产品展示
- 对积分消耗敏感的批量生产
简单判断：从零造 → Hailuo 2.3；改和组合 → H3。