Så här använder du MiniMax H3: Prompts, lokala körningar och ljud som inte är skräp

Den 4 augusti laddade Simon Willison ner ungefär 115 GB vikter, riktade en inofficiell MLX-port av MiniMax H3 mot sin M5 Max MacBook Pro och bad om en regnbågsfärgad skunk som hoppar över en mossig stock i en stormarknad. Knappt 45 minuter senare hade han ett klipp som han beskrev som genuint imponerande – med ett ljudspår som han beskrev som konstigt, tal-liknande skräp. Hans egen diagnos var den användbara delen: han hade inte gett modellen några ljudinstruktioner och hade inte läst promptguiden först. Det är den kortaste tänkbara sammanfattningen av hur det är att börja använda H3, som också säljs som Hailuo 3.0. Bilden kommer mer eller mindre gratis. Allt annat – ljudet, tagningarnas tajming, 2K, karaktären som måste överleva fyra tagningar i rad – måste man uttryckligen be om, i ett format som är striktare än nästan alla andra videomodeller som används just nu.

Det här är en användningsguide, inte lanseringstäckning. Tre källnivåer löper genom den, och de är märkta varje gång: företagets egen dokumentation (modellkortet, de två promptskrivningsguiderna som medföljer i arkivet, plattformens API-dokumentation); community-rön från personer som faktiskt har kört den — ComfyUIs underhållare, oberoende benchmarkare, återförsäljardokumentation och Hugging Face-diskussionstrådar, alla daterade mellan 31 juli och 5 augusti 2026; och ett litet antal platser där vi själva läser en primärfil och anger detta. Community-siffror är enstaka rapporter på okontrollerad hårdvara om inget annat anges. Där utövare inte håller med varandra rapporteras oenigheten snarare än löses.

Först och främst: du kör förmodligen inte hela modellen

Det mesta av förvirringen under den första veckan med H3 går tillbaka till en strukturell omständighet som marknadsföringsmaterialet suddar ut. H3 är inte en enda modell. Enligt dess modellkort är det ett system som består av tre delar, och bara den mellersta delen publicerades som öppen källkod:

• H3-Context-IR — en multimodal instruktionsförbehandlare. Den läser din text, bilder, ljud och video, resonerar om hur de förhåller sig till varandra och genererar en strukturerad, semantiskt berikad representation av det du bad om. Endast värdbaserat API. Den exponeras som en egen uppgiftstyp som returnerar en berikad prompt och ingen video alls.

• H3-Base — generationsmodellen med 33B parametrar som faktiskt skapar bildrutor och ljud. Detta är delen med öppna vikter.

• H3-Regenerate-2K — ett kontextuellt regenereringssteg som tar 768p-resultatet upp till 2K. Endast värdbaserat API.

Två konsekvenser följer omedelbart, och de avgör hela ditt arbetsflöde. För det första, lokal generering är ett 768p-tak. H3:s ursprungliga canvas har en kortkant på 768 pixlar, begränsad till 768×1344 — ungefär 1344×768 för 16:9. Om din ComfyUI-output inte är 2K, är inget trasigt; paketet du laddade ner är H3-Base, och uppskalningsmodulen ingår inte i det. För det andra, det värdbaserade API:et kommer att fixa en slarvig prompt, men din lokala installation kommer inte att göra det. Allt Context-IR gör för ett betalt API-anrop — att sluta sig till struktur, att reda ut vilken referens som betyder vad, att fylla i de delar du lämnade vaga — är ett steg som du nu utför för hand, eller med en annan modell, innan H3-Base någonsin ser dina ord. Denna enda asymmetri förklarar de flesta rapporterna om att "samma prompt fungerar på Hailuo men ser trasig ut i ComfyUI."

Värt att notera från själva repot: vikterna bär en minimax-h3-community-license-agreement-tagg snarare än Apache eller MIT (mer om det nedan, eftersom det är den del som avgör om du överhuvudtaget kan leverera), modellen listas på 33B parametrar i F32/BF16, och i dagsläget listas exakt en inferensleverantör — fal — som serverar den. Det finns redan tjugotre finjusteringar, tjugo kvantiseringar och trettioen Spaces baserade på den, vilket är en tydlig signal om hur snabbt communityt rörde sig.

Promptformatet: bildblock, inte tidskoder.

Här är där communityn och dokumentationen öppet står i konflikt, och det betyder mer än något annat enskilt i den här artikeln.

Mallen som spreds snabbast — via Reddit, sedan i flera publicerade guider — delar upp klippet i tidskodsintervall: [0s-2s], [2s-5s], och så vidare, följt av en sexblockstruktur med stilkontrakt, tidslinje, kamera, ljud, bokstaverad text och en negativlista. Den rekonstruerades genom att läsa de 45 exempelprompter som företaget skickade med, och den är inte nonsens: dessa exempel är verkligen bildlistor med en ljudköslista bifogad, med en medianlängd på omkring 130 kinesiska tecken och de längsta nådde 657 och 858 tecken.

Men företagets egen VIDEO_PROMPT_WRITING_GUIDE_base_en.md, som ligger i repositoryts docs-mapp, föreskriver något annat. Den organiserar efter shot block, inte efter tidsintervall. Vi läser den direkt; strukturen den efterfrågar är:

• Instruktion — regler för bildjustering, som används för nyckelbildslägena (I2VA, FL2VA, L2VA) och utelämnas för ren text-till-video.

• integrated_multimodal_description — huvuddelen, uppdelad i [Shot 1], [Shot 2], och så vidare.

• övergripande ljudlandskap — en till fyra meningar av diegetiskt ljud.

• non_diegetic_music — en till tre meningar om musiken.

Inuti det är konventionerna specifika nog för att kunna kontrolleras. [Shot 1] tar ingen tidsstämpel alls — efterföljande tagningar inleds med ett absolut klipp, formulerat som "Vid 00:03.500 klipper kameran till…". Kamerarörelser skrivs som rörelsetyp plus amplitud plus hastighet, vävda in i naturlig engelska i stället för att staplas som etiketter: en långsam push-in med liten amplitud, inte camera: dolly-in, slow. De tillgängliga rörelserna är den välkända uppsättningen — zoom, pan, tilt, tracking, arc, POV och shake i svaga eller starka varianter. Dialog omges av taggar: <d>[English] Get in the car.</d>, med skiljetecken bevarade exakt och aldrig översatta eller omskrivna. Talare får stabila ID:n — (S1), (S2) och (S1,S2) för en gemensam replik — med ålder, kön, klangfärg och accent beskrivna vid första framträdande. Voiceover markeras som en replik utanför bild med en uttrycklig notering om att läpparna förblir stängda, vilket är hur du hindrar modellen från att synka berättarröst till ett ansikte. Parallellklippta konversationer använder en <scenetrans> markör plus ett kontinuitetsuttalande.

Guidekons explicita förbud är lika informativa som dess regler: tidsstämpla inte den första bilden, upprepa inte dialog eller sång eller musik i bild inuti overall_soundscape, använd inte abstrakta stämningsord i non_diegetic_music, och omskriv aldrig en enda dialograd. Och en anmärkningsvärd frånvaro — den officiella guiden har inte något avsnitt om negativ prompt överhuvudtaget, vilket innebär att listan över "förbjudna övergångar" i den populära communitymallen är ett påhitt av communityn, inte en dokumenterad funktion.

Hur allvarligt ska man ta konflikten? I en diskussion på Hugging Face om H3-repot lade en communitymedlem upp den timecode-liknande strukturen som en guide, och en annan utövare svarade rakt på sak att de hade använt en liknande struktur, att den var helt fel, och att man borde läsa den medföljande manualen istället. Det är en person som motsäger en annan, inte ett avgörande från en underhållare. Vår tolkning av bevisen: båda fungerar genom det värdbaserade API:et, eftersom Context-IR normaliserar vad du än skickar; bara det dokumenterade formatet är tillförlitligt direkt mot H3-Base. Om du kör lokala vikter, följ filen i repot. Om du använder API:et och en timecode-prompt ger dig bra klipp, så är det förbehandlaren som gör jobbet åt dig, och du ska inte dra slutsatsen att formatet är det som gav dig de bra klippen.

Att kompilera en lat brief till H3:s dialekt.

Ta Willisons tolvordsprompt som indata — en regnbågsfärgad skunk som hoppar över en mossig stock i en mataffär. Skrivet på det dokumenterade viset blir det ungefär: ett [Bild 1]-block som inleds med att namnge stilen (live-action, handhållen, lysrörsbelyst) och bildutsnittet (en mataffärsgång, en mossbevuxen stock tvärs över linoleumgolvet, hyllor som försvinner i fjärran), sedan motivet och handlingen i fysisk ordning — två smygsteg, en hukning, språnget, landningen — med kameran som en långsam, lågamplitud trackingrörelse som slutar på stockens bortre sida; en övergripande_ljudbild av klor mot linoleum, stockens fuktiga skrap, ett surr från kylaggregat och avlägsna kundvagnshjul; och en icke_diegetisk_musik-rad om en kort, lätt, pizzicerad strängfigur utan sång. Inget av det är kreativt geni. Det är samma idé, med de fyra saker H3 efterfrågar faktiskt levererade — och det är skillnaden mellan ett oönskat rumsljud och ett ljudspår du designat.

Detta steg är mekaniskt, repetitivt och ett dåligt utnyttjande av en människa, vilket är precis varför företaget släppte ett verktyg för detta, som nästan ingen bevakning har uppmärksammat. Repot innehåller en färdighetskatalog med nio agentfärdigheter, och den första — h3-prompt-writing — gör precis detta: den tar en förfrågan och skriver en strukturerad H3-prompt i alla fem genereringslägen, komplett med ljudlandskap och musiksektioner. De övriga åtta är genre-recept (produktreklam, 3D-animerad kortfilm, papercraft-förklaringsvideo, musikvideo-textning, co-op-spelintro, handritad live-action-hybrid och så vidare) som paketerar samma format i ett arbetsflöde.

Att köra den färdigheten kräver en textmodell, inte en videomodell, och det är här en router verkligen är användbar snarare än ett plugin. Företagets egen LLM, MiniMax M3, är ett förnuftigt val för uppgiften och finns på OrcaRouter för $0.30 per miljon inmatningstokens och $1.20 per miljon utdatatokens — leverantörens listpris, eftersom vi förmedlar det med 0 % påslag — med ett 1M-token kontextfönster och, ovanligt nog, video som en accepterad inmatningstyp. Den sista detaljen är det som gör att den passar: du kan ge den den officiella promptguiden, din brief och en faktisk referensvideo i ett enda anrop, och få tillbaka [Shot N]-blocket som beskriver det. Att sammanställa en prompt kostar en bråkdel av ett cent jämfört med videogenerering som faktureras per sekund, så det finns ingen anledning att skriva dessa för hand. Två ärliga varningar: H3:s videogenerering i sig körs inte på OrcaRouter — klippen kommer från företagets plattform, fal, eller din egen GPU — och kompileringssteget är en bekvämlighet, inte en kvalitetsgaranti. Vad routern ger dig här är att textdelen av pipelinen ligger bakom en enda nyckel med automatisk failover, så ett leverantörsavbrott mitt i en batch inte lämnar en renderingskö i sticket, och att byta ut M3 mot en annan modell för att jämföra kompilerade prompts är en strängändring snarare än ett nytt avtal.

Ljud är där alla förlorar den första dagen.

Den mest välbekräftade feltypen under den första veckan är den som Willison drabbades av: lämna ljudet ospecificerat så hittar H3 på något, dåligt.Han fick tal-liknande brus från en prompt utan ljudinstruktioner. Reverse engineering-genomgången av de officiella exemplen rapporterar samma typ av fel i mildare form — utelämna ljudblocket så levererar modellen ett oönskat rumsljud — och beskriver dessa som frånvaro snarare än misstag, vilket är rätt sätt att tänka kring en gemensam ljud-videomodell. Den genererar alltid ett ljudspår. Ditt enda val är om du specificerar det.

Genom att kombinera vägledningen i den officiella promptguiden med vad återförsäljardokumentation och recensenter rapporterar faktiskt fungerar:

• Dialog är det svåraste att be om. Begränsa talade rader till en eller två meningar per fem sekunder av klippet. Alltför långa rader ger forcerat framförande, ljud som rinner över sista bilden, eller ansträngd läppsynk — rapporterat konsekvent bland granskarna.

• Beskriv talaren före repliken, och framförandet tillsammans med den. Ålder, kön, klangfärg och accent vid första framträdandet enligt den officiella guiden; enkla, direkta framförandeanteckningar (tydligt, varmt, entonigt) snarare än utförliga regianvisningar, som enligt uppgift försämrar synkningen.

• Bind varje effekt till en synlig händelse."En korkpopp exakt när korken flyger" i stället för "ljud: en popp". Orden as, when och then är det som bär synkroniseringen.

• Beskriv kortfattat musik efter genre, tempo, stämning och instrumentering — aldrig efter artist eller låt. Lägg till "no vocals" när bilden ska leda; det är ett dokumenterat sätt att hålla mixen ren.

• Lägg in stämning i en enda sats. Regn mot glas, ett lågt sorl av samtal, det enstaka koppklirret, mjuk bakgrundsjazz — staplade i en enda mening i stället för uppräknade.

• Upprepa inte dialog i ljudlandskapssektionen. Ett uttryckligt förbud i den officiella guiden; sektionerna är avsedda att vara separata, och att upprepa en replik där är ett sätt att få den två gånger.

• Om ett ord måste vara läsbart på skärmen, skriv ordet inom citattecken. Recensenter rapporterar att specificerade strängar återges tydligt medan vaga förfrågningar ("HUD elements", "a sign") återkommer som bokstavsformat brus.

Där ljudet verkligen levererar, enligt flera recensenter, är konkret fysiskt ljud — foley och effekter kopplade till något synligt — och ambiens. Det är svagare på abstrakta eller atmosfäriska förfrågningar. Scener med flera talare kräver ofta redigering för att få talarordningen rätt, och uttalskvaliteten varierar mellan språk, så testa målspråket på ett slängklipp innan du binder ett projekt till det. Flera recensenter noterar också det ärliga taket: ljudet är tillräckligt bra för social distribution och generellt inte tillräckligt bra för att levereras som en broadcast- eller betald annonsmix utan ersättning. Inget av detta är leverantörsvägledning; det är vad utövare rapporterar.

Referenser: ge varje fil en uppgift

H3:s referenssystem är dess starkaste differentierare och platsen där inställningsfel är vanligast. De dokumenterade gränserna, från plattformens API-dokumentation: upp till 9 bilder, 3 videoklipp och 3 ljudklipp, begränsat till 12 filer totalt, där varje referensvideo eller referensljud är mellan 2 och 15 sekunder och deras totala längd inte överstiger 15 sekunder. Referens-till-video kräver minst en bild eller video; enbart ljud accepteras inte.

Den teknik som både den officiella referensguiden och community-rapporterna är överens om är att tagga varje input och tilldela den ett jobb. Referera via tagg i exakt den ordning filerna bifogades — <Picture 1>, <Video 1>, <Audio 1> — och ange sedan i prompten vilken referens som styr vilken egenskap: identitet, stil, rörelse, kamera eller röst. De officiella exempelprompter öppnar exakt på detta sätt och förklarar att bild ett är referensen för den övergripande stämningen och stilen och att bild två är huvudkaraktären. Utövare rapporterar att explicit tilldelning fungerar avsevärt bättre än att bara dumpa nio bilder och hoppas.

Två detaljer som kostar folk renders:

• <Picture 1> är inte en moodboard — det är den bokstavliga första bildrutan vid 0,000 sekunder, och den tillhör [Shot 1]. Beskriv vad som finns i den (stil, motiv, komposition, scenankare) innan du beskriver handlingen som följer från den. Behandla den som en stillbild du animerar, inte en ledtråd.

• Det finns två separata checkpoints, och att använda fel en misslyckas tyst. fl2va hanterar text-till-video och första/sista-bildarbete; ref2va hanterar referens-till-video. Detta är det mest rapporterade ComfyUI-felet: R2V-grafen körs med FL2VA-modellen fortfarande vald. Värt att veta är också att en kommentator på ComfyUI-tillkännagivandet påpekar att den medföljande R2V-mallen endast exponerar två bildreferensplatser trots att modellen accepterar nio — en mallbegränsning, inte en modellbegränsning.

På den hostade sidan, ytterligare två praktiska anteckningar från återförsäljardokumentationen: ratio-parametern krävs på ref2va-slutpunkter och kan inte lämnas som "adaptive", och överlappande jobb returnerar 429 för uppgiftssamtidighet snarare än att köas — så batcha sekventiellt, eller bygg din egen kö. Lokalt, ref_image_size har som standard match, vilket är snabbare; max bevarar en kort kant på upp till 2048 pixlar på referensen och kostar tid.

Vad en lokal körning faktiskt kostar i väggklockstid

Att ladda ner hela det officiella arkivet är 498 GB, och ComfyUI-ompaketerade spegeln är 343 GB. Du behöver inte något av dem i sin helhet. De fyra filerna som ComfyUI:s egen handledning listar för text-till-video och bild-till-video uppgår till cirka 42,5 GB:

• Diffusionsmodell — minimax_h3_fl2va_pruned_int8_convrot.safetensors, 20.97 GB, till models/diffusion_models.

• Textkodare — qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors, 15.69 GB, till models/text_encoders.

• Video VAE — minimax_h3_video_vae_fp16.safetensors, 5,21 GB, till models/vae.

• Audio VAE — minimax_h3_audio_vae_fp32.safetensors, 0.61 GB, även i models/vae.

• Lägg till för referens-till-video — minimax_h3_ref2va_pruned_int8_convrot.safetensors, ytterligare 20,97 GB.

Den där 42,5 GB är inte en VRAM-siffra — det är disk, och delarna strömmas och avlastas. Att modellen överhuvudtaget får plats på konsumentkort är ett ingenjörstrick som ComfyUI har dokumenterat: ungefär 40 % av parametrarna lever i AdaLN-moduleringsgrenar vars utdata kan förberäknas och ersättas med funktionellt likvärdiga uppslagstabeller, vilket tar den inlästa modellen från 33,12B till cirka 20,11B med, enligt ComfyUI, ingen kvalitetsförlust. Full precision skulle vara 123,6 GB. Okvantiserade int8-checkpoints (34,04 GB vardera) och bf16-varianter (66,28 GB vardera) finns om du finjusterar eller jagar de sista procentenheterna av trohet.

ComfyUI 0.30.0 eller senare krävs, och det levereras med tre mallar: T2V, I2V och R2V. Den utgångspunkt som alla guider och underhållare konvergerar mot för en första körning är medvetet liten: 16:9 på 0,4 MP (864×480), 5 sekunder, 20 steg, res_multistep-samplare med den enkla schedulern, denoise 1.0, batch 1. Skaffa en MP4 som innehåller både video och stereo-ljud innan du rör upplösningen eller längden. En aritmetisk egenhet att vänta sig: längderna snäpper till ett 17k+5 bildrutnät, så en 5-sekunders begäran blir 124 bildrutor — ungefär 5,17 sekunder vid 24 fps — och en 10-sekunders blir 243 bildrutor, eller 10,125 sekunder. Förfrågningar i intervallet 5–15 sekunder är den säkrare zonen.

Vad detta kostar i realtid, enligt rapporter från communityt (alla enstaka körningar, okontrollerade, med olika inställningar — diagrammet ovan visar varje konfiguration bredvid sin stapel): ett 12 GB RTX 3060 med 32 GB system-RAM och en snabb NVMe slutförde baslinjen 864×480 / 124 bildrutor / 20 steg på under nio minuter med dynamisk offload. En 16 GB RTX 4090-laptop med SageAttention aktiverat klarade 960×540, 5 sekunder, 20 steg på 182 sekunder. En NVFP4-build på ett enda RTX 5090 producerade ett 243-bildrutors (10,1 s) 864×480-klipp med 10 steg på 175 sekunder, med en topp på 26,9 GiB VRAM och bara 31,7 GB filer på disken. SGLang:s egen cookbook-referens — 1344×768, 124 bildrutor, 50 steg över två RTX 5090 med lagervis offload — tog 559,67 sekunder. Och Apple Silicon-vägen, via den inofficiella MLX-porten, tog strax under 45 minuter för ett enda klipp.

Praktiska anteckningar destillerade från dessa rapporter:

• System-RAM och diskhastighet är bärande, inte valfria.På ett 12 GB-kort överstiger de valda filerna VRAM-minnet avsiktligt, så avlastningsvägen går genom RAM och sedan SSD:n. 32 GB RAM förekommer i båda lyckade rapporterna med lågt VRAM. Inget verifierat 8 GB-resultat finns.

• SageAttention är den enda gratis snabbningen — ungefär 2× enligt ComfyUI, mindre om din körning domineras av offload-trafik. Installera hjulet som matchar din exakta PyTorch- och CUDA-version samt ComfyUI-KJNodes, och sätt sedan in Patch Sage Attention KJ mellan UNET-laddaren och guiden och ställ in den på auto. Förvänta dig varningar om att vissa H3-lager inte är FP16/BF16; denna fallback är dokumenterad och normal.

• Stegen är förhandlingsbara. 5090-benchmarken körde 10 och ComfyUI-baslinjen kör 20, medan SGLang-referenskonfigurationen använder 50. Ingen har publicerat en kvalitet-per-steg-kurva, så hitta ditt eget golv innan du antar att du behöver 50.

• Ändra en variabel i taget när OOM uppstår. Den dokumenterade återställningen är att gå tillbaka till 0,4 MP, 5 sekunder, batch 1, och sedan justera en enda ratt per försök.

• Tyst ljud innebär att audio-VAE:n inte är kopplad till videoutgångsnoden. Ett annat fel än dåligt ljud, och lätt att misstolka som att modellen vägrar generera ljud.

• Apple Silicon är inofficiellt. Willisons väg var PipeNetwork/minimax-h3-mlx, en community-port, körd via uv mot en MLX-requirementsfil. Företagets egna material nämner SGLang, vLLM, Diffusers och ComfyUI, med en typisk driftsättning av fyra GPU:er i BF16, och säger ingenting om Metal eller MPS. Behandla Mac-stöd som community-underhållet.

Lokalt kontra värdbaserat, med siffrorna

Eftersom 2K-modulen och promptförbehandlaren är enbart värdbaserade, är detta inte egentligen ett antingen/eller. Det mönster som arkitekturen driver dig mot är: iterera lokalt på 768p där varje försök kostar elektricitet och tre minuter, köp sedan slutresultatet. En avgift per sekund är bra för de tagningar du behåller och ruinös för de fyrtio du slänger.

När det gäller pris, var försiktig, eftersom det varierar ungefär 2× beroende på vem du köper från och leverantörens eget blogginlägg anger inget dollarbelopp — bara att 2K kostar mindre än en tredjedel av priset för vanliga modeller och 768p under halva priset för konkurrenternas 720p. Vad som konkret har publicerats: fal, för närvarande den enda inferensleverantören som är listad på Hugging Face-repot, tar $0,16 per sekund vid 768p och $0,26 per sekund vid 2K. Sekundära spårare rapporterar företagets eget listpris väsentligt lägre — runt $0,09–$0,10 per sekund vid 768p och $0,13–$0,14 per sekund vid 2K — och de är inte överens med varandra på centen, så betrakta dem som vägledande och kontrollera plattformens prissida innan du lägger upp en budget. Budgetera också för att en referensvideo debiteras för sin egen varaktighet såväl som för den genererade utdatan.

Kör det med ett verkligt tal. Hundra keeperklipp på åtta sekunder vardera blir 800 genererade sekunder: cirka 112 dollar till ett 2K-pris på 0,14 dollar, ungefär 208 dollar till fals 0,26, och runt 76 dollar om du levererar i 768p till det lägre listpriset. De fyrtio förkastade per keeper är det som avgör notan, och det är dem du bör generera lokalt. Det är också anledningen till att hålla priset du jämför med ärligt – på OrcaRouter skickas textsidan av den pipelinen vidare till leverantörens listpris med 0 % påslag, så när en leverantör sänker ett pris är det live samma dag i stället för efter en marginalomräkning. Videogenerering är, återigen, inte vår; poängen är bara att kompileringssteget inte ska vara den post du behöver fundera över.

Läs licensen innan du bygger en produkt på detta.

Det här är den del som de flesta "how to use"-guider hoppar över, och för många läsare är det den enda del som ändrar ett beslut. Vi läser LICENSE-filen i repot direkt. Vikterna levereras under H3 Community License Agreement, inte en öppen källkodslicens, och den innehåller villkor som är ovanliga nog att citera i sak:

• Territorium. Licensen definierar dess ”tillämpligt territorium” som världsomspännande, exklusive Europeiska unionen, Förenade kungariket, Republiken Korea och Amerikas förenta stater. Läser man det ordagrant, utesluter det en stor andel av de personer som för närvarande publicerar lokala generationsresultat — och begränsningen är utformad för att omfatta utdata, inte bara vikterna.

• Attribution. Kommersiell användning kräver att "H3" visas i produktens gränssnitt; licensen uppmuntrar också en "Powered by H3"-notis.

• Intäktströskel. Organisationer som tjänar över 20 miljoner dollar per år på produkter eller tjänster byggda på den måste inhämta särskilt skriftligt tillstånd från företaget.

• Ingen destillering. Du får inte använda H3 eller dess utdata för att förbättra någon annan AI-modell, förutom H3-derivat. Det utesluter det vanliga tricket med syntetisk data.

• Tillämplig lag. Hongkong SAR, med exklusiv jurisdiktion i Hongkongs domstolar.

• En genuint öppen komponent. Qwen3-VL-32B-textkodaren är Apache 2.0; begränsningarna ovan gäller H3-vikterna.

Vi är inte era advokater och detta är inte juridisk rådgivning — läs licensen och Q&A-dokumentet som företaget levererar tillsammans med den, och om ni bygger kommersiellt inom ett exkluderat territorium, sök juridisk rådgivning snarare än att förlita er på en bloggs tolkning. Det praktiska vägskälet: det värdbaserade API:et är en annan transaktion med andra villkorän communitylicensen på vikterna, så om den lokala licensen inte fungerar för er kan API-vägen fortfarande vara tillgänglig. Kontrollera villkoren för vilken plattform ni än köper från.

En testplan för första veckan

Fem körningar, i denna ordning, räcker för att veta om H3 hör hemma i din pipeline:

• Körning 1 — bevisa att rörsystemet fungerar. T2V-mall, 864×480, 5 sekunder, 20 steg, res_multistep/simple. Framgångskriteriet är en MP4 med stereo-ljud i den, inte ett bra klipp.

• Körning 2 — bevisa att formatet spelar roll. Samma ämne två gånger: en gång som en lös enradsbeskrivning, en gång skriven som [Shot 1] plus overall_soundscape plus non_diegetic_music. Om den andra inte är tydligt bättre mot H3-Base, är något fel i din uppställning.

• Tagning 3 — en dialograd. En talare, en mening, beskriven leverans, fem sekunder. Det här är det snabbaste sättet att bedöma om ljudet är tillräckligt bra för ditt ändamål, och hur ditt målspråk uttalas.

• Körning 4 — referensdisciplin. R2V med ref2va kontrollpunkten, två eller tre referenser, var och en explicit taggad och tilldelad en uppgift, med <Picture 1> beskriven som den faktiska första bildrutan. Bryt det sedan avsiktligt: koppla samma referenser utan tilldelningar och jämför.

• Körning 5 — avslutningen. Ta din bästa lokala 768p-prompt till det hostade API:et på 2K och se vad Context-IR och regenereringspasset tillför. Den skillnaden är vad priset per sekund köper, och det är det enda sättet att ärligt prissätta hybridarbetsflödet.

FAQ

Kan jag få 2K av de lokala vikterna?

Nej. Det öppna paketet är H3-Base, vars ursprungliga bildyta har en kortsida på 768 pixlar (upp till 768×1344). 2K kommer från H3-Regenerate-2K, en separat regenereringsmodul i kontext som företaget behöll på det värdbaserade API:et. Du kan skala upp lokalt med vilken generell uppskalare som helst, men det är en annan operation än H3:s egen regenereringsomgång och kommer inte att matcha den.

Varför beter sig samma prompt annorlunda på API:t och i ComfyUI?

Eftersom API:t kör H3-Context-IR först. Det läser din text och dina referenser, resonerar kring hur de relaterar till varandra och ger H3-Base en strukturerad, berikad instruktion. Lokalt finns inget sådant steg – H3-Base får dina råa ord. En vag prompt som ger ett kompetent klipp genom API:t räddas av en förbehandlare som du inte installerat, vilket är anledningen till att det dokumenterade promptformatet är mycket viktigare för lokala användare än för API-användare.

Är timecode-mallen [0s-2s] fel?

Det är inte vad den medföljande guiden kräver. Företagets VIDEO_PROMPT_WRITING_GUIDE_base_en.md organiserar efter [Shot N]-block, ger Shot 1 ingen tidsstämpel och uttrycker senare klipp som absoluta tider (”Vid 00:03.500 klipper kameran till…”). Den har inte heller någon negativ-promptsektion, så listan över ”förbjudna övergångar” i den populära mallen är ett community-tillägg. Med det sagt rapporterar praktiker goda API-resultat med tidskodsformatet — troligtvis eftersom Context-IR normaliserar det. Vår tolkning: använd det dokumenterade formatet mot lokala vikter, och tillskriv inte tidskods-parenteserna API-resultat som förbehandlaren kan ha förtjänat.

Kan ett företag i USA eller EU använda de öppna vikterna kommersiellt?

Licenstexten vi läste undantar EU, Storbritannien, Sydkorea och USA från dess tillämpliga territorium, och undantaget är formulerat för att täcka både utdata och vikter. Detta är ett allvarligt hinder för kommersiell driftsättning på dessa platser, och det är en juridisk fråga snarare än en teknisk sådan — läs licensen och Q&A-filen själv och sök råd. Det värdbaserade API:t styrs av plattformens egna villkor, inte communitylicensen, så det är värt att utvärdera separat snarare än att anta att det är lika begränsat.

Vad du ska kontrollera innan du committar

H3 är ovanligt bra valuta för en specifik typ av arbete: korta, ljuddesignade, referenskonsistenta klipp där du är villig att skriva en riktig inspelningslista. Den är ovanligt krävande när det gäller hur du frågar. De tre saker som är värda att verifiera själv, eftersom de är de som förändras snabbast: om fler inferensleverantörer dyker upp vid sidan av fal (vilket är det som kommer att pressa ner priset per sekund), om ComfyUI R2V-mallen växer förbi två referensplatser till modellens nio, och om gemenskapens tidskodsvana eller det dokumenterade shot-block-formatet vinner när någon väl kör en kontrollerad jämförelse mot lokala vikter. Ingen har publicerat den jämförelsen ännu. Tills dess är manualen i repot det bättre valet — och den ligger i samma nedladdning som du redan spenderat 42 GB på.