MiniMax H3 (Hailuo 3.0)：具备全参考能力的2K AI视频模型详解

MiniMax H3——更广为人知的名称是Hailuo 3.0——是MiniMax最新的AI视频生成模型：它于2026年7月17日在WAIC 2026上亮相，7月31日面向公众发布，如今同时提供四种使用途径——MiniMax的Hailuo平台、Luma Agents、开源权重下载，以及自8月30日起上线的Vercel AI Gateway（新的速度优先型MiniMax H3 Max也一并在此推出）。H3将MiniMax的视频产品线提升到原生2K分辨率，单次生成即可加入同步音频，并引入了一套相当丰富的“全参考”（omni-reference）控制系统。最新进展出现在自托管方面：自9月1日起，开源H3-Base权重可以通过vLLM-Omni提供服务，配合FastVideo的FastH3，其速度快到只需约8.7秒即可渲染出一段完整的10.1秒音视频MP4——比其播放时长还要短。本指南将介绍H3究竟是什么、真正新增了什么，以及它在2026年前沿视频模型中的地位——所有能力的来源和质量声明均已清楚标注。

准确性说明：关于 H3 的能力描述，来源于 MiniMax 的公告与平台文档。Vercel AI Gateway 的可用性已获确认——Vercel 的模型目录同时列出了 MiniMax H3 与 MiniMax H3 Max，其更新日志也记录了上线折扣——尽管促销条款本身仍由厂商宣布。截至撰写本文时，Luma Agents 集成与开放权重版本发布仍只是厂商方面的公告；Luma 自己的产品文档尚未列出 H3，该集成的访问条款也不明确。视频质量在很大程度上是主观的，需要借助人类偏好竞技场来评判；H3 目前已有 Artificial Analysis 竞技场的早期评分——图生视频约 1184 分、带音频的文生视频约 1226 分，数据采集于 2026 年 8 月 27 日——不过，竞技场排名会随着投票累积而不断变化。9 月 1 日“生成速度快于播放速度”的服务指标——一个带同步音频的完整 10.1 秒 MP4 在大约 8.7 秒内渲染完成——由 vLLM-Omni 团队在其博客文章中报告，测量环境为 8× NVIDIA B300 服务器；该数据属于团队自测基准，尚未被独立复现，并且度量的是 FastH3——FastVideo 的四步蒸馏适配器——而非完整的基础模型。请将“哪个看起来最好”这类比较性说法视为临时结论。规格和价格都会变动——构建之前，请先核实。

TL;DR：H3 是一款原生 2K、24fps 的文生视频与图生视频模型，可一次性生成 5–15 秒的片段（可延长至约 30 秒），并同步生成对白、音效和环境声。其突出特性包括全参考（omni-reference，最多支持 9 张参考图、3 个视频片段和 3 个音频片段，用于保持一致性）以及指令式编辑（无需重新生成即可更改角色、物体、场景、声音或节奏）。自发布以来，它迅速铺开：8 月 3 日，基础权重开源；8 月 6 日，MiniMax 宣布 H3 上线 Luma Agents（支持最长 15 秒、带原生立体声的 2K 视频，不过访问条款尚未公开）；8 月 30 日，MiniMax H3 与 MiniMax H3 Max 登陆 Vercel 的 AI Gateway，并推出为期两周的 50% 发布折扣。自 9 月 1 日起，开源基础权重还可用于实时生成：通过 vLLM-Omni 与 FastVideo 的 FastH3，一段完整的 10.1 秒视频+音频 MP4 约 8.7 秒即可渲染完成——据 vLLM-Omni 团队的基准测试，这比实时播放还要快。相较于 Hailuo 2.3（1080p、约 10 秒、不支持全参考），这是一大步；同时 H3 还要与 Kling 3.0、Google Veo 3.1、ByteDance Seedance 2.0 等产品竞争——它在可控性和音频方面表现出色，不过早期独立的竞技场评分仍有待进一步稳固。

关键要点

• H3 = Hailuo 3.0，MiniMax 最新视频模型，于 WAIC 2026 亮相，7 月 31 日发布；可通过 Hailuo、Luma Agents、开放权重及 Vercel 的 AI Gateway 获取。

• 原生2K 24fps，5–15秒片段（可延长至约30秒），多种宽高比，文本转视频和图像转视频。

• 全能参考：最多可提供9张图片、3个视频片段和3个音频片段作为参考，以确保风格、角色、动作和声音一致性。

• 同步对话、音效和氛围一次生成；基于指令的编辑，无需完整重新生成。

• 基础权重于8月3日在社区许可下开源；Context-IR和2K再生模块仍仅限API使用。

8月30日，MiniMax H3和MiniMax H3 Max在Vercel的AI Gateway上线，发布期至9月13日可享5折优惠。

• 自9月1日起，开放的H3-Base权重可通过vLLM-Omni和FastVideo的FastH3进行实时生成服务——一段10.1秒的影音MP4大约在8.7秒内渲染完成，快于播放速度——（团队报告的基准测试结果，尚未经独立复现）。

• 相较于 Hailuo 2.3 有重大升级（1080p，约10秒）；与 Kling 3.0、Veo 3.1、Seedance 2.0、Wan 2.7 等竞争。

MiniMax H3 实际上是什么

MiniMax是一家重要的中国AI公司（于2026年1月完成香港IPO，据报道以约40亿美元估值募资约6.19亿美元，投资方包括阿里巴巴和腾讯）。其消费级视频品牌为Hailuo，以领先同类的物理模拟、快速生成和亲民定价而闻名。H3是第三代Hailuo模型，在WAIC 2026上与MiniMax的M3文本模型及其他多模态解决方案一同亮相，并于2026年7月31日向公众发布。M3是文本/智能体大语言模型，而H3则完全是视频生成模型。

新功能：2K、omni-reference 与 one-pass 音频

H3 由三大要素定义。首先，原生 2K 分辨率搭配 24fps 帧率——相比 Hailuo 2.3 的 1080p 是显著提升——采用电影标准节奏，片段时长 5 至 15 秒（可通过扩展工具延长至约 30 秒），支持从 21:9 到 9:16 的画面比例。其次，全参考（Omni-Reference）：你可同时输入最多 9 张参考图像、3 个视频片段和 3 个音频片段，以锁定风格、角色特征、动作或声音——如此丰富的控制接口，能确保角色或外观在多镜头间保持一致性。第三，单遍同步音频生成：H3 能生成与画面动作同步的对白、音效和环境氛围，无需单独的音频处理步骤。

基于指令的编辑

一个低调但重要的功能是基于指令的编辑：无需从头重新生成片段来做出修改，只需描述编辑内容——替换角色、更改对象、变换场景、调整声音或重新剪辑节奏——H3便会应用这些修改。对于迭代式创意工作而言，原地编辑而非在全新生成上重新碰运气，实际上是一个工作流程优势。

它与Hailuo 2.3相比如何

代际提升非常明显：H3从1080p升级到原生2K，最大单次生成时长从约10秒延长至15秒（可扩展至30秒），同时新增了全参考输入和指令式编辑功能，这些是2.3版本所不具备的。如果你使用过海螺2.3，那么H3在分辨率、时长、控制能力和音频方面是一次直接升级。

H3在2026年前沿中的地位

H3 现已带有早期 Artificial Analysis 竞技场评分——图生视频约 1,184 分，带音频的文生视频约 1,226 分，数据采集于 2026 年 8 月 27 日——不过竞技场排名会随投票累积而变动，所以请用你自己的测试提示词来判断，而不是轻信任何单一说法。

关于O​penAI Sora的一点说明

如果你在梳理这个领域：O​penAI 已于 2026 年 4 月停用 Sora 网页版和应用版体验，其 API 计划于 2026 年 9 月终止——因此，Sora 不是适合用来开启新视频工作流的模型。当前的前沿是上面这组模型，H3 也加入了其中。

如何访问H3和现场的其余部分

H3 现在可通过四种方式到达，而且自发布以来，这个列表一直在增长。

• Hailuo (Mini​Max 自己的平台)：完整产品，包括基于指令的编辑和 H3-Regenerate-2K 放大至 2K。

• Luma Agents：MiniMax于2026年8月6日宣布，H3现已上线Luma的多模型Agents产品，可生成最长15秒、带原生立体声的2K视频。这是厂商公布的消息，访问条款尚未公开——Luma自己的产品文档截至撰稿时仍未收录H3——因此定价和资格细则预计很快就会敲定。Luma在自己的Agents产品中接入竞争对手的视频模型，足见2026年视频模型市场已变得多么可互换。

• Vercel AI Gateway：2026年8月30日，MiniMax和Vercel宣布，MiniMax H3和MiniMax H3 Max均可通过Vercel的AI Gateway使用，在2026年8月30日至9月13日期间，通过该网关计费的请求可享50%折扣。模型ID——minimax/minimax-h3和minimax/minimax-h3-max——保持不变，因此现有网关集成无需更改代码即可享受折扣价。Vercel的模型目录和更新日志中已确认可用性；促销条款由供应商宣布。

• 开放权重：2026年8月3日，Mini​Max在Hugging Face和ModelScope上根据MiniMax H3社区许可发布了H3的基础权重——一个33B密集Transformer，H3-Base——作为两个检查点：H3-Base-FL2VA用于文本到视频/音频和关键帧生成，以及H3-Base-Ref2VA用于基于参考的生成。三个系统模块中的两个——H3-Context-IR（提示预处理器）和H3-Regenerate-2K（2K放大）——不在开放发布之列，仍仅限API使用，因此自托管运行的输出上限低于2K。自9月1日起，相同的基础权重可通过vLLM-Omni和FastVideo的FastH3进行实时生成——FastH3是一个四步蒸馏适配器，可在8×NVIDIA B300服务器上约8.7秒内渲染出完整的10.1秒视频和音频MP4，快于其播放时长（团队报告，尚未独立复现）。

MiniMax H3 现已在 OrcaRouter 上架，按提供商的列表价计费——768p 每秒 0.08 美元，2K 每秒 0.13 美元——以 0% 加价并内置自动故障转移透传，因此你可以通过一个兼容 O​penAI 的 API 调用 H3 系列，而无需自行接通一个才上线没几天的厂商端点。由于没有哪家单一提供商托管所有模型，实际做法是把你的 LLM 和智能体流量统一走一个端点（OrcaRouter 也承载 Mini​Max 自家的 M3 文本模型），并按项目直接选用最合适的视频模型。MiniMax H3 Max 目前尚未接入 OrcaRouter 路由——现阶段是通过第三方渠道提供——所以如果你要针对它做原型验证，保持故障转移的习惯会很有价值：可以试用一个刚发布几天的模型，而不必把生产管线押在它上面。

实时传输：视频传输速度快于播放速度

本次更新的开发工作主要在自托管方面。MiniMax H3 的开源基础检查点是一个 33B 稠密 Transformer；按标准方式生成一段视频片段，意味着需要在一条漫长的去噪调度上执行约 49 次扩散 Transformer 前向传播。开源视频训练与推理项目 FastVideo 发布了 H3-Base 的蒸馏学生模型 FastH3：一种四步（DMD2 风格）模型，复用了 H3 的文本编码器、视频 VAE、音频 VAE、分词器和调度器，但将去噪循环缩减为在五个 sigma 位置上仅执行四次 Transformer 前向传播。多模态服务运行时 vLLM-Omni 在加载时将 FastH3 适配器融合进来（拉取请求 #6714），并通过兼容 OpenAI 的 /v1/videos 端点将其开放，与此前对 base-H3 的支持并列提供。

标题中的这个数字是在大型硬件上测得的。在配备8× NVIDIA B300的服务器上，以1344×768分辨率和24fps运行，vLLM-Omni团队报告称，一段完整的10.1秒MP4——包含视频和同步音频——端到端渲染耗时约8.7秒，比其播放时长还快。这是该团队于2026年9月1日发布的基准测试结果，尚未被独立复现；团队自己也指出，原始基准测试包仍在等待发布，且并未声称基础版本与FastH3在质量上相当。在配置更普通的硬件上，数字就没那么引人注目了——社区方案也涵盖2× RTX 5090和单GPU配置——而且FastH3 v1仅支持文本到视频-音频（T2VA）生成，分辨率为1344×768，而非仍保留在API侧的2K。

对读者而言，这改变了“自托管 H3”的含义。此前，开放的基础权重虽然能跑，但速度很慢——适合批处理，不适合任何交互式场景。借助 vLLM-Omni 上的 FastH3，本地部署的 H3 流水线能够以远短于片段时长的时间完成一段十秒片段的处理，而这正是实时产品循环——实时预可视化、快速镜头迭代、智能体驱动视频——变得切实可行的门槛。如果你不想运行一台八 GPU 服务器，托管路径则保持不变：MiniMax H3 已在 OrcaRouter 上以厂商标价提供，0% 加价直通并带自动故障转移，因此你可以通过一个 O​penAI 兼容 API 调用 H3 全系列模型，而无需自购硬件。

H3大放异彩的三个场景

1. 角色和风格一致的短片

全参考（最多9张图片、3个片段、3个音频）旨在保持角色、外观和声音在多镜头中的一致性——非常适合叙事短片和剧集内容。

2. 带音频的社交和广告创意

一次性同步对话、音效和环境音，加上灵活的画面比例（9:16到21:9），适用于需要成品音频而非仅视觉的快节奏社交和广告工作流程。

3. 迭代创意编辑

基于指令的编辑让团队可以通过描述来细化剪辑，而不是重新生成，从而加速了需要大量修改的制作过程。

常见问题

什么是MiniMax H3？

H3 即 Hailuo 3.0，是 MiniMax 最新发布的 AI 视频生成模型，于 WAIC 2026（2026 年 7 月 17 日）亮相，并于 2026 年 7 月 31 日发布。它能根据文本或图像生成本地 2K、24fps 视频，并带有同步音频，支持全方位参考控制和基于指令的编辑。

H3 和 MiniMax M3 是一样的吗？

不。M3 是 Mini​Max 的文本/智能体 LLM；H3（Hailuo 3.0）是其视频生成模型。它们在同一场发布会上亮相，但分工不同。

我现在可以在哪里使用H3？

四个渠道：MiniMax的Hailuo平台（完整产品）、Vercel的AI Gateway（H3和MiniMax H3 Max均可，9月13日前享受发布五折优惠）、Luma Agents（2026年8月6日发布——支持最长15秒2K视频及原生立体声，访问条款仍不明确），以及通过Hugging Face和ModelScope上的开源H3-Base权重进行自托管——自9月1日起，可通过vLLM-Omni配合FastVideo的FastH3以快于播放速度的速度提供服务（根据vLLM-Omni团队的说法，在8× B300上处理一段10.1秒的影音MP4约需8.7秒）。基础模型也以提供商标价在OrcaRouter上路由。

H3视频片段的时长和分辨率是多少？

原生2K分辨率，24fps帧率，每次生成5-15秒，可延长至约30秒，支持从21:9到9:16的画面比例。

什么是全参考？

一个控制系统，一次最多可接受9张参考图片、3个视频片段和3个音频片段，以保持风格、角色、动作和声音的一致性。

H3比Kling 3.0或Veo 3.1更好吗？

这取决于轴。Kling 3.0 提供原生 4K，并在某些领域领先；Veo 3.1 在 48kHz 对话方面表现出色。H3 强调全参考控制、单遍音频、编辑和价格。H3 有早期的人工分析竞技场分数（截至八月底，图像转视频约为 1,184，带音频的文本转视频约为 1,226），这些分数会随着投票累积而变化——请在您自己的提示词上测试。

H3是开源权重的吗？

部分可以。Mini​Max 于 2026 年 8 月 3 日开源了 H3 的基础权重——这是一个 33B 参数的 Transformer 模型，以 MiniMax H3 社区许可证发布在 Hugging Face 和 ModelScope 上，并提供 FL2VA 和 Ref2VA 检查点。根据 Mini​Max 的许可条款，这次发布限制了部署区域，而且限制同样覆盖模型生成的内容，并要求注明出处。构成旗舰体验的两个模块——H3-Context-IR（提示词预处理）和 H3-Regenerate-2K（2K 放大）——不在开放范围内，仍仅通过 API 提供。自 9 月 1 日起，开放的基础权重还可以通过 vLLM-Omni 和 FastVideo 的 FastH3 进行实时生成（FastH3 v1 目前仅支持文本到视频和音频）。所以对于基础模型，答案是肯定的，但有一些附加限制。

底线

MiniMax H3 (Hailuo 3.0) 是 MiniMax 视频产品线一次实打实的升级：原生 2K、单遍生成同步音频、丰富的全参考控制，以及基于指令的剪辑，而且定价亲民。自发布以来，它的触达门槛也大幅降低——以供应商目录价接入 OrcaRouter，可在 Luma Agents 内运行，基础权重已开源、支持自托管（自 9 月 1 日起，借助 vLLM-Omni 和 FastVideo 的 FastH3，渲染一段 10.1 秒的片段已经比实时播放更快），并且它和 MiniMax H3 Max 现已上架 Vercel 的 AI Gateway，提供为期两周的上市五折优惠。它在分辨率上不会自动胜过主打原生 4K 的竞品，早期竞技场评分也仍在逐步稳固——但在控制、音频和迭代速度方面，它极具吸引力。建议你用自有素材，将 H3 与 Kling 3.0、Veo 3.1、Seedance 2.0 等产品一并评估，并通过 OrcaRouter 这样的统一端点，让更广泛的模型栈保持厂商中立。