MiniMax H3（海螺 3.0）：支持 Omni-Reference 的 2K AI 视频模型详解

MiniMax H3——更为人熟知的名字是 海螺 3.0——是 MiniMax 最新的 AI 视频生成模型，于 WAIC 2026（2026 年 7 月 17 日）亮相，7 月 31 日面向公众发布，如今同时以四种方式提供：MiniMax 的海螺平台、Luma Agents、开放权重下载，以及自 8 月 30 日起上线的 Vercel AI Gateway——速度优先的新款 MiniMax H3 Max 也在该平台同期推出。它将 MiniMax 的视频产品线推进到原生 2K 分辨率，在单次生成中加入了同步音频，并引入了一套异常丰富的“全能参考”控制系统。最新的进展出现在自托管方面：自 9 月 1 日起，开放的 H3-Base 权重可通过 vLLM-Omni 搭配 FastVideo 的 FastH3 来提供服务，其速度足以在约 8.7 秒内渲染出一段完整的 10.1 秒视频与音频 MP4——比它自身的播放时长还要快。本指南将说明 H3 究竟是什么、真正新在哪里，以及它在 2026 年前沿视频模型中处于什么位置——其能力均有出处，质量方面的说法也做了明确标注。

准确性说明：H3 的能力源自 MiniMax 的公告和平台文档。Vercel AI Gateway 的可用性已得到确认——Vercel 的模型目录同时列出了 MiniMax H3 和 MiniMax H3 Max，Vercel 的更新日志也记录了发布折扣——不过促销条款本身是由厂商公布的。截至本文撰写时，Luma Agents 集成和开放权重版本仍属厂商公布的信息；Luma 自家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，由人类偏好竞技场评判；H3 目前已有早期的 Artificial Analysis 竞技场得分——2026 年 8 月 27 日采集，图生视频约 1,184 分，带音频的文生视频约 1,226 分——不过竞技场排名会随着投票累积而变化。9 月 1 日公布的快于播放速度的服务数据——一段完整的 10.1 秒 MP4，含同步音频，渲染耗时约 8.7 秒——由 vLLM-Omni 团队在其自己的博客文章中报告，测量环境为 8× NVIDIA B300 服务器；这是该团队自己的基准测试，尚未被独立复现，而且它测的是 FastH3——FastVideo 的四步蒸馏适配器——而非完整的基座模型。对于“哪个看起来最好”这类比较性说法，请视为暂定结论。规格和定价会变化——构建前请先核实。

简而言之：H3 是一个原生 2K、24fps 的文本生视频与图像生视频模型，可一次生成 5–15 秒的片段（可扩展至约 30 秒），并在同一次生成中同步产出对白、音效与环境音。它最突出的功能是全能参考（最多 9 张参考图像、3 段视频片段和 3 段音频片段，用于保持一致性）以及基于指令的编辑（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，它迅速传播开来：基础权重于 8 月 3 日开源，MiniMax 于 8 月 6 日在 Luma Agents 中宣布 H3（最高 15 秒的 2K 视频，带原生立体声，不过访问条款尚未公开），8 月 30 日 MiniMax H3 和 MiniMax H3 Max 上线 Vercel 的 AI Gateway，并提供为期两周的 50% 发布折扣。自 9 月 1 日起，开放的基础权重还可用于实时生成：通过 vLLM-Omni 搭配 FastVideo 的 FastH3，一段完整的 10.1 秒视频与音频 MP4 约 8.7 秒即可渲染完成——据 vLLM-Omni 团队的基准测试，比播放速度还快。相比 Hailuo 2.3（1080p、约 10 秒、无全能参考），这是一大跨越，并且它与 Kling 3.0、Google Veo 3.1、ByteDance Seedance 2.0 等展开竞争——在控制和音频方面表现强劲，早期的独立竞技场评分仍有待进一步稳定。

关键要点

• H3 = Hailuo 3.0，MiniMax 最新的视频模型，在 WAIC 2026 上亮相，并于 7 月 31 日发布；可通过 Hailuo、Luma Agents、开放权重以及 Vercel 的 AI Gateway 获取。

• 原生 2K、24fps，5–15 秒片段（可延长至约 30 秒），支持多种宽高比，以及文生视频和图生视频。

• 全能参考：最多9张图像、3个视频片段和3个音频片段，作为风格、角色、动作和声音一致性的参考。

• 同步对话、音效与氛围音一次性生成；基于指令编辑，无需完全重新生成。

• 基础权重于 8 月 3 日以社区许可证开源；Context-IR 和 2K 重生成模块仍仅通过 API 提供。

• 8月30日，MiniMax H3 和 MiniMax H3 Max 上线 Vercel 的 AI Gateway，推出 50% 的首发折扣，优惠持续至9月13日。

• 自9月1日起，开放的H3-Base权重可用于实时生成——一个10.1秒的音视频MP4在大约8.7秒内渲染完成，比播放速度还快——通过vLLM-Omni和FastVideo的FastH3（团队报告的基准测试，尚未被独立复现）。

• 相较 Hailuo 2.3（1080p，约10秒）大幅升级；可与 Kling 3.0、Veo 3.1、Seedance 2.0、Wan 2.7 等相媲美。

MiniMax H3究竟是什么

MiniMax 是一家中国主要的人工智能公司（它于 2026 年 1 月完成了香港 IPO，据报道以约 40 亿美元估值筹集了约 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（海螺），以品类领先的物理模拟、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 日面向公众发布。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、全向参考和单遍音频

三件事定义了 H3。第一，原生 2K、24fps——相比 Hailuo 2.3 的 1080p 更进一步——采用电影标准帧率，片段时长从 5 到 15 秒（可通过 Extend 工具延长至约 30 秒），宽高比从 21:9 到 9:16。第二，全方位参考：你可以同时输入最多 9 张参考图像、3 段视频片段和 3 段音频片段，以锁定风格、角色身份、运动或声音——这是一个异常宽裕的控制面板，用于在多个镜头间保持角色或外观一致。第三，单次生成同步音频：H3 生成与屏幕动作同步的对话、音效和环境氛围，而无需单独的音频步骤。

基于指令的编辑

一个低调却重要的功能是基于指令的编辑：要对片段做出改动时，无需从头重新生成，你只需描述想要的编辑——替换角色、改动某个物体、变换场景、调整声音，或重新安排镜头节奏——H3 便会将其应用。对于反复迭代的创作工作而言，就地编辑、而不是在新一次生成中重新掷骰子，是实实在在的工作流优势。

它与 Hailuo 2.3 相比如何

代际跃升十分明显：H3 从 1080p 升级到原生 2K，将单次生成的最长时长从约 10 秒延长到 15 秒（还能延长至 30 秒），并新增了 2.3 所缺少的全能参考输入和基于指令的编辑功能。如果你用过 Hailuo 2.3，那么 H3 在分辨率、时长、控制和音频上都是一次直接的升级。

H3 在 2026 年前沿格局中的位置

H3 现已收录 Artificial Analysis 竞技场的早期评分——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不断变化，所以请用你自己的测试提示词来评判它，而不要依据任何单一说法。

关于 OpenAI Sora 的一则说明

如果你在梳理这一领域的格局：OpenAI 已于 2026 年 4 月停止 Sora 的网页端和应用端体验，其 API 也计划于 2026 年 9 月终止——因此，Sora 并不是适合用来开启新视频工作流的模型。当下活跃的前沿就是上面这一组，而 H3 也加入了其中。

如何访问 H3 以及该字段的其余部分

现在可以通过四种方式访问H3，而且这个列表自发布以来还在不断增加。

• Hailuo（Mini​Max 自有平台）：完整产品，包括基于指令的编辑，以及 H3-Regenerate-2K 至 2K 的放大功能。

• Luma Agents：MiniMax 于 2026 年 8 月 6 日宣布，H3 现已在 Luma 的多模型 Agents 产品中上线，可生成最长 15 秒的 2K 视频，并带有原生立体声。这是厂商公布的，且使用条款尚未公开——在本文撰写时，Luma 自己的产品文档中并未列出 H3——因此预计定价和资格详情很快会明确。Luma 在自己的 Agents 产品中托管竞争对手的视频模型，这表明 2026 年的视频模型市场已变得多么可互换。

• Vercel AI Gateway：2026年8月30日，Mini​Max 与 Vercel 宣布，MiniMax H3 和 MiniMax H3 Max 均可通过 Vercel 的 AI Gateway 使用，并且在 2026年8月30日至9月13日期间，通过该网关产生的请求按五折计费。模型 ID —— minimax/minimax-h3 和 minimax/minimax-h3-max —— 保持不变，因此现有的网关集成无需更改代码即可享受折扣费率。该可用性已在 Vercel 的模型目录和变更日志中得到确认；促销条款由厂商公布。

• 开放权重：2026 年 8 月 3 日，MiniMax 根据 MiniMax H3 社区许可，在 Hugging Face 和 ModelScope 上发布了 H3 的基础权重——一个 33B 稠密 Transformer，即 H3-Base——以两个检查点形式提供：用于文本到视频/音频及关键帧生成的 H3-Base-FL2VA，以及用于基于参考生成的 H3-Base-Ref2VA。三个系统模块中的两个——H3-Context-IR（提示词预处理器）和 H3-Regenerate-2K（2K 放大）——不在开源发布范围内，仍仅通过 API 提供，因此自托管运行的输出上限低于 2K。而自 9 月 1 日起，相同的基础权重可通过 vLLM-Omni 和 FastVideo 的 FastH3 提供实时生成服务——FastH3 是一个四步蒸馏适配器，可在 8× NVIDIA B300 服务器上于约 8.7 秒内渲染出完整的 10.1 秒视频与音频 MP4，比其播放时长还快（团队报告，尚未被独立复现）。

MiniMax H3 已按供应商标价上线 OrcaRouter——768p 下每秒 $0.08，2K 下每秒 $0.13——以 0% 加价原价透传，并具备自动故障转移，因此你可以通过一个兼容 OpenAI 的 API 调用整个 H3 系列，而不必去对接一个才上线几天的厂商端点。由于没有任何单一供应商能托管所有模型，实用做法是让你的 LLM 和智能体流量都走同一个端点（OrcaRouter 也承载 MiniMax 自家的 M3 文本模型），再针对每个项目直接选用最合适的视频模型。MiniMax H3 Max 尚未在 OrcaRouter 上路由——目前通过第三方渠道提供服务——所以如果你正基于它做原型验证，故障转移的习惯会带来回报：可以试用一个刚上线几天的模型，但别把生产流水线押在它身上。

实时服务：视频交付速度快于播放

本次更新的开发工作集中在自托管一侧。MiniMax H3 的开放基础检查点是一个 33B 稠密 Transformer，而按标准方式生成一段视频片段，意味着要在漫长的去噪调度上运行大约 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：这是一个四步（DMD2 风格）模型，它复用了 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 位置上的四次 Transformer 前向传播。多模态服务运行时 vLLM-Omni 在加载时融合 FastH3 适配器（拉取请求 #6714），并通过 OpenAI 兼容的 /v1/videos 端点将其对外提供，同时一并保留其早先对基础版 H3 的支持。

头条数据是在大型硬件上测得的。在 1344×768、24fps 的 8 卡 NVIDIA B300 服务器上，vLLM-Omni 团队报告称，一段完整的 10.1 秒 MP4——视频与同步音频——端到端渲染耗时约 8.7 秒，比其播放时长还短。这是该团队于 2026 年 9 月 1 日发布的自行报告的基准测试结果，尚未被独立复现；团队自己也指出，原始基准测试包仍有待发布，并且没有就基础版与 FastH3 之间的质量对等做出任何声明。在更普通的硬件上，这些数字就没那么惊人了——社区方案也覆盖 2 卡 RTX 5090 和单 GPU 配置——而且 FastH3 v1 仅支持文本到视频音频（T2VA），分辨率为 1344×768，而非仍保留在 API 侧的 2K。

对读者来说，这改变了“自托管 H3”可能意味着什么。此前，开放的基础权重虽然能运行，但速度很慢——适合批处理工作，不适合任何交互式场景。借助在 vLLM-Omni 上运行的 FastH3，本地部署的 H3 流水线可以在远低于片段本身时长的时间内完成一段十秒视频的处理，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——变得可行的门槛。如果你不想运行一台八 GPU 服务器，托管路径保持不变：MiniMax H3 已在 OrcaRouter 上以提供商标价提供，0% 加价直通并支持自动故障转移，因此你可以通过一个 OpenAI 兼容 API 调用 H3 系列，而无需拥有硬件。

H3 大放异彩的三个场景

1. 角色与风格一致的短片

Omni-reference（最多 9 张图像、3 个片段、3 段音频）专为在多个镜头中保持角色、外观和声音一致而构建——非常适合叙事短片和剧集内容。

2. 带声音的社交媒体和广告创意

一次过同步对白、音效和环境音，加上灵活的画幅比（9:16 至 21:9），适合需要成品音频而不仅仅是画面的快速社交媒体和广告工作流程。

3. 迭代式创意编辑

基于指令的编辑让团队能以描述性方式优化片段，而无需重新生成，从而加速了修改频繁的制作流程。

常见问题

什么是 MiniMax H3？

H3 是 Hailuo 3.0，Mini​Max 最新的 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。它可从文本或图像生成原生 2K、24fps 且音频同步的视频，并具备全能参考控制和基于指令的编辑功能。

H3 和 MiniMax M3 是同一个吗？

不是。M3 是 Mini​Max 的文本/智能体 LLM；H3（Hailuo 3.0）是其视频生成模型。它们在同一个活动上亮相，但负责不同的工作。

现在可以在哪里使用 H3？

四个地方：MiniMax 的 Hailuo 平台（完整产品）、Vercel 的 AI Gateway（包括 H3 和 MiniMax H3 Max，9 月 13 日前享 50% 首发折扣）、Luma Agents（2026 年 8 月 6 日发布——最高 15 秒 2K 视频，带原生立体声，接入条款仍不明确），以及通过 Hugging Face 和 ModelScope 上的开放 H3-Base 权重自托管——自 9 月 1 日起，可通过 vLLM-Omni 搭配 FastVideo 的 FastH3，以快于播放速度的方式提供服务（据 vLLM-Omni 团队称，在 8× B300 上，一段 10.1 秒的视频和音频 MP4 约需 8.7 秒）。该基础模型同样在 OrcaRouter 上按提供商标价提供路由。

H3 剪辑的时长和分辨率是多少？

原生 2K、24fps，每次生成 5–15 秒，可延长至约 30 秒，宽高比从 21:9 到 9:16。

什么是全向参照？

一个控制系统，可同时接收最多9张参考图像、3段视频片段和3段音频片段，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？

这取决于具体的维度。Kling 3.0 提供原生 4K，并在某些竞技场中领先；Veo 3.1 在 48kHz 对话方面表现强劲。H3 强调全参考控制、单次生成音频、编辑和价格。H3 已有早期 Artificial Analysis 竞技场分数（截至八月下旬，图生视频约为 1,184，带音频的文生视频约为 1,226），这些分数会随着投票积累而变化——请用你自己的提示词进行测试。

H3 是开放权重吗？

部分如此。MiniMax 于 2026 年 8 月 3 日开源了 H3 的基础权重——这是一个 33B 的 transformer，以 MiniMax H3 社区许可证在 Hugging Face 和 ModelScope 上发布，包含 FL2VA 和 Ref2VA 检查点。根据 MiniMax 的许可条款，该发布限制部署地区，且约束范围延伸至生成输出，并要求署名。补全旗舰体验的两个模块——H3-Context-IR（提示词预处理）与 H3-Regenerate-2K（2K 超分）——不在开源发布中，仍仅通过 API 提供。自 9 月 1 日起，开源基础权重还可以通过 vLLM-Omni 和 FastVideo 的 FastH3 用于实时生成（FastH3 v1 仅覆盖文本到视频+音频）。所以，就基础模型而言，答案是肯定的，但有一些注意事项。

底线

MiniMax H3（Hailuo 3.0）是 MiniMax 视频产品线的一次重大跃升：原生 2K、单次生成即同步音频、充裕的全模态参考控制，以及基于指令的编辑，而价格却相当亲民。自发布以来，它的可及性也大幅提升——它已在 OrcaRouter 上按服务商标价提供路由，可在 Luma Agents 内运行，其基础权重开放供自行托管（并且自 9 月 1 日起，借助 vLLM-Omni 和 FastVideo 的 FastH3，渲染一段 10.1 秒的片段已经快到比播放它还快），如今它和 MiniMax H3 Max 一同登陆 Vercel 的 AI Gateway，并享有两周 50% 的发布折扣。它不会自动在分辨率上胜过那些力推原生 4K 的对手，早期的竞技场评分也仍在逐步稳固——但在控制力、音频和迭代速度上，它极具吸引力。请用你自己的素材，将 H3 与 Kling 3.0、Veo 3.1、Seedance 2.0 以及其他模型逐一对比评估，并通过像 OrcaRouter 这样的单一端点，让你的整体模型组合保持厂商中立。