2026年7月31日，中国人工智能公司MiniMax正式推出MiniMax H3——其Hailuo视频系列中的第三代模型，也被称为Hailuo 3.0。H3在仅两周前的WAIC 2026上首次预览，以明确的雄心到来：不仅生成动态图像，而是生成完整的短视频视听场景——具有原生2K分辨率、同步声音以及单次生成最长可达15秒的连续画面。如果您一直关注人工智能视频领域，您会知道进展的步伐是不可阻挡的。每隔几个月就有新模型问世，各自都声称在推动界限的同时进一步突破。那么，H3到底带来了什么，您应该在意吗？以下是您需要了解的一切。MiniMax H3是一个多模态人工智能视频生成模型，可以在24帧每秒的情况下生成原生2K视频，并内置同步音频——对话、音效和环境氛围，输入为文本提示、图片或包括视频和音频片段的组合参考材料。它是一个视频模型，而不是文本或编码模型。MiniMax还在同一WAIC 2026活动上发布了其M3语言模型（用于文本、代理和推理），因此这两者在网上经常被混淆。H3专注于视频创作。在深入探讨H3的有趣之处之前，先来看一下技术快照： 规格 详细信息 分辨率 原生2K (2560×1440) 帧率 24fps（电影标准） 时长 每次生成5–15秒（可通过扩展工具扩展至约30秒） 音频 原生立体声——对话、SFX和环境音在一次生成中完成 宽高比 21:9, 16:9, 4:3, 1:1, 3:4, 9:16（六个选项） 输入模式 文本转视频、图像转视频（首/尾帧）、全参考转视频 参考限制 每次请求最多可使用9张图片+3个视频片段+3个音频片段（最多12个文件） 编辑 基于指令的编辑 定价 每秒约0.13美元（5秒片段约0.65美元；15秒片段约1.95美元） 这些数字很重要，但它们只是故事的一部分。真正的问题是MiniMax H3究竟如何利用这些数字。1.全参考——锁定镜头间角色的一致性 AI视频中一个最持续的痛点就是角色的一致性。在一个镜头中生成一个女子在咖啡馆中走动，她在下一个镜头中可能看起来像个完全不同的人。面孔漂移，衣服变化，声音转变。H3通过MiniMax称之为全参考的控制系统来解决这个问题——一个系统，允许您在单次生成请求中输入多达9张参考图片、3个视频片段和3个音频片段。模型将所有这些输入读取为一个统一的上下文，从照片中提取角色的面部特征，从视频片段中借用相机运动，并从音频样本中吸收声调。实际结果是：一个角色可以在同一15秒生成中出现于远景、特写和侧面视图中——看起来、移动和听起来都像同一个人。对于制作系列内容、短片或品牌活动中包含重复角色的任何人来说，这是一个重要的进步。一些获取全参考最大收益的提示：使用均匀照明、正面角度、无遮挡物（帽子、太阳镜、头发遮挡面部）的参考图片。将图像参考与清晰的音频片段结合，来固定外观和声音。跨生成重用相同的参考集，以保持剧集内容的一致性。2.原生音频——从无声片段到可编辑的初剪 迄今为止，大多数AI视频模型都生成无声输出。您获取到视觉效果，然后再在一个单独的步骤中添加声音——配音、叠加音效、找到合适的背景音乐。这种工作流程有效，但使得每个短片段的制作时间翻倍。H3在一次生成中与视频同步生成音频。对话与口型动作同步。玻璃破裂时会响。下雨时，角色说话时雨声打在窗户上。时间是在生成过程中确定的，而不是事后调整的。这改变了输出的性质。一个无声的AI视频是一个视觉资产——有用，但不完整。一个有可用声音的视频更接近于可编辑的初剪。对于短视频广告、社交内容和叙事场景，这一差异是显著的。然而，“原生音频”并不自动意味着“完美音频”。对话的准确性、口型同步的质量、声音的情感传达——所有这些仍需在实践中进行测试。早期用户报告的一般结果都很稳健，但和任何生成音频一样，边缘案例和复杂场景可能会产生伪影。建议：将生成的音频视为一个强有力的起点，而不一定是最终交付物。3.基于指令的编辑——无须再生成即可细化 这是一个可能听起来很简单的特性，但却是...