MiniMax-H3 视频生成

要解决的问题

传统视频生成模型大多只接受文本或单张图像输入，难以把分镜图、参考视频片段和环境音效一起作为约束；输出也常常只有画面，对齐音频需要后期单独配音。H3 想把「多模态参考 + 带声音成片」压缩到同一个推理流程里。

技能如何工作

核心能力：文本、图像、视频、音频可同时进入上下文；输出 4–15 秒、24 FPS、32 kHz 立体声视频。提供两种输入变体：H3-Base-FL2VA 用 0–2 张关键帧做首尾帧控制；H3-Base-Ref2VA 可挂最多 9 张图、3 段视频和 3 段音频。仓库还内置 h3-prompt-writing，把两种模式的提示词写法整理成参考文件。

关键步骤：

• 先用参考文件判断当前任务是首尾帧还是全参考模式，再组织输入；
• 本地或 API 由 H3-Base 生成 768p 音视频；
• 需要 2K 时调用 H3-Regenerate-2K，该模块未开源，通常走 API 完成。

适用边界

本地推理需要 4 张 GPU，推荐 H100/A100，精度为 BF16；Context-IR 同样未开源，因此完整 2K 工作流很难完全离线。单次输出最长 15 秒，不适合长剧情连续生成。MiniMax Hub 提供的 8 个风格 Skills 只在画布工作流里可用，不能直接移植到自建脚本。