应用介绍
想在自己机器上跑视频生成，常见的两个坎：一是在线服务按秒收费、素材还得传到别人服务器，二是开源的模型要么只出画面、要么声音得另外配。MiniMax H3 把这两件事一起解决了——它的开放权重版 H3-Base 一次推理就同时出 768p 视频和同步的立体声，人物说话的口型和声音是对上的，不用再单独做配音和对轨。
权重完整放在 Hugging Face 和魔搭上，33B 参数的单流 Transformer。想要可视化的就走 ComfyUI，原生带文生视频、图生视频、参考生视频三套模板；要给团队做成接口的话，官方提供了 SGLang 的自托管方案，vLLM-Omni 也有社区配方。注意它是开放权重而不是完整产品：负责读懂复杂指令的 H3-Context-IR 和 2K 重生成模块没有开源，所以本地跑出来的是 768p 版本，不是官方平台上的完整流水线。
文生音视频：一句提示词同时生成 4 到 15 秒、24 帧的画面和 32 kHz 立体声，对白支持中文、英文、日文等 11 种语言。
首尾帧生成：给定第一帧、最后一帧或者两帧都给，模型补出中间的运动和声音，适合把分镜图直接变成镜头。
参考生成：最多喂 9 张图、3 段视频和 3 段音频当参考，用来锁定人物长相、场景风格和声线，这部分是单独的 Ref2VA 检查点。
多种部署方式：ComfyUI 本地可视化工作流（0.30.0 及以上），SGLang 做异步 /v1/videos 接口，vLLM-Omni 一个服务同时加载两个检查点。
硬件要求很高：官方参考配置是 8 张 B200；社区有人用 1 张 RTX 4090 24GB 配合卸载和 INT8 量化跑通，但磁盘要预留 100GB 以上，部分配方还要 200GB 以上内存。
注意许可：使用的是 MiniMax H3 社区许可协议，美国、欧盟、英国和韩国属于受限地区，在这些地区使用需要另行申请授权，商用前务必读完许可原文。
权重完整放在 Hugging Face 和魔搭上，33B 参数的单流 Transformer。想要可视化的就走 ComfyUI，原生带文生视频、图生视频、参考生视频三套模板；要给团队做成接口的话，官方提供了 SGLang 的自托管方案，vLLM-Omni 也有社区配方。注意它是开放权重而不是完整产品：负责读懂复杂指令的 H3-Context-IR 和 2K 重生成模块没有开源，所以本地跑出来的是 768p 版本，不是官方平台上的完整流水线。
软件功能
文生音视频：一句提示词同时生成 4 到 15 秒、24 帧的画面和 32 kHz 立体声，对白支持中文、英文、日文等 11 种语言。
首尾帧生成：给定第一帧、最后一帧或者两帧都给，模型补出中间的运动和声音，适合把分镜图直接变成镜头。
参考生成：最多喂 9 张图、3 段视频和 3 段音频当参考，用来锁定人物长相、场景风格和声线，这部分是单独的 Ref2VA 检查点。
多种部署方式：ComfyUI 本地可视化工作流（0.30.0 及以上），SGLang 做异步 /v1/videos 接口，vLLM-Omni 一个服务同时加载两个检查点。
硬件要求很高：官方参考配置是 8 张 B200；社区有人用 1 张 RTX 4090 24GB 配合卸载和 INT8 量化跑通，但磁盘要预留 100GB 以上，部分配方还要 200GB 以上内存。
注意许可：使用的是 MiniMax H3 社区许可协议，美国、欧盟、英国和韩国属于受限地区，在这些地区使用需要另行申请授权，商用前务必读完许可原文。
标签:视频生成