MiniMax 於 7 月 31 日發布了新一代多模態生成模型 MiniMax H3，並宣佈將在近期開放模型權重。與過去專門處理圖片、視頻和聲音的模型不同，H3 更強調對多模態上下文的統一理解，試圖從「完成單項生成任務」進一步轉向通用多模態創作。
據瞭解，MiniMax H3 支持文本、圖片、音頻和視頻等多種輸入形式，能夠直接輸出 2K 分辨率的內容，生成的音畫作品最長可達 15 秒。用户可將不同類型的素材放在同一上下文中，由模型統一理解畫面、聲音、文字與創作要求，進而完成連貫的內容生成或編輯。
MiniMax H3 的視頻編輯功能得到加強
MiniMax H3 的視頻編輯是此次展示的重點能力。該模型支持 V2V Motion Transfer，即將一段參考視頻中的人物動作和運動軌跡遷移到另一段視頻中，同時盡量保持主體形象與畫面風格。對於廣告、品牌和電商內容，H3 還加強了指令遵循、文字呈現以及品牌信息還原能力，減少生成內容中經常出現的文字錯誤和標識變形。
據瞭解，MiniMax H3 在 Artificial Analysis 音頻視頻編輯榜單中位列全球第一。隨著 H3 後續開源，高質量音畫生成及視頻編輯的使用門檻將進一步降低。