MiniMax 开源 H3 视频模型：2K/15 秒/32kHz 立体声，实时版吞吐达原版 35 倍

背景

2026 年 9 月 2 日，MiniMax（稀宇科技）正式开源新一代通用视频模型 H3，在 AI 视频生成领域引发关注。H3 支持文本、图像、视频、音频多模态输入，可生成最高 2K 分辨率、15 秒时长、32kHz 立体声音频的视频。模型由 H3-Context-IR（上下文图像参考）、H3-Base（基础生成）、H3-Regenerate-2K（2K 超分辨率）三模块组成，其中 H3-Base 已完全开源，支持 SGLang、vLLM 等主流框架本地部署。H3 为 33B 密集单流 Transformer（H3-Omni，Qwen3-VL-32B 主干），同一次前向联合生成画面与立体声，支持 4–15 秒、最高 2K、24fps。同步上线的实时版 H3 Max（与 fal 联合开发）5 秒 768p 生成不到 3 秒，吞吐约原版 35×，已支撑全程 AI 实时生成的直播间。社区许可限制美/欧/英/韩本地部署。

核心要点

• 9-2 MiniMax 开源 H3 视频模型
• 2K / 15 秒 / 32kHz 立体声
• H3-Base 开源 + SGLang/vLLM 本地部署
• 33B 单流，画面 + 立体声同生
• 实时版 H3 Max（fal）吞吐 35×
• 社区许可限制本地部署

为什么重要

在头部视频模型（Veo、Kling、Seedance）均闭源按秒付费的局面下，H3 提供可自部署、可深度定制的高质量开源基座；实时版把竞争推到实时交互与直播场景，可能是 AI 视频下一爆发点。

关键事实速记

• 开源：2026-09-02
• 参数：33B
• 分辨率：2K
• 时长：15 秒
• 音频：32kHz
• 实时版：35× 吞吐