项目简介
MiniMax H3 是 MiniMax 开源的视频生成模型，GitHub 仓库 MiniMax-AI/MiniMax-H3，目前一万多 Star。权重放到自己的机器上就能跑，画面和立体声一起生成。协议是 MiniMax H3 Community License，不是常见的宽松开源协议。
它能同时看懂文字、图片、视频和音频。人物长相可以照着参考图来，说话的声线可以照着一段参考音频来。放出的是两个任务权重：FL2VA 负责文生视频和首尾帧，Ref2VA 负责多参考。本地默认短边 768 像素；2K 重绘和上下文理解模块这次还没开源，要更高清得走官方接口。
仓库自带 h3-prompt-writing 这个 skill，Cursor、Codex、Claude Code 都能装。不会写提示词时，说一句要什么镜头，它按官方的文生、首尾帧、多参考三种写法帮你写好。
核心亮点
它能做什么、输出什么
| 项目 | 说明 |
|---|---|
| 输入 | 文字；可选首帧、尾帧；或参考图、参考视频、参考音频 |
| 适用类型 | 口播、产品广告、二次元动画、短剧、宣传片 |
| 输出 | 视频加立体声，24 帧，时长 4 到 15 秒。比例含 21:9、16:9、4:3、1:1、3:4、9:16 |
| 语言 / 兼容 | 对白稳定支持 11 种语言。推理框架：SGLang、vLLM、diffusers、ComfyUI |
| 规格 / 容量 | 短边默认 768。参考上限：图 9、视频 3、音频 3，合计不超过 12；每段参考 2 到 15 秒，总长不超过 15 秒。主体是 33B 稠密 Transformer |
环境要求
| 环境 | 建议配置 |
|---|---|
| 操作系统 | Linux 部署服务更常见。ComfyUI 工作流在 Windows 上也能接，以你本机的 GPU 驱动为准 |
| 运行环境 | Python，外加仓库里的 requirements。下载权重用 Hugging Face 的 hf 命令 |
| 硬件 | 官方 SGLang 示例是 4 张 GPU，ulysses-degree 也是 4。权重是 BF16，显存要按这个体积准备 |
| 低配 / 无卡方案 | 这次开源包没有量化版。没有足够显卡时，用海螺网页或 MiniMax 开放平台直接生成，2K 也走这条 |
| 关键依赖 | SGLang、vLLM 或 diffusers 三选一。ComfyUI 用官方的 T2V / R2V 模板 |
如何使用
💡 有显卡就本机跑 768p。想先看效果，用海螺或开放平台。提示词交给仓库里的 skill。
在 GitHub 搜索 MiniMax-AI/MiniMax-H3，把仓库克隆下来，按 requirements 安装依赖。
pip install -r requirements.txt在 Hugging Face 搜索 MiniMaxAI/MiniMax-H3。两个任务族都要的话，用下面这条；只要文生和首尾帧，把 Ref2VA 那一项去掉。
hf download MiniMaxAI/MiniMax-H3 --include "model_index.json" "FL2VA/*" "Ref2VA/*" --local-dir MiniMax-H3这是官方给的 FL2VA 示例，四张卡。起来之后按仓库里的可复现脚本提交文字或首尾帧。
sglang serve --model-path MiniMaxAI/MiniMax-H3 --num-gpus 4 --ulysses-degree 4 --performance-mode speed --host 0.0.0.0 --port 30010 --model-variant fl2va两个变体怎么选：
| 参数 | 作用 |
|---|---|
--model-variant fl2va |
文生视频，或给首帧、尾帧、两帧都给 |
--model-variant ref2va |
参考图、参考视频、参考音频。另开一个端口，不要和上面抢同一张卡组 |
--num-gpus 4 |
官方示例的卡数，和 ulysses-degree 对齐 |
官方说明里有 ComfyUI 教程，用 T2V 模板做文生，用 R2V 模板做参考。把模型指到本机权重，提示词贴进输入框，选好宽高，点运行。画面和立体声一起出来。本地这一档是 768p。
装仓库自带的 h3-prompt-writing。完整带地址的命令在文末折叠链接里，下面这条用仓库名调用。
npx skills add MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing✅ 装好之后直接说人话：按官方写法，写一条文生视频提示词，夜里街边，同一个人从背面转到正面。
典型应用场景
性能表现
| 指标 | 表现 |
|---|---|
| 参数量 | 33B 稠密单流 Transformer。其中约 13B 在 AdaLN 支路，推理时可以预计算缓存，不必整份载入 |
| 本地分辨率 | 短边默认 768，24 帧。2K 重绘模块尚未开源 |
| 时长和声音 | 4 到 15 秒，32 kHz 立体声，画面和声音同一套模型一起预测 |
| 文本编码 | 用 Qwen3-VL-32B 的完整权重，取第 50 层隐状态送给生成器 |
🧠 文字、画面、声音编进同一条序列，再一起预测视频和音频的潜变量。所以口型和声线不是后期贴上去的。稀疏注意力官方说会另发，当前开源推理还是全注意力。
常见问题
Q: 和只出画面的视频模型有什么不同？
H3 把画面和立体声一起生成，对白语言稳定支持 11 种。参考模式还能锁住长相和声线。
Q: 本地能出 2K 吗？
不能。开源的是 768p 底座。H3-Regenerate-2K 和上下文理解模块都还没放出来，更高清走官方接口。
Q: FL2VA 和 Ref2VA 怎么选？
只有文案，或要卡首帧尾帧，用 FL2VA。要按图片、视频、音频来保持人物和声音，用 Ref2VA。两个服务分开起。
Q: 显存不够怎么办？
官方示例就是四张卡，这次没有量化权重。卡不够就用海螺网页或开放平台，不要硬塞进一张消费级卡。
Q: 提示词写出来效果差？
先装 h3-prompt-writing。文生、首尾帧用 base 那份参考，多参考用 ref 那份。官方也写了，上下文理解模块对成片质量影响很大，本地如果没接它，细节会比官网展示弱一档。
Q: 怎么和 Cursor、Codex 一起用？
这个 skill 是 Markdown 加参考文件，不调用外部接口。装进 Cursor 或 Codex 之后，说一句要什么镜头，它按官方写法把提示词写好，你再贴进 ComfyUI 或本地服务。
Q: 和海螺是什么关系？
海螺网页和 MiniMax Hub 是在线产品，背后用的是完整系统，含还没开源的 2K 重绘。GitHub 上这份是可本机部署的底座。
Q: 可以商用吗？
看 MiniMax H3 Community License。协议的适用地区不包括美国、欧盟、英国和韩国，这些地方要另外申请授权。申请表在文末折叠链接里。输出内容本身不等于模型衍生作品，但使用、分发、微调都要遵守协议和可接受使用政策。
Q: 参考素材有什么限制？
图不超过 9 张，视频不超过 3 段，音频不超过 3 段，所有文件加起来不超过 12 个。每段参考要在 2 到 15 秒之间，总长不超过 15 秒。
本站收集的资源仅供内部学习、研究软件设计思想与原理使用。学习研究后请自觉删除，请勿添加内容资料中的联系方式，谨防受骗；请勿传播。因未及时删除或用于其他用途所造成的任何后果，均由使用者自行承担。感谢理解与配合！
若您认为「cmzhiku.com」发布的内容侵犯了您的合法权益，请联系站长邮箱：ksxwdyx@qq.com。我们将在核实后及时进行删除处理。
本站资源大多存储于云盘。如发现下载链接失效或资源异常，请及时联系我们，我们会第一时间核实并更新。
