🐚MiniMax H3 模型 - 使用手册

用户8537

8月1日修改

📌

持续更新中～🐚MiniMax H3 模型 - 使用手册

MiniMax H3：开放通用的多模态智能

一、模型定位

🐙

MiniMax H3 是新一代开放通用多模态视频模型，我们正在探索从“特化任务模型”迈向“通用多模态智能”的新范式。​

H3 不再以图片、视频、声音的生成、编辑、参考等单一任务为边界，而是面向由文本、图像、视频与声音共同构成的多模态上下文，统一理解创作意图，完成更加自然、连贯的生成与表达。​
​
H3，迈向更通用的多模态智能。​

二、模型功能信息

核心维度	MiniMax-H3
模型	MiniMax-H3
输出时长	5-15秒
输出宽高比	首/尾帧模式下，遵循用户输入图片的原始长宽比文生视频模式下，遵循用户指定21:9、16:9、4:3、1:1、3:4、9:16范围内的长宽比全能参考模式下，遵循用户指定21:9、16:9、4:3、1:1、3:4、9:16范围内的长宽比或者选择自动模式由H3自行判断输出宽高比
分辨率	768p模式（后续开放） • 当输出宽高比在16:9~9:16之间时，输出为短边768像素；否则输出分辨率总面积约为1M像素，例如21:9时宽高为1536×672 • 768p生成的结果可以升级至1440p 1440p模式 • 当输出宽高比在16:9~9:16之间时，输出为短边1440像素；否则输出分辨率总面积约为3.7M像素，例如21:9时宽高为2976×1248
输出帧率	24 FPS
输出声音	所有结果全部带声音输出，原生双声道
输入条件
首/尾帧入口	• 图片：0、1、2张；宽高范围 [256, 5760]；宽高比5:2~2:5范围内 • 无图片输入时为文生视频模式
全能参考入口	• 图片： ≤ 9 张；宽高范围：[256, 5760] • 视频：≤ 3 段；单段时长[2, 15]秒；总时长≤ 15秒；宽高范围：[256, 5760]；宽高比： 5:2~2:5范围内 • 音频：≤ 3段，且必须配图片或视频输入，不能单独输入；单段时长：[2, 15]秒；总时长≤ 15秒 • 混合输入的总上限是 12 个文件 • 无图片、视频、音频输入时为文生视频模式
输入格式支持	视频：H.264/AVC、H.265/HEVC；视频内音频：AAC、MP3 图片：JPG、JPEG、PNG、WEBP、HEIC、HEIF 音频：WAV、MP3
传入大小限制	视频单个50MB；图片单个30MB；音频单个15MB（加起来的不限制，限制都在单个素材上）；API 请求体 64MB（推荐使用url传入素材）
提示词字数上限	不超过7000字符
语言支持与本地化表达	支持多语言提示词输入与输出 TTS （文本转语音）精准覆盖 11 种语言，包括中文、英语、日语、韩语、法语、德语、西班牙语等更多语言可衍生探索，如阿拉伯语、泰语、印尼语、印地语等40多种语言适合海外品牌传播、多语种广告、跨语言短片和本地化产品介绍等场景

三、模型亮点能力& 示例

三大能力	阐释
原生多模态理解与生成	支持文字、图片、音频、视频等多种输入，理解不同素材中的人物、动作、声音、情绪、镜头、风格与表达意图，并将多种参考信息自然融合，完成从素材理解到完整视听内容生成的一体化创作。

🐚MiniMax H3 模型 - 使用手册 ​

🐚MiniMax H3 模型 - 使用手册