MiniMax H3 transforma prompts multimodais em vídeos 2K publicáveis com áudio nativo

Introdução

Os modelos de geração de vídeo evoluem rapidamente, mas a maioria ainda permanece no nível de geradores de material bruto. Eles produzem um clipe e deixam que o criador utilize outro aplicativo de edição para lidar com legendas, tipografia, transições, correção de cor, música, ritmo e efeitos visuais.

O MiniMax H3 foi projetado exatamente para mudar esse fluxo de trabalho.

Lançado em 31 de julho de 2026, o H3 é um modelo de vídeo multimodal geral que aceita entradas de texto, imagem, vídeo e áudio no mesmo contexto. Ele pode gerar vídeos sincronizados com áudio estéreo de 4 a 15 segundos, com resolução de saída de até 768p ou até 2K.

A MiniMax afirma que o modelo foi criado para participar do processo completo de produção de conteúdo, não apenas para gerar material bruto. Os casos de uso alvo incluem publicidade, branding, e-commerce, design de produtos, UI e UX, jogos, pôsteres dinâmicos, sequências de abertura e conteúdo para redes sociais.

A MiniMax posiciona o H3 como um modelo de vídeo multimodal de uso geral com pesos abertos.

O relatório original descreve essa mudança como o "momento da programação" para a geração de vídeo. A metáfora não é literal, mas a ideia é valiosa: criadores podem cada vez mais descrever o resultado desejado, fornecer materiais de referência, verificar a saída e iterar por meio de instruções em linguagem natural, sem precisar construir manualmente cada camada.

Status dos pesos abertos: A MiniMax inicialmente afirmou que os pesos seriam disponibilizados em poucos dias. Os checkpoints oficiais do H3-Base já estão disponíveis no Hugging Face, sob a licença da comunidade MiniMax H3. No entanto, o H3-Context-IR, o H3-Regenerate-2K e a implementação de atenção esparsa não foram incluídos integralmente na liberação inicial dos pesos.

MiniMax H3 Surge como Modelo de Produção de Vídeo de Ponta a Ponta

Os exemplos impressionantes iniciais não eram simples takes de filme. Eles incluíam tipografia animada, efeitos desenhados à mão, gráficos de produtos, sequências de abertura animadas, música, diálogos e transições.

Esses elementos normalmente são vistos como tarefas separadas de pós-produção.

Um fluxo de trabalho tradicional poderia ser assim:

1. Gerar ou gravar o material bruto.
2. Importar os clipes para um software de edição.
3. Selecionar os takes utilizáveis.
4. Adicionar cortes e transições.
5. Criar títulos e legendas.
6. Adicionar música e efeitos sonoros.
7. Ajustar ritmo e cor.
8. Exportar a versão final.

O H3 tenta modelar várias dessas decisões em conjunto.

Um único prompt pode descrever o estilo visual, a ordem das cenas, o ritmo, o texto na tela, as instruções de atuação, a paisagem sonora e as transições. Os arquivos de referência podem fornecer personagens, produtos, movimentos, estilo de câmera, sons, trilha sonora ou ritmo de edição.

Primeiros testadores usaram o H3 para criar vídeos com personagens estilizados e produtos sofisticados.

Isso não significa que os softwares de edição profissional estejam obsoletos. Projetos mais longos ainda exigem controle preciso da timeline, gerenciamento de arquivos, revisões, aprovação jurídica e entrega em múltiplos formatos.

A grande mudança é que o modelo agora pode produzir, em uma única geração, conteúdo de vídeo curto muito mais próximo do produto final.

Testando o H3 com Vídeos de Divulgação e Prompts Rápidos de Múltiplas Cenas

O autor original testou o H3 por meio da interface Hailuo da MiniMax.

O primeiro experimento foi um vídeo de bastidores de um boy group fictício, estrelado por figuras conhecidas da indústria de IA. O prompt de texto descrevia o tom e o estilo de edição esperados, enquanto o H3 ficava responsável por gerar as sequências visuais.

Em seguida, o autor testou um vídeo de lançamento com estética de apresentação estilo Apple. Apenas com pequenos rótulos de estilo adicionados, o resultado incluiu efeitos de vidro translúcido, gradientes, gráficos em movimento e um ritmo semelhante ao de uma apresentação.

Um teste mais desafiador usou um prompt longo para descrever um trailer de seis cenas. Cada cena tinha sua própria direção emocional, instruções de atuação e ritmo.

De acordo com o relatório, o H3 seguiu de perto a ordem das cenas, gerando uma montagem rápida com cenas bem definidas, em vez de comprimir as instruções em um único clipe genérico.

Esse tipo de tarefa exige múltiplas habilidades ao mesmo tempo:

• Planejamento de múltiplas cenas
• Consistência de personagens e cenários
• Aderência ao prompt
• Atuação emocional
• Movimentos de câmera
• Ritmo de edição
• Design de transições
• Sincronização de áudio e vídeo

Os resultados ainda são demonstrações subjetivas, não benchmarks controlados. Um caso de sucesso nas redes sociais não garante que todo prompt longo funcionará de primeira.

Ainda assim, em comparação com sistemas de vídeo mais antigos, que esperavam apenas descrições visuais curtas, o modelo claramente lida melhor com instruções criativas estruturadas.

Renderização de Texto é uma das Características Comercialmente Mais Valiosas do H3

O texto sempre foi um dos elos mais frágeis na geração de vídeo por IA.

Modelos de imagem precisam apenas renderizar uma palavra corretamente em um único quadro. Modelos de vídeo precisam manter os mesmos glifos ao longo de muitos quadros enquanto a câmera, as superfícies, a iluminação e a cena ao redor continuam em movimento.

Qualquer pequeno erro em um quadro pode causar cintilação, erros de ortografia ou tipografia instável.

Os testes originais indicam que o H3 alcançou um nível utilizável em:

• Títulos animados
• Tipografia promocional
• Vídeos de letras de música
• Nomes de marcas
• Rótulos de produtos
• Legendas
• Gráficos de texto em movimento
• Visuais de UI e web

Os materiais oficiais de lançamento da MiniMax também listam a renderização precisa de texto e marcas como uma capacidade central.

O modelo não garante texto perfeito em toda geração. Fontes pequenas, frases longas, tipografias especiais e movimentos complexos ainda podem causar falhas.

O valor do H3 está no fato de que ele parece modelar a relação entre o texto e a cena.

Em um exemplo, o texto associado a um colar de diamantes apresenta luz refletida e profundidade, em vez de uma simples sobreposição plana. Isso se aproxima mais de uma composição visual do que da mera inserção de legendas.

Para equipes comerciais, tipografia confiável muitas vezes vale mais do que movimentos de câmera cinematográficos. Publicidade, lançamentos de produtos e conteúdo para redes sociais dependem de informações legíveis.

Áudio Nativo: Conectando Voz, Efeitos Sonoros e Música

O H3 gera áudio e vídeo de forma conjunta.

O cartão do modelo oficial informa:

• Áudio estéreo de 32 kHz
• Suporte estável para diálogos em 11 idiomas
• Modelagem nativa de voz, música e efeitos sonoros
• Geração audiovisual conjunta, em vez de uma etapa separada de pós-produção de áudio

Os idiomas de diálogo suportados listados pela MiniMax incluem:

• Árabe
• Chinês
• Inglês
• Francês
• Alemão
• Italiano
• Japonês
• Coreano
• Português
• Russo
• Espanhol

Outros idiomas podem funcionar, mas com qualidade variável.

O relatório também aponta que o usuário pode fornecer áudio como referência. O H3 pode combinar trechos de voz, música ou outros materiais de áudio, juntamente com referências de imagem e vídeo.

Na API atual, o áudio não pode ser usado como única entrada de referência; é necessário fornecer também imagem ou vídeo.

Essa integração é importante porque a fala gerada deve corresponder ao ritmo e à emoção da cena. Uma narração adicionada ao vídeo na pós-produção pode soar correta, mas ainda assim pode estar dessincronizada com os movimentos faciais, o ritmo ou os cortes.

O design audiovisual nativo do H3 visa manter esses elementos alinhados.

Preço: US$ 0,13 por Segundo de Vídeo em 2K

A MiniMax define o preço do H3 com base na duração do vídeo gerado.

As tarifas globais atuais de pagamento por uso são:

Com as tarifas atuais, uma geração direta de 10 segundos custa aproximadamente:

| Resolução |

Custo aproximado de saída |
|-|-|
| 768p | US$ 0,80 |
| 2K | US$ 1,30 |

A cobrança das referências de entrada segue regras separadas:

• Referências de áudio são gratuitas.
• As primeiras cinco imagens de referência são gratuitas.
• Na geração direta, cada imagem adicional após as cinco primeiras custa US$ 0,04.
• Vídeos de referência são cobrados com base na duração e na resolução de saída selecionada.

A imagem do artigo original mostra os preços de entrada e saída do H3.

A captura de tela acima lista a geração em 768p a US$ 0,09 por segundo. A página atual de preços globais da MiniMax agora indica US$ 0,08 por segundo, portanto, a documentação oficial em tempo real deve ser usada como fonte atual de informações.

A MiniMax afirma que, na resolução 2K, o custo do H3 é inferior a um terço dos concorrentes mainstream; na resolução 768p, o custo é inferior à metade dos modelos 720p mais populares.

Essa comparação é baseada nos concorrentes e configurações escolhidos pela MiniMax. O custo real de cada vídeo válido depende do número de tentativas, do material de referência, da duração dos clipes, das regenerações e se a primeira saída já é utilizável diretamente.

H3 em primeiro lugar no ranking de edição de vídeo da Artificial Analysis

A Artificial Analysis atualmente lista o MiniMax H3 em primeiro lugar no ranking de edição de vídeo com áudio.

No momento em que este documento foi escrito, o ranking mostrava:

O artigo original colocou o H3 no topo do ranking de edição de vídeo da Artificial Analysis.

O H3 também se destaca nos testes de texto para vídeo e imagem para vídeo.

Os resultados do ranking mudam conforme novos modelos e votos são adicionados. Eles medem preferências coletivas em conjuntos específicos de prompts e não devem ser vistos como prova de que um modelo é adequado para todos os fluxos de produção.

Ainda assim, esse resultado é digno de nota porque o H3 combina uma forte pontuação em edição com pesos base publicados, enquanto muitos modelos de vídeo líderes permanecem fechados.

Sistema unificado de entrada multimodal

O H3 não trata texto, imagem, vídeo e áudio como modalidades de entrada independentes.

Ele os aceita como um contexto multimodal unificado e tenta entender a relação entre esses materiais e a saída solicitada.

Por exemplo, um prompt pode pedir ao H3 para:

• Usar o movimento de câmera de um vídeo
• Manter a pessoa exibida em uma imagem
• Usar a voz de uma referência de áudio
• Seguir o ritmo de outro clipe
• Aplicar um estilo de título especificado
• Gerar uma nova cena que contenha todas essas relações

A API oficial atualmente suporta:

Os clipes de vídeo e áudio de referência devem ter entre 2 e 15 segundos, com duração máxima total de 15 segundos por tipo de mídia.

O prompt é limitado a 7.000 caracteres.

A interface do Hailuo integra prompt, referências multimodais, resolução, duração e proporção de tela.

Esse design torna o material de referência mais importante do que escrever prompts extremamente longos.

Um texto pode descrever o efeito de iluminação desejado, mas uma imagem de referência pode transmitir o mesmo visual de forma mais direta. Uma descrição textual pode explicar uma ação, mas um vídeo de referência pode mostrar o timing exato.

O valor do modelo está em interpretar como essas referências devem ser recombinadas, e não apenas copiá-las.

Materiais recentes reduzem reenvios

O artigo original destacou um recurso pequeno, porém prático: os materiais enviados aparecem no painel de uso recente.

Imagens e referências enviadas anteriormente podem ser reutilizadas pelo painel de materiais recentes.

Isso é prático

Para fluxos de trabalho que usam repetidamente os mesmos personagens, produtos, logotipos, tons de marca, vozes, estilos visuais, locais ou referências de movimento.

Reduz a necessidade de enviar e organizar os mesmos arquivos a cada geração.

Como o H3 entende a intenção criativa

A MiniMax descreve o H3 como um sistema construído em torno da generalização de tarefas, e não como um conjunto de modelos especialistas independentes.

Os primeiros sistemas de geração geralmente dividiam o trabalho criativo em tarefas isoladas, como texto para vídeo, imagem para vídeo, geração de primeiro e último quadro, referência de personagem, referência de estilo, transferência de movimento, referência de voz, edição de vídeo, geração de efeitos sonoros e geração de música.

O H3 foi treinado para expressar essas relações em linguagem natural dentro de um único sistema multimodal.

O fluxo de trabalho completo do H3 online contém três módulos principais:

Entrada multimodal
↓
H3-Context-IR
↓
H3-Base (768p)
↓
H3-Regenerate-2K
↓
Vídeo final (com áudio estéreo)

H3-Context-IR

O H3-Context-IR é um sistema gerenciado de pré-processamento e orquestração.

Ele analisa as relações entre texto, imagem, vídeo e áudio e, em seguida, gera uma representação intermediária estruturada que o H3-Base pode usar.

Esse sistema pode executar análise de instruções, correlação entre modalidades, análise temporal, decomposição de cenas, modelagem de relações audiovisuais, complementação de detalhes ausentes no prompt e raciocínio lógico complexo.

O blog técnico da MiniMax aponta que parte do material de origem exige cerca de 100.000 tokens de computação de raciocínio antes de ser destilado em uma representação de contexto média de cerca de 4.000 tokens.

O H3-Context-IR não está incluído na versão inicial de pesos abertos, pois depende de vários modelos e serviços gerenciados.

A MiniMax oferece esse recurso por meio de API e publica guias de prompt para equipes que desejam construir seus próprios sistemas de pré-processamento.

H3-Base

O H3-Base gera vídeos e áudio estéreo em resolução 768p.

Diferentes modalidades de entrada são codificadas por codificadores ou VAEs correspondentes, empacotadas em uma sequência multimodal unificada e então enviadas ao H3-Omni Transformer.

Os modelos publicados oferecem dois checkpoints específicos para tarefas:

Ambos os checkpoints usam precisão BF16.

H3-Regenerate-2K

O fluxo de trabalho 2K do H3 não é uma ferramenta tradicional de super-resolução.

Os resultados em 768p e o contexto multimodal original são realimentados no H3, permitindo que o modelo regenere a saída em resolução mais alta.

A MiniMax chama isso de regeneração no contexto.

Sistemas tradicionais de super-resolução tentam inferir detalhes ausentes a partir de vídeos de baixa resolução. O H3 pode reutilizar o prompt original e as informações de referência, o que pode ajudar a recuperar com mais precisão textos pequenos, detalhes de produtos e informações de cena.

O H3-Regenerate-2K não está incluído na versão inicial dos pesos de código aberto. Atualmente, está disponível por meio dos fluxos de trabalho hospedados e da API da MiniMax.

Principais componentes técnicos do H3

A MiniMax identificou quatro tecnologias principais por trás do sistema.

Representação contextual omnimodal

Em prompts de vídeo tradicionais, uma descrição textual descreve o clipe alvo.

No H3, porém,

as legendas também devem explicar a relação de cada referência com a saída, as relações entre as referências, qual ação deve vir de qual vídeo, qual som pertence a qual personagem, como o áudio varia entre múltiplas cenas e quais conteúdos devem ser preservados ou editados.

A linguagem é a ponte que conecta essas relações multimodais.

A MiniMax construiu modelos dedicados e um pipeline de compreensão omnimodal para gerar essa representação.

H3-VAE

O H3 usa espaços latentes visuais e de áudio separados.

O VAE visual é um autoencoder de vídeo causal no tempo, com compressão espacial de 16x, compressão temporal de 4x, 24 canais latentes e processamento adicional em blocos antes do Transformer.

A MiniMax afirma que o novo VAE oferece um ganho de 4x no comprimento efetivo da sequência em comparação com seus métodos anteriores, reduzindo custos de treinamento e inferência e ajudando a suportar geração nativa em 2K.

O VAE de áudio processa primeiro os canais estéreo esquerdo e direito separadamente e depois os recombinha. Ele compacta áudio de 32 kHz em tokens latentes de 40 Hz por canal.

H3-Omni Transformer

O H3-Omni Transformer é um Transformer denso de fluxo único.

A ficha técnica oficial do modelo lista:

• Total de 33 bilhões de parâmetros
• Cerca de 1,3 bilhão de parâmetros nos ramos relacionados ao AdaLN
• Predição conjunta de variáveis latentes de vídeo e áudio
• Embeddings rotacionais tridimensionais multimodais
• Mecanismo de atenção unificado e camadas feed-forward, sem módulos específicos por modalidade

A MiniMax afirma que as saídas moduladas pelo AdaLN podem ser pré-computadas e armazenadas em cache; portanto, implantações apenas para inferência não precisam carregar esses parâmetros.

O modelo separa as tarefas de compreensão e geração durante o treinamento para lidar melhor com grandes variações no comprimento das sequências multimodais. A MiniMax relata que isso aumentou a taxa de transferência de treinamento de ponta a ponta em quase 30%.

Atenção esparsa

O H3 usa atenção esparsa nativa durante o treinamento para reduzir o custo de sequências multimodais longas.

A versão inicial dos pesos de código aberto usa atualmente atenção total para inferência. A MiniMax afirma que a implementação de atenção esparsa será publicada em uma atualização futura.

Essa distinção é importante para implantações locais, pois a implementação atualmente disponível pode exigir mais recursos computacionais do que a pilha de serviços otimizada internamente pela MiniMax.

Pesos abertos: o que foi realmente publicado

A MiniMax publicou os pesos do H3-Base no Hugging Face sob a Licença Comunitária MiniMax H3.

O repositório inclui H3-Base-FL2VA, H3-Base-Ref2VA, arquivos de processador, arquivos de tokenizador, codificador de texto, pesos do Omni Transformer, VAEs visuais e de áudio, scripts de exemplo, instruções de implantação e exemplos reproduzíveis em 768p.

Os checkpoints usam os pesos completos pré-treinados do Qwen3-VL-32B como codificador do H3 e fornecem os estados ocultos da 50ª camada ao H3-Omni Transformer.

O modelo pode ser baixado com o seguinte comando:

hf download MiniMaxAI/MiniMax-H3 --local-dir MiniMax-H3

A MiniMax lista SGLang, vLLM, Diffusers e ComfyUI como frameworks de inferência suportados ou recomendados.

O exemplo com SGLang usa quatro GPUs:

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

Este é um exemplo oficial, não um requisito mínimo universal. O uso real de memória e desempenho depende do checkpoint, duração, resolução, implementação e hardware.

O sistema online completo ainda não está totalmente aberto

Chamar o H3 simplesmente de "totalmente open source" pode ser enganoso.

Os pesos do H3-Base publicados são consideráveis e suportam geração local em 768p. No entanto:

• O H3-Context-IR ainda é um sistema hospedado.
• O H3-Regenerate-2K ainda não foi lançado.
• A inferência com atenção esparsa não está incluída no primeiro lançamento.
• O modelo usa a licença comunitária da MiniMax, e não uma licença permissiva padrão como a Apache 2.0.

As equipes devem revisar cuidadosamente a licença e as notas de arquitetura antes de planejar uma implantação comercial.

Para ativos de marca privados, o lançamento ainda cria opções significativas. As empresas podem pesquisar, ajustar e implantar o modelo base dentro dos termos da licença, sem precisar enviar cada ativo de origem para uma interface de geração de terceiros.

Usando o MiniMax H3 por meio da API

A API oficial oferece suporte a três modos principais de geração:

1. Texto para vídeo
2. Imagem de primeiro/último quadro para vídeo
3. Geração com referências multimodais

O fluxo de trabalho de geração é assíncrono:

1. Envie a tarefa e receba um task_id.
2. Consulte o status da tarefa.
3. Obtenha a URL do vídeo após a conclusão.
4. Baixe e salve o resultado.

Os desenvolvedores também podem usar a CLI oficial da MiniMax:

npm install -g mmx-cli
mmx auth login
mmx video generate \
--model MiniMax-H3 \
--prompt "A polished product commercial with animated typography"

Para fluxos de trabalho com referências multimodais:

mmx video generate \
--model MiniMax-H3 \
--prompt "Keep the same character and follow the reference motion" \
--reference-image character.png \
--reference-video motion.mp4

Antes de usar em produção, consulte a documentação da CLI e da API, pois limites de entrada, cobrança e parâmetros suportados podem mudar.

O que o H3 significa para a produção de vídeo

O H3 não elimina todas as tarefas de pós-produção.

Um projeto profissional de marketing ainda pode exigir edição precisa quadro a quadro, revisões do cliente, música licenciada, verificações legais e de direitos autorais, conformidade rigorosa com a marca, continuidade em longas-metragens, exportação em múltiplas proporções, direção de atores ao vivo e entrega com gerenciamento de cor.

O que o H3 muda é o ponto de partida.

Em vez de receber uma peça bruta sem áudio, os criadores podem obter um pequeno ativo com edição, som, tipografia, narração, efeitos e direção visual reconhecível.

Isso torna o modelo especialmente adequado para:

• Anúncios em redes sociais
• Vídeos promocionais de produtos
• Vídeos de e-commerce
• Visuais musicais
• Pôsteres dinâmicos
• Testes de conceito de marca
• Variações rápidas de campanhas
• Jogos e UI

Vídeo Conceitual

O modelo também demonstra que a geração de vídeo está se tornando cada vez menos restrita a tarefas específicas. Um único sistema pode, progressivamente, interpretar um conjunto de ativos criativos e executar um briefing criativo mais completo.

Perguntas Frequentes

O que é o MiniMax H3?

O MiniMax H3 é um sistema universal multimodal de geração e edição de vídeo. Ele aceita entradas de texto, imagem, vídeo e áudio, e pode gerar vídeos de 4 a 15 segundos com som estéreo sincronizado.

O MiniMax H3 consegue gerar vídeos em 2K?

Sim. A API gerenciada suporta saída em 2K. O fluxo completo primeiro gera um resultado em 768p com o H3-Base e, em seguida, usa o H3-Regenerate-2K para regenerar o vídeo em resolução mais alta, preservando o contexto original.

O MiniMax H3 é open source?

A MiniMax publicou os pesos do H3-Base sob sua licença comunitária. O sistema online completo não é totalmente open source, pois o H3-Context-IR, o H3-Regenerate-2K e a inferência com atenção esparsa não estão todos incluídos na versão inicial.

O MiniMax H3 pode ser executado localmente?

Sim, os checkpoints publicados do H3-Base podem ser implantados localmente para geração em 768p. A MiniMax fornece exemplos com SGLang e links para fluxos de trabalho com vLLM, Diffusers e ComfyUI, mas o modelo exige recursos substanciais de GPU.

Quanto custa a API do MiniMax H3?

O preço global atual é de US$ 0,13 por segundo de vídeo gerado em resolução 2K e US$ 0,08 por segundo em 768p. Imagens de referência além das cinco primeiras, vídeos de referência, regenerações e o H3-Context-IR podem gerar custos adicionais.

O H3 gera áudio junto com o vídeo?

Sim. O H3 gera conjuntamente vídeo e áudio estéreo nativo de 32kHz, incluindo diálogo, música e efeitos sonoros.

Quantos arquivos de referência o H3 aceita?

A API suporta até nove imagens, três vídeos e três clipes de áudio, com até 12 arquivos combinados. Também existem limites de duração e tamanho de arquivo.

O H3 é adequado para produção de vídeo comercial?

A MiniMax projetou o H3 para publicidade, branding, e-commerce, design de produtos, UI e UX, entre outros usos comerciais. As equipes ainda devem revisar as saídas, verificar os direitos de todos os materiais de entrada e consultar a licença comunitária e os termos da plataforma.

Ferramentas Relacionadas

• Hailuo AI: Aplicativo web global da MiniMax para criar vídeos com o H3.
• MiniMax H3 no Hugging Face: Pesos oficiais do H3-Base, ficha do modelo, descrição da arquitetura e exemplos de implantação local.
• API MiniMax: Plataforma global oficial para gerar vídeos com o H3 por meio de API.
• CLI MiniMax: Ferramenta oficial de linha de comando para gerar vídeos, imagens, voz, música e texto.
• SGLang: Framework de serviço de inferência que suporta os exemplos de implantação local do MiniMax H3.
• ComfyUI: Ambiente de fluxo de trabalho visual baseado em nós, com tutorial oficial de geração de vídeo com o H3.
• Artificial Analysis Video Arena: Ranking de votação cega para comparação de modelos de edição de vídeo.

Links Relacionados

• Blog técnico oficial do MiniMax H3: Artigo de lançamento da MiniMax, cobrindo recursos, filosofia de design, arquitetura, proposta de preços e roteiro.
• Ficha do modelo MiniMax H3: Detalhes oficiais dos checkpoints publicados, licença, tarefas suportadas e módulos do sistema.
• Documentação de geração de vídeo da MiniMax: Padrões oficiais de API, limites de entrada, fluxos de trabalho e exemplos de código.
• Pagamento conforme o uso da MiniMax

Preços: Preços atuais para geração H3, entradas de referência, regenerações e Context-IR.

• Repositório GitHub do CLI MiniMax: Instalação e exemplos de comandos para geração com o H3.
• Tutorial ComfyUI H3: Fluxos de trabalho oficiais do ComfyUI para geração H3 local e baseada em API.
• Ranking de edição de vídeo do Artificial Analysis: Classificação atual de resultados de edição de vídeo por crowdsourcing e comparação de preços de API.

Resumo

O MiniMax H3 eleva o vídeo com IA de simples geração de clipes a um nível superior, integrando em um único sistema a geração visual, lógica de edição, composição de legendas, diálogo, efeitos sonoros, música e referências multimodais.

A versão gerenciada pode gerar vídeos de 4 a 15 segundos, com áudio estéreo nativo e resolução de saída de até 2K. Atualmente, ela ocupa o primeiro lugar no ranking de edição de vídeo do Artificial Analysis e oferece saída 2K por US$ 0,13 por segundo via API global da MiniMax.

A MiniMax já publicou os checkpoints do H3-Base, permitindo geração local em 768p e desenvolvimento posterior. No entanto, como o Context-IR, a regeneração 2K e a inferência com atenção esparsa ainda não são totalmente open source, o fluxo de trabalho gerenciado completo permanece parcialmente fechado.

A mudança central do H3 não é apenas gerar imagens de melhor qualidade, mas evoluir de gerar um clipe para compreender e executar um briefing completo de criação de vídeo curto.