MiniMax H3 开源深度解读：15 秒 2K 原生立体声，视频模型的「DeepSeek 时刻」来了？

MiniMax H3 是一个通用型全模态生成系统：能够统一理解由文本、图像、视频和音频构成的多模态上下文，并生成最高 2K 分辨率、最长 15 秒、带有原生立体声音频（32kHz 采样率）的视频，输出帧率 24FPS，稳定支持 11 种语言。

模型在 7 月 31 日发布，8 月 3 日宣布开源权重。与常见「开源即宣传」不同，H3 的开源包含完整权重、技术说明和推荐工作流，魔搭社区与 Hugging Face 同步开放，16 家芯片与平台完成首日适配。

H3 完整系统由三部分组成：H3-Context-IR（托管式预处理系统，把复杂多模态指令提炼为模型易理解的中间表示，目前提供 API）、H3-Base（本地可部署的生成骨干，768p 输出）、H3-Regenerate-2K（把 768p 结果连同原始上下文送回模型重新生成 2K，通过 in-context 方式避免传统超分的信息丢失，目前提供 API）。

H3-Base 是一个 33B 参数的 dense 单流 Transformer，其中约 13B 参数位于 AdaLN 分支，推理部署时可缓存跳过；视觉编码器复用 Qwen3-VL-32B 的预训练权重。支持 SGLang、vLLM、diffusers、ComfyUI 等框架，社区已出现 Apple Silicon 的 MLX 移植版本。

H3 发布两个任务型 checkpoint：H3-Base-FL2VA 支持文生视频、首帧生视频、尾帧生视频、首尾帧生视频；H3-Base-Ref2VA 支持全模态参考模式——最多 9 张图像、3 段视频、3 段音频，所有类型输入合计最多 12 个文件，可实现人物保留、动作与嘴型编辑、音色参考、原始音频复用等复合任务。

官方给出的 Ref2VA 示例很有代表性：模型保留原视频中的人物身份、服装、镜头构图、光线和场景，部分复用原视频背景音乐，同时参考另一段男性语音的音色，为人物生成新的对白与匹配的嘴型。

DeepSeek 用开源与低成本改写了文本模型的竞争格局；MiniMax H3 把同一逻辑带进视频赛道：本地可部署的完整权重、清晰的许可协议、可复现的工作流。对开发者而言，这意味着「数据不出内网」的视频生成成为可能——涉密素材、未发布产品、特殊行业内容都可以在私有环境处理。

但也要理性看待差距：H3-Context-IR 与 2K 再生成模块尚未开源（提供 API），完整 2K 体验仍依赖官方服务；768p 本地部署需要 33B 权重对应的显存预算。开源是「可以私有化」，不等于「免费获得全部官方体验」。

四款模型的竞争维度完全不同：Wan3.0 主打文档转视频与 30 秒长片段，Seedance 2.5 主打 50 参考素材的一致性控制，FLUX 3 主打原生 1080p 画质，MiniMax H3 主打开源私有化 + 原生音频。

选型建议：需要私有化部署选 H3；需要配音与声音编辑选 H3（原生立体声）；需要文档转视频选 Wan3.0；需要广告级一致性选 Seedance 2.5；需要极致画质可以对比 FLUX 3 与官方 2K API。