MiniMax H3：首个开源2K视频+原生立体声音频模型

MiniMax H3 是首个实现单次生成 2K 视频并带有原生立体声音频的开源权重视频生成模型，可在 RTX 3060 等消费级硬件上本地运行。该模型于 2026 年 8 月 3 日发布，标志着视频生成从闭源 API 模式向社区驱动开发的转变。

MiniMax H3 是 MiniMax 的第三代视频模型，前两代分别是 Hailuo 01 和 Hailuo 02。核心区别在于：H3 是首个开放权重的版本此前模型仅提供 API。这一改变使得基于该模型进行开发的主体范围大大扩展。

该模型支持文生视频（text-to-video）、图生视频（image-to-video）、首尾帧控制（first-and-last frame control）以及参考视频生成（reference-to-video）。输出最高可达 2K 分辨率、15 秒 24 FPS，同时在视频生成过程中同步生成 32 kHz 原生立体声音频，无需独立的音频模型。

对于开发者而言，开放权重意味着可以在本地运行、修改模型或构建定制工作流。对于创作者而言，则意味着无需按秒支付 API 费用即可生成视频。这种组合在该领域十分罕见。

该模型发布时即支持 ComfyUI Day-0，意味着无需自建基础设施即可开始实验。文生视频、图生视频和参考视频生成的工作流模板可在 ComfyUI 中直接使用。

How It Works Under the Hood

H3 采用约 330 亿参数的密集 Transformer 架构。系统分为多个专业组件：从 Qwen3-VL-32B 衍生的文本编码器、H3-VisualVAE（视频处理）、H3-AudioVAE（音频处理），以及将它们整合在一起的 H3-Omni-Transformer。

这种全模态设计使模型能够在统一上下文内处理文本、图像、视频和音频输入。在单次请求中最多可输入 9 张图像、3 个视频片段和 3 个音频片段（共计 12 个文件），模型随后生成带同步立体声音频的视频。

对于 2K 输出，H3 采用两阶段流水线：基础模型先生成 768p 视频，然后由 H3-Regenerate-2K 模块超分至 2K。值得注意的是，重建模块尚未开源，如果你是计划在本地验证高分辨率输出，需要注意这一点。

该架构支持多种画面比例：21:9、16:9、4:3、1:1、3:4 和 9:16，覆盖了从电影级宽银幕到竖屏社交媒体内容的大多数制作场景。

Running H3 Locally on Consumer Hardware

这正是 H3 区别于竞品的关键。MiniMax 声称该模型可以在 12GB 显存的 RTX 3060 上运行，而这只是先前视频生成模型所需硬件的零头。

内存占用降低源于多项优化叠加：

Modulation-weight LUT pruning — 通过剪除不重要条目来减小查找表体积

Int8 convrot quantization — 将卷积旋转压缩至 8 位而无明显质量损失

Custom kernels — 针对常见操作优化的推理路径

Dynamic VRAM offloading — 必要时将未使用的模型部分移至系统内存

最终实现了 66% 的体积缩减，从全精度的 123.6 GB 降至最小变体的 42.5 GB。可通过 Comfy-Org Hugging Face 仓库获取剪枝后的 int8 和 fp8 检查点变体以及对应的 ComfyUI 工作流。

不过，关于剪枝效果的声明也受到了一些社区审视。Hacker News 讨论帖指出，内存缩减声明尚未经过严格独立验证。数字看起来很有希望，但如果你是用于生产环境，建议在投入硬件前先做测试。

H3 vs. The Competition

视频生成领域正变得日益拥挤。以下是 H3 在同类竞品中的位置：

开源权重优势显而易见：你可以本地运行 H3、修改它，并且避免按秒计费的 API 成本。竞品均需云端访问并按用量收费。对于生产工作流和实验而言，这种差异至关重要。

需要注意的是：尚未找到与 Sora 2、Runway Gen-4 或 Kling 的已验证基准测试分数对比。开源权重和本地推理路径是 H3 的差异化所在，而非已验证的质量优势。

What This Means for Creators and Developers

对于创作者而言，H3 意味着本地视频生成且自带音频。不再需要拼接独立的视频和音频模型。全模态输入还意味着你可以参考现有 footage、图像和音频片段来引导生成，这是闭源模型无法支持的方式。

对于开发者而言，ComfyUI 集成是关键的入门入口。Day-0 支持意味着工作流模板已就绪可用。模型可通过 MiniMaxAI 官方仓库和 Comfy-Org 重新打包的权重仓库（包含剪枝变体）在 Hugging Face 上获取。

该模型的许可证是社区专用许可证，并非完全 permissive 的开源许可证。在商业使用前请查阅 MiniMax-H3 社区许可证。如果你打算在模型之上构建产品，这个区别很重要。

2K 重建模块尚未开源，这意味着本地用户可以验证 768p 的质量，但若要获得宣称的 2K 保真度则需要通过 API。如果你现在就需要高分辨率输出，可以通过 MiniMax 官方 API 文档使用 API 路径。

这并非首个开源权重视频模型，但它是首个集齐以下要素的模型：开源权重、原生音频、2K 输出路径、消费级 GPU 支持。这套组合能否经受住真实场景的考验，是值得关注的焦点。

• First open-weight video model — MiniMax H3 breaks from the API-only pattern that dominates the space

• Native stereo audio — Video and 32 kHz audio generated in one pass, no separate audio model needed

• Runs on RTX 3060 — Optimizations claim 66% memory reduction, bringing high-end video generation to consumer GPUs

• 2K via API only — The regenerate module for 2K upscaling isn't open-sourced; local users validate 768p

• Community license — Not fully permissive open source; check restrictions before commercial use

Do I need a cloud GPU to run MiniMax H3?

No. H3 is designed to run locally on consumer hardware. The smallest variants target RTX 3060 with 12GB VRAM after optimizations. ComfyUI workflows are available for immediate setup.

How does the native audio work?

H3 generates video and stereo audio (32 kHz) in a single pass using the H3-AudioVAE component. No separate audio model or post-processing is needed. Audio syncs automatically with the generated video.

Is H3 truly open weights?

The base model (768p) is open-weight on Hugging Face. However, the 2K regenerate module (H3-Regenerate-2K) is not yet open-sourced. You can run 768p locally; 2K requires the MiniMax API.

What's the license for commercial use?

H3 uses a community-specific license, not a fully permissive open source license. Check the MiniMax-H3 Hugging Face page for the full license terms before commercial use.

How does H3 compare to Sora 2?

The main difference is access. Sora 2 is API-only with no local inference path. H3 is open-weight and runs locally. Quality comparisons haven't been independently benchmarked, so the choice depends on whether you need local deployment or prefer API convenience.

---

MiniMax H3 Day-0 Support in ComfyUI: Open Weights, Native Audio, and 2K Video (ComfyUI Blog, Aug 3, 2026)

MiniMaxAI/MiniMax-H3 — Official Hugging Face Model Card

Comfy-Org/MiniMax-H3 — Repackaged Weights for ComfyUI

MiniMax H3 Day-0 Support Discussion — Hacker News

MiniMax API Documentation — Video Generation v2

Originally published on TekMag