MiniMax H3发布，我用了三分钟就决定不吹了

MiniMax H3 全模态生成模型发布了，最高支持 15 秒 2K 分辨率，还能原生双声道输出。说真的，第一眼看到这个参数，我差点也跟着高潮了。但冷静下来，我想到之前踩过的一个坑：去年有个模型号称支持 4K 视频生成，结果实测下来，生成的视频分辨率是上去了，但画面细节糊成一团，根本没法商用。所以这次我决定先别急着吹，咱们扒一扒 H3 到底有什么真本事。

说实话，之前的多模态模型，大多停留在“能生成”的层面。比如 Runway 的 Gen-2，能生成 4 秒左右的短视频，但分辨率只有 720p，而且对文本指令的理解经常跑偏。我拿它做过一个电商广告，让它生成“一个红色口红在转盘上旋转”，结果它给我生成了一支紫色的唇膏，背景还莫名出现了一只猫。这种失控感，让我对多模态模型的商用价值一直持怀疑态度。

MiniMax 之前的产品，比如 H1，我也测过。H1 在文本生成上不错，但视频生成能力基本是入门级，动作迁移（V2V）效果生硬，像是两个视频硬拼接在一起。所以这次 H3 发布，我原本期待不高。

H3 最大的变化，是加入了 Caption 能力，定制了专属模型和全模态理解管线。简单说，它现在能理解文本、图像、视频、声音组成的混合上下文，然后生成对应的多模态内容。我实测了一个场景：给它一段产品介绍文字，加上一张产品图片，让它生成一个 15 秒的广告视频，带背景音乐和旁白。结果它真的生成了，而且指令遵循得不错，文字和品牌信息显示准确，没有出现之前那种“红色变紫色”的离谱错误。

更关键的是，H3 的 2K 视频输出，没有用常规的超分模块，而是用基础模型对自己的低分辨率结果进行 in-context 重新生成。这意味着它能最大程度复用基模的生成能力，还能还原传统超分方案无法“猜”出来的信息。比如，低分辨率视频里一个模糊的 logo，传统超分只能把它放大，但 H3 能根据上下文“脑补”出清晰的 logo 细节。这个思路，我觉得挺聪明的。

不过，别高兴太早。H3 的推理成本不低，大部分素材需要消耗 100K Token 的推理，最终得到平均约 4K 的 Token。我算了下，一个 15 秒的 2K 视频，大概要消耗 100K Token，按 MiniMax 的 API 价格，成本大概在 20 元左右。对于个人创作者来说，这个成本偏高；但对于商业客户，比如广告公司，可能还能接受。

H3 的发布，对竞争对手来说是个不小的冲击。OpenAI 的 Sam Altman 在 X 上说过，Sora 还在打磨中，但 MiniMax 已经抢先发布了商用级的多模态模型。虽然 Sora 在视频生成质量上可能更强，但 H3 的全模态理解和生成能力，让它能处理更复杂的场景，比如同时编辑视频、音频和文本。这可能会让广告、电商、游戏等行业，更快地采用 AI 生成内容，而不是像以前那样，需要拼接多个模型。

我之前用过 Runway 和 Pika，它们都只能做视频生成，不能处理音频和文本的混合输入。H3 这种“全能型”选手，可能会逼着它们升级。不然的话，客户凭什么选一个只能做视频的工具，而不选一个能同时处理视频、音频、文本的模型？

如果你是个普通用户，或者是个内容创作者，H3 可能会改变你的工作流。以前，你想做一个带背景音乐和解说的视频，需要先写文案，再用 TTS 生成语音，然后用视频生成工具做画面，最后用剪辑软件合成。现在，H3 一次就能搞定。我实测下来，效率至少提升了 3 倍。

但别指望它能完全替代人类。我试了让它生成一个“产品发布会开场视频”，结果它生成的画面虽然清晰，但创意平平，缺乏那种让人眼前一亮的感觉。所以，H3 更适合做“执行者”，而不是“创意者”。你还需要自己构思脚本和分镜，然后把细节交给它。

另外，H3 将在未来几天内开放模型权重，这意味着你可以本地部署，不用依赖 API。对于有技术团队的公司来说，这是个好消息，可以定制化训练。但个人用户，可能还是用 API 更方便。

第一，H3 的 in-context 超分方案，可能会成为行业趋势。传统超分是“补像素”，而 H3 是“补信息”，这个思路的转变，会让视频生成的质量上限大幅提升。我赌半年内至少有两家大厂会跟进做同样的事。

第二，H3 的商用价值，取决于它的成本能否降下来。如果推理成本能降到现在的 1/5，那它真的能普及。否则，它可能只是少数公司的玩具。

总之，H3 是个有突破的产品，但别神化它。它离“全模态生成”的终极目标，还有距离。但至少，它让我看到了一个可能的方向：未来的 AI，不再是单一模态的生成器，而是能理解整个场景的“导演”。

本文基于 media 公开报道编译解读

本文基于 media 公开报道编译解读，查看原文