8月3日，MiniMax 正式开源了新一代通用视频模型——MiniMax H3。这一消息在 AI 领域引发了广泛关注。简而言之，这是一套面向通用任务的全模态生成系统，能够同时处理文本、图像、视频和音频等多模态上下文信息，并输出最高 2K 分辨率、最长 15 秒且自带原生立体声音频的视频。其核心优势在于，从预训练阶段开始就并非“偏科生”，而是以任务泛化为导向进行设计，因此天然具备强大的多模态理解与生成能力，在执行复杂指令时表现相当可靠。换句话说，当你给它一个多模态“提示”时，它不仅能听懂，还能看懂，并在理解的基础上生成内容，这才是真正的“通用”视频生成模型。

具体参数方面，H3 的输出时长覆盖 4 到 15 秒，支持多种宽高比，包括 21:9、16:9、4:3、1:1、3:4、9:16 等主流比例。默认情况下，模型将短边设置为 768 像素；如需 2K 分辨率，直接调用 H3-Regenerate-2K 即可。此外，它稳定支持 11 种语言，涵盖阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语，其他语言也有不同程度的覆盖。这种多语言能力对于全球化应用场景而言，无疑是一项非常实用的加分项。