免费视频生成新标杆：MiniMax H3的许可限制

这款名为H3的高清视频生成模型由团队推出，它支持多种类型的输入媒体，能够生成高质量的视频内容。不过其许可协议设置了特殊的地区限制：美国、英国、欧盟和韩国的用户需要额外提交申请，才能按照与其他地区用户相同的条款使用该模型，且模型的核心组件目前仍处于专有状态。

核心规格与使用成本

从核心规格来看，H3的支持能力相当全面：

输入输出方面，最多可同时加载12个文件，涵盖7000字符以内的文本、单文件不超过30MB的图片、15MB以内的音频以及50MB以内的视频；输出则支持最长15秒、宽度最高2000像素的视频，同时可附带音频和文本字幕。

架构层面，该模型基于Transformer架构，参数量达到330亿，配备了独立的文本、音频和视频编码器，以及预处理器和2K视频放大模块。

功能上，H3支持视频与音频编辑、多镜头输出，同时提供六种可选的宽高比适配不同使用场景。

性能表现上，它在第三方视频评测机构的榜单中位居第一，在文本生成视频和图片生成视频任务中排名第二，与第一名的差距处于误差范围内。

成本与可用性方面，模型权重可以免费下载，非商业和商业用途均可在符合许可协议的前提下使用；通过API调用的话，2K分辨率输出的费用为每秒0.13美元，768p分辨率则为每秒0.08美元。输入成本从音频免费，到单张图片0.04美元、高清视频每秒0.13美元不等；提示词重生成模块的收费标准为每百万输入token 0.90美元，每百万输出token 3.60美元。

不过团队并未披露模型的确切参数量、训练数据以及完整的技术报告。

模型运作逻辑

H3的整体架构分为三个核心部分，分别是上下文处理系统、视频与音频生成基础模型，以及高清视频放大器。需要注意的是，只有基础生成模型的权重可以免费下载，且附带使用限制。

在训练逻辑上，团队选择在真实自然的数据集上训练H3，以保障数据质量与训练可扩展性。与早期的视频模型不同，H3将人声、音乐和音效等所有类型的音频整合在一起训练，通过单一编码器完成建模。团队没有使用固定预设，而是通过自然语言来训练模型的参考与编辑功能，同时很早就尝试将不同媒体类型进行融合训练。

H3支持多种生成模式，包括文本生成视频、基于首帧或末帧图片生成视频，以及以图片、音频和视频作为参考进行创作，且支持多种输入类型的任意组合。比如用户可以要求模型以一张静态图片作为开场，参考两段视频的镜头运动轨迹、第三段视频的音轨，再结合文字描述来完成场景创作。

具体的运行流程上，输入内容首先会被H3-Context-IR模块处理：这个推理模块会解析用户的提示词和所有输入媒体，生成新的文本提示来指导基础模型完成内容融合。仅使用基础模型的用户需要自行明确各媒体类型的使用指令，或是搭建自己的预处理系统；而使用完整API流水线的用户则可以直接受益于Context-IR模块，无需自行完成复杂的预处理工作。

基础模型可以生成768p分辨率的视频，默认规格为宽度1792像素、高度768像素，最大支持21:9的宽高比。模型配备了三个独立的编码器分别处理文本、视频和音频，同时还有一个独立的变分自编码器用于视频编码。

第三个模块H3-Regenerate-2K可以将基础模型生成的768p视频重新生成为原生2K分辨率，宽度最高2000像素，最长可达4667像素。优化后的提示词会保留原始媒体参考和用户的原始提示作为上下文，让重生成的视频能够补充缺失的细节，而非单纯对源视频进行外推。

关于许可协议的具体限制，商业用户需要在所有使用H3的产品中显著展示模型名称，所有用户都被禁止基于H3的输出蒸馏出另一个模型，同时禁止使用模型生成可能伤害未成年人、干扰选举或违反当地法律的内容。此外，协议将美国、英国、欧盟和韩国列为排除地区，要求这些地区的权重用户提交申请，以确保使用合法合规且不侵犯任何权利。

行业定位与竞品对比

从行业对比来看，H3的一对一人类偏好ELO分数将其稳稳列入行业前三，与Google的Gemini Omni Flash和字节跳动的Dreamina Seedance 2.0处于同一梯队。Black Forest Labs的FLUX模型通常会推出面向开发者的开放权重版本，但最新的FLUX 3模型转为专有，仅通过API提供服务，目前尚未经过独立测试，但团队内部测试显示其具备冲击行业顶尖水平的潜力。Dreamina Seedance 2.5也尚未完成公开测试。

核心优势与行业启示

尽管H3的许可协议存在严格的使用限制和特殊的地区壁垒，但它无疑仍是目前顶尖的视频生成模型之一，为商业用户提供了功能强大且多样的视频生成工具，足以与Google定价更高的同类竞品相抗衡。通过这款模型，我们也得以窥见顶级视频生成模型的内部运作逻辑。MiniMax放弃合成数据的训练策略，尤其是在高质量视频转录文本较难获取的场景下，以及将提示词优化整合进整体流水线的设计，都取得了不错的效果。

行业观察与思考

在当前AI行业发展的特殊时期，按国家地区限制模型权重的使用，除了针对违反当地法律的用途之外，似乎并无合理依据。这显然违背了开源模型的核心要义：任何人都可以下载模型、了解其运作逻辑并进行使用。我们衷心希望这类地区限制不会成为行业的普遍趋势。