MiniMax H3（海螺 3.0）详解：开源权重、原生音频的 AI 视频模型
MiniMax H3——海螺 3.0 背后的模型——是 2026 年 7 月 31 日发布的视频模型，同时具备两件几乎没有对手能兼得的能力：在同一次生成中把立体声音频与画面一起产出，以及可下载的开源权重。它最高可达 2K（2560×1440），一次请求即可同时读取文本、图像、视频和音频，渲染速度比上一代快约 37%。下面讲清楚它到底能做什么、怎么写提示词，以及它相对 Seedance 和 Kling 在哪里更强、哪里更弱。
MiniMax H3（海螺 3.0）是什么？
H3 是 MiniMax 的全模态视频模型，于 2026 年 7 月 31 日发布，作为海螺 3.0 应用的底层引擎。它最具标志性的特点是音频不是第二道工序：对白、音效、环境声和音乐与画面在同一次生成中一起产出，因此成片一出来就是完整的，而非无声的。它输出原生 2K、24fps，单条时长 4 到 15 秒，画幅从 21:9 到 9:16，并配有 Extend Video 工具可将序列延长到约 30 秒。
这里的「全模态」是字面意义上的：一次请求就能把文本、一张图、一段参考视频和一段音轨作为统一上下文，H3 会把它们全部协调到一起。发布数日后，MiniMax 在 Hugging Face 上公开了权重，并提供了原生 ComfyUI 支持——这正是 H3 在前沿级视频模型中的特殊之处，因为领先者大多保持闭源。在 ReelWand 上，H3 级别的生成正是音频驱动视频 Agent 的底层能力：你用自然语言给一位代言人下 brief，Agent 在服务端组装模型调用。
H3 规格速览
| 能力 | MiniMax H3（海螺 3.0） |
|---|---|
| 原生音频 | 立体声，与画面同一次生成（对白 / 音效 / 音乐 / 环境声） |
| 最高分辨率 | 最高 2K（2560×1440），24fps |
| 单条时长 | 原生 4–15 秒；经 Extend Video 可达 约 30 秒 |
| 输入 | 全模态——文本 / 图像 / 视频 / 音频，同一次请求 |
| 权重 | Hugging Face 开源权重 + ComfyUI 支持 |
| 渲染速度 | 比上一代快约 37% |
| API 价格 | 约 $0.13/ 秒 的 2K 视频 |
| 入口 | 海螺 App、MiniMax Hub、Open Platform API、OpenRouter、Luma Agents |
定义 H3 的两点，恰恰是没有单一对手能同时做到的：一次生成即带原生音频，以及开放、可下载的权重。Seedance 更长、能到 4K，但闭源；Kling 更便宜，但不原生生成音频。
如何给 MiniMax H3 写提示词
- 把音频也写进去，别只写画面。 既然声音与画面在同一次生成中产出，就在 brief 里写明对白台词、环境声和音乐情绪——「她在温暖的室内说出这句标语，轻柔的室内环境声」——而不是留成无声。
- 有几种模态就都喂进去。 一张人脸图 + 一段声音样本 + 一句文字动作，比只有文字给 H3 更多可协调的信息。这正是全模态设计的价值所在。
- 把镜头控制在 15 秒内，再延长。 原生单条为 4–15 秒。先把这一条拍对，再用 Extend Video 延长到约 30 秒，而不是一上来就硬拼时长。
- 画幅要刻意选。 H3 覆盖 21:9 到 9:16——做 TikTok、Reels 和 Shorts 选 9:16，要电影感黑边选 21:9，别用默认值凑合。
- 给相机一个动机。 「他说完这句时缓慢推近」胜过「电影感运镜」。说清运动本身，并把它和音频节拍绑在一起。
MiniMax H3 对比 Seedance 2.5 与 Kling
| 模型 | 强项 | 注意点 |
|---|---|---|
| MiniMax H3（海螺 3.0） | 原生音频、开源权重、2K、渲染快 | 原生最长 15 秒，非 4K |
| Seedance 2.5 | 30 秒单镜头、原生 4K、50 个参考输入 | 闭源权重，无原生音频 |
| Kling 3.0 | 性价比、多镜头主体一致性 | 无原生音频，单镜头较短 |
| Veo 3.1 | 4K + 原生音频、顶级提示理解 | 价格偏高，闭源 |
经验法则：当你需要声画一次生成，或想自己跑模型时，选 H3；需要一条又长的 4K 镜头时选 Seedance 2.5；预算是决定因素时选 Kling。详细对比见 MiniMax H3 对比 Kling。
H3 在 ReelWand 工作流里的位置
原生音频正是一位「会说话的代言人」所需要的，而这恰是 ReelWand 的 数字人播报工作室 所围绕的能力。这个 Agent 内置一套服务端的风格 DNA——构图、打光、调色、口型同步的质量标准——拼进每一次 H3 请求，因此代言人成片无需你反复输入术语也能保持品牌一致、口型对齐。会话记忆意味着你的下一句提示会在两小时窗口内基于上一帧迭代，而不是从零重生成——你是在打磨一次表演，而不是拿整条镜头去赌。完整流程见 如何制作 AI 数字人播报视频。
在一个被「导演化」的 Agent 里，把原生音频变成品牌一致的数字人。
用 H3 级别的音频做一位会说话的代言人常见问题
MiniMax H3 是开源的吗？
H3 提供开放、可下载的权重，在 2026 年 7 月 31 日发布数日后即公开在 Hugging Face 上，并原生支持 ComfyUI。这让它成为少数几个你可以自己运行、而不必只通过 API 调用的前沿级视频模型之一。
MiniMax H3 会生成音频吗？
会——而且是原生生成。对白、音效、音乐和环境声与画面在同一次生成中以立体声一起产出，因此成片是完整的而非无声的。这是 H3 相对 Seedance 和 Kling 的核心差异点。
H3 支持什么分辨率和时长？
最高 2K（2560×1440），24fps，原生单条 4 到 15 秒。Extend Video 工具可把序列延长到约 30 秒。它不到 4K——那是 Seedance 2.5 的能力。
MiniMax H3 的 API 多少钱？
通过 Open Platform API 约为每秒 2K 视频 $0.13。H3 也可通过海螺 App、MiniMax Hub、OpenRouter 和 Luma Agents 访问。在 ReelWand 上，生成走积分制，视频计价高于静态图。
MiniMax H3 和 Seedance 2.5 该选哪个？
要原生音频、开源权重和快速 2K 渲染选 H3；要一条原生 4K 的 30 秒长镜头且强参考控制选 Seedance 2.5。H3 能一次产出带声音的成片；Seedance 更长更清晰，但无声且闭源。
把它变成作品
62 个专精视觉 Agent，每一个都内置了本文所讲的手艺。挑一个，开始创作。