ОБЗОР МОДЕЛИ 2026

MiniMax H3: обзор открытой модели видео со встроенным звуком

H3 генерирует видео и звук одной моделью: 4–15 секунд, 24 кадра в секунду, стерео 32 кГц и русская речь среди 11 поддерживаемых языков. Открыты только базовые чекпоинты 768p — контекстный препроцессор и модуль 2K остались в API.

ВидеомоделиОткрытые весаАудио + видео
Категория ВидеогенерацияФормат Обзор + спецификацииОбновлено 09.11.2026

MiniMax H3 — омнимодальная система, которая генерирует видео вместе со звуком: от 4 до 15 секунд, 24 кадра в секунду, стерео 32 кГц и диалоги на 11 языках, включая русский. В открытом доступе лежат два базовых чекпоинта на 768p, а препроцессор контекста и модуль апскейла до 2K остались закрытыми и доступны только через API.

6,4 млн
Скачиваний на HF
карточка MiniMax-H3
4–15 с
Длительность
одна генерация
32 кГц
Звук
нативное стерео
11 665
Звёзд на GitHub
снимок 09.11.2026

01Кратко: что умеет H3

По описанию вендора H3 — не просто генератор видео, а система с общим пониманием текста, картинок, видео и звука на входе. На выходе получается ролик со синхронной звуковой дорожкой: речью, шумами и музыкой. Именно синхронность звука и изображения здесь главная фича, а не разрешение.

Модель вышла 28.07.2026 и быстро набрала массу: на 09.11.2026 у карточки 6,4 млн скачиваний и 6 683 лайка на Hugging Face, у GitHub-репозитория 11 665 звёзд. Вокруг неё уже сложилась экосистема адаптеров: например, Pika H3 Flex и Viggle Remake построены на той же базе.

Карточка системы
РазработчикMiniMax
Публикация28.07.2026
Длительность4–15 секунд
Разрешение768p, до 2K через API
Кадровая частота24 FPS
Звук32 кГц, стерео
ЛицензияMiniMax H3 Community License
Как мы собирали данные
Спецификации взяты из карточки модели на Hugging Face и README репозитория, метрики популярности — из HF и GitHub API на 09.11.2026. Мы не генерировали собственные ролики: это обзор по документации вендора.

02Спецификации: что реально выдаёт

ПараметрЗначение
Длительность4–15 секунд
Соотношения сторон21:9, 16:9, 4:3, 1:1, 3:4, 9:16 и другие
Разрешение768p по умолчанию, 2K через Regenerate-2K
Кадровая частота24 кадра в секунду
Аудио на выходе32 кГц, стерео
Языки диалога11 стабильных, включая русский
Препроцессор контекстатолько API
Данные карточки MiniMaxAI/MiniMax-H3, снимок 09.11.2026.
2K-режим и препроцессор H3-Context-IR в открытый релиз не входят — вендор обещает опубликовать их позже.

Заявленных 15 секунд достаточно для рекламной вставки, короткого тизера или сцены для вертикального видео. Соотношение 9:16 поддерживается официально, что делает модель пригодной для Shorts и Reels без кадрирования.

С русским языком ситуация лучше, чем у большинства зарубежных видеомоделей: он входит в список 11 стабильно поддерживаемых языков диалога наравне с английским, китайским и испанским. Это не гарантирует идеальной артикуляции, но убирает необходимость переозвучивать ролик отдельным TTS.

03Два чекпоинта и три модуля

В открытом релизе два чекпоинта с разными режимами входа. FL2VA работает с текстом и кадрами: ноль изображений — обычная генерация из текста, одно изображение — первый или последний кадр, два изображения — переход между кадрами. Ref2VA принимает мультимодальные референсы и умеет переносить стиль, персонажа и звук из присланных материалов.

ЧекпоинтРежимОграничения входа
H3 Base FL2VAтекст, первый и последний кадр0, 1 или 2 изображения
H3 Base Ref2VAмультимодальный референсдо 9 изображений, до 3 видео и до 3 аудио, всего до 12 файлов
H3-Context-IRтолько APIразбор сложных мультимодальных инструкций
H3-Regenerate-2Kтолько APIапскейл 768p до 2K по исходному контексту
Состав системы по README. Каждый клип референса — 2–15 секунд, суммарно не больше 15 секунд.
В открытом релизе — только инференс с полным вниманием; разреженное внимание обещано в обновлении.
Как устроен пайплайн
H3-Context-IRРазбирает текст, картинки, видео и аудио, собирает промежуточное представление контекстазакрыто, APIH3-Base33 млрд параметров, единый поток: генерирует видео 768p и стереозвук одновременнооткрытоH3-Regenerate-2KПерерисовывает результат в 2K, опираясь на исходный контекст, а не на обычный апскейлзакрыто, API
Схема из README: контекстный препроцессор готовит инструкцию, база генерирует 768p, модуль 2K перерисовывает результат в высоком разрешении.

04Где запускать

Для локального запуска вендор перечисляет SGLang, vLLM, diffusers и ComfyUI. В примере SGLang используется конфигурация на 4 GPU с Ulysses-степенью 4 — то есть расчёт идёт на многокарточной машине, а не на одной потребительской видеокарте. Требования к памяти в README не зафиксированы: смотрите кулинарные книги фреймворков.

Запуск через SGLang по README
1
Скачать чекпоинт
Качайте только нужное семейство задач, чтобы не тянуть оба набора весов.
terminalcopy
hf download MiniMaxAI/MiniMax-H3 \
  --include "FL2VA/*" \
  --local-dir H3
2
Поднять сервер
Пример вендора — 4 GPU и режим скорости; порт произвольный.
terminalcopy
sglang serve \
  --model-path MiniMaxAI/MiniMax-H3 \
  --num-gpus 4 --model-variant fl2va
3
Собрать 2K
Локальная база даёт 768p. Для 2K нужны API-ключи MiniMax и последовательный вызов двух модулей.
terminalcopy
TOKEN=<ключ> \
SGLANG_DEPLOYMENT_URL=<url>
Самый быстрый путь — ComfyUI
В документации ComfyUI есть готовые шаблоны R2V и T2V для H3. Это удобно, если нужен результат без своего кода: скачали веса, открыли шаблон, вставили промпт.

05Экосистема и популярность

Показатель того, что модель прижилась, — не только скачивания базы, но и адаптеры поверх неё. Pika H3 Flex добавляет управление стилем и режим изображение-в-видео, а Viggle Remake специализируется на замене персонажа в готовом ролике. Оба проекта прямо указывают MiniMax-H3 как базовую модель.

Скачивания на Hugging Faceтыс. скачиваний, снимок 09.11.2026
04 0008 000MiniMax-H36 404LTX-2.52 720Viggle Remake97Pika H3 Flex1
Для сравнения взят LTX-2.5 — другая открытая видеомодель из трендов Hugging Face того же периода.
Лайки на Hugging Faceотметки «нравится», снимок 09.11.2026
06 25012 500LTX-2.511 243MiniMax-H36 683Pika H3 Flex527Viggle Remake226
Лайки показывают интерес сообщества, а скачивания — фактическое использование; наборы лидеров у этих метрик разные.

Расхождение метрик полезно держать в голове: по скачиваниям H3 обгоняет LTX-2.5 более чем вдвое, а по лайкам уступает. Часто это значит, что модель массово тянут в пайплайны, но обсуждают меньше — типичная картина для рабочей, а не хайповой модели.

06Плюсы и минусы

Плюсы
  • Видео и звук генерируются одной моделью, без отдельного TTS и подгонки дорожки
  • Русский язык в списке стабильно поддерживаемых языков диалога
  • Открытые базовые чекпоинты и готовые шаблоны ComfyUI
  • Режим референсов: до 12 входных файлов разного типа
Минусы
  • Препроцессор контекста и 2K остались закрытыми — только через API
  • Пример запуска рассчитан на 4 GPU, а не на одну видеокарту
  • 15 секунд — жёсткий потолок длительности
  • Собственная лицензия с отдельной формой для США, ЕС, Великобритании и Южной Кореи
Лицензия и региональные ограничения
H3 распространяется по MiniMax H3 Community License. Для США, ЕС, Великобритании и Южной Кореи вендор отдельно требует заполнить заявку. Перед коммерческим использованием читайте текст лицензии и Q&A по ней в репозитории.

07Кому подходит

H3 стоит рассматривать, если нужно быстро получить короткий ролик со звуком и речью на русском — для соцсетей, рекламных вставок, черновых сцен. Если нужен полный контроль над разрешением и длиной, готовьтесь к связке с API: локальная база даёт только 768p. И помните про железо: это многокарточный сценарий.

Нет зарубежной карты для оплаты?Реклама. ООО «КАПИБАРА», ИНН 9703231520Оформить карту →
Как оплатить AI из России — разбор

Частые вопросы

MiniMax H3 — открытая модель?
Частично. Открыты два базовых чекпоинта 768p (FL2VA и Ref2VA) и код репозитория. Препроцессор H3-Context-IR и модуль H3-Regenerate-2K в открытый релиз не входят — они доступны через API MiniMax.
Сколько длится видео и какое разрешение?
От 4 до 15 секунд, 24 кадра в секунду. Локальная база выдаёт 768p по короткой стороне, 2K получается только через модуль Regenerate-2K по API.
Есть ли поддержка русского языка?
Да, русский входит в 11 языков диалога, которые вендор называет стабильно поддерживаемыми, наряду с английским, китайским, испанским и другими.
Сколько нужно видеопамяти для локального запуска?
В README конкретные требования не указаны. Пример запуска в SGLang использует 4 GPU, поэтому ориентироваться стоит на рецепты SGLang и vLLM под вашу конфигурацию.
Можно ли использовать H3 коммерчески?
Лицензия MiniMax H3 Community License допускает использование, но для США, ЕС, Великобритании и Южной Кореи вендор требует отдельную заявку. Условия читайте в файле LICENSE и Q&A в репозитории.
Как быстро попробовать H3 без кода?
Через ComfyUI: в официальной документации есть шаблоны T2V и R2V для H3. Также доступны веб-приложение Hailuo AI и API MiniMax.

Источники и официальные ссылки

Вердикт Qantcore
8,2/ 10
H3 — сильная модель для коротких видео со звуком и один из немногих открытых вариантов с русской речью из коробки. Основные ограничения честные и понятные: 15 секунд, 768p локально и закрытые модули 2K. Для соцсетей и черновой раскадровки — отличный выбор; для финального продакшена в высоком разрешении считайте бюджет на API.
Сравнить видеомодели и сервисы
Обзоры, тарифы и альтернативы в одном каталоге.
Плати по всему миру — карта для оплаты зарубежных нейросетей, приложений и подписок из России
Реклама. ООО «КАПИБАРА», ИНН 9703231520
Оплата AI-сервисов из РоссииКарта РФ, СБП или реселлер — рабочая страница оплаты без VPN
Перейти к оплате →