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.
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.
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.
Чекпоинт
Режим
Ограничения входа
H3 Base FL2VA
текст, первый и последний кадр
0, 1 или 2 изображения
H3 Base Ref2VA
мультимодальный референс
до 9 изображений, до 3 видео и до 3 аудио, всего до 12 файлов
H3-Context-IR
только API
разбор сложных мультимодальных инструкций
H3-Regenerate-2K
только API
апскейл 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
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.
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
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
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.
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.
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.