如果你最近刷到任何关于 AI 视频的新闻，八成会看到”价格又创新低”或者”开源阵营又添一员”这两条主线。7 月 31 日，这两条主线同时被一款叫 MiniMax H3 的模型撞在了一起。
稀宇科技（MiniMax）正式发布通用多模态视频模型 H3，并宣布北京时间 8 月 3 日 0 点在魔搭社区（ModelScope）正式开源权重。它是 MiniMax 推出的首款开源多模态生成模型，之前这家公司在文本侧已经连开 M1/M2/M2.5/M2.7/M3 五代，但视频/图像/声音这条线一直只通过 Hailuo、Speech、Music 等闭源产品对外。H3 这次的”开源”和”多模态统一”两件事叠在一起，让它在 7 月 31 日的国内 AI 新闻里迅速冒头。
我在 H3 发布当晚就把它官网、知乎专栏、IT 之家报道、澎湃新闻深度分析翻了一遍，又顺手查了 ComfyUI 核心开发者的 Reddit 帖子。结论是：H3 不是又一个”参数又多了多少”的发布，而是一个对普通人、创作者、企业、开发者都有具体影响的发布。
如果你已经在用 腾讯混元 AngelSpec 这种推理加速工具，或在 阿里千问 AI 平台 上调用过千问、Kimi、DeepSeek，那对”国内模型把价格卷下来”这件事应该已经不陌生。H3 这次卷的是视频赛道。
这篇文章不打算重复介绍 H3 的”领先性”和”震撼性”，只想讲清楚几件事：H3 到底能做什么、不能做什么、谁该用、怎么用、价格到底便宜到什么程度，以及 8 月 3 日开源后第一时间能去哪下载。
先把 H3 看明白：不是视频模型，是”全模态统一”模型
H3 的官方定义是”通用多模态视频模型”，但它不是只做视频。它有四个输入端：文本、图片、音频、视频；有两个输出端：视频、原生双声道音轨。它把”理解”和”生成”放在同一个上下文里完成，而不是先做文本理解、再去做画面生成、最后再补音频这种流水线式拼接。
这种设计带来一个很直接的结果：H3 在 Artificial Analysis 的视频编辑榜单上拿到了 1130 分，位列全球第一；在有声文生视频榜单上以 1242 分排第二，仅比 Gemini Omni Flash 低 4 分，但比 Seedance 2.0 高。换句话说，它在”能不能用”这件事上，已经跨过了生产门槛。
但榜单分数再高，也得落到实操上才有用。H3 的几个核心参数先列一下：
| 项目 | 规格 |
|---|---|
| 输入模态 | 文本、图片、音频、视频 |
| 输出模态 | 视频 + 原生双声道音频 |
| 最高分辨率 | 2K（默认输出 2K） |
| 单次生成时长 | 最长 15 秒 |
| 商业用途 | 允许 |
| 关键架构 | Contextual Omni Representation、H3-VAE、H3-Omni Transformer、In-context Regeneration |
| 视频生成价格 | 0.8 元/秒（2K），约为主流旗舰模型 1/3 |
几个值得展开说说的点：
- 原生双声道。以前的”AI 视频 + AI 配音”方案，嘴型对不上、节奏对不上、情绪对不上是常态。H3 把音频也放在多模态上下文里生成，理论上不会出现视频已经播完、配音还没说完的尴尬。
- 2K 是默认。不是 720P 起步、付额外费用才能开 2K，是默认就给 2K。官方在 IT 之家采访里也明确：768P 分辨率下，定价是主流 720P 模型的 1/2。
- 支持多轮延长。15 秒只是单次最长，不是死上限。H3 支持在已有素材基础上做多轮延长，类似 Sora 和 Veo 3 的”Extend”功能。
H3 凭什么便宜三分之二
0.8 元/秒这个数字之所以重要，是因为它的对比对象不是别的国产闭源模型，而是当前市面上的视频生成旗舰。
按照官方口径和 IT 之家报道，H3 2K 视频的生成价格约为主流旗舰模型的 1/3，768P 视频价格是主流 720P 模型的 1/2。翻译成场景：一个 10 秒的 2K 视频，H3 大约 8 元，而用一些闭源旗舰做同样规格可能要 25-30 元甚至更多。
这件事能成立，不是稀宇科技突然学会了”亏本卖”，而是有几个具体的技术优化：
- 高压缩 Tokenizer：H3-VAE 把视频帧压缩到更少的 Token 里，等于让模型每次”看”更少的内容就能生成视频。这是从底层降低单次推理成本。
- 异构训练 + 负载均衡：不同任务（文生视频、图生视频、视频延长、多模态编辑）的计算负载差别很大，传统做法是按最重任务分配资源。H3-Omni Transformer 在异构硬件上做动态调整，训练吞吐量提升接近 30%。
- H3 团队主动放弃了前一代 hailuo-02 架构。这条在 IT 之家报道里被特别提到：团队为了”简洁架构 + 通用性”主动放弃了之前花大力气做的专用架构。这种”自我颠覆”在视频生成领域并不常见。
省下来的成本，最终落到调用方头上。对个人创作者和企业内容团队来说，这等同于把”AI 视频生成”从一次性项目变成可批量复用的工具。
四种使用入口，开源前先能试
虽然 8 月 3 日才正式开源权重，但 H3 在 7 月 31 日发布当天，已经有四个可用的入口：
1. MiniMax 官方 API（已上线）
最直接的入口。注册稀宇科技开放平台账号 → 创建 API Key → 调用 image2video / text2video 接口 → 按 0.8 元/秒结算。
需要注意的是：H3 的 API 和 MiniMax 之前的 Hailuo 视频 API 是分开的，老接口调用不到 H3 的能力。要在 API 文档里找”H3″对应的端点。
2. Vercel AI Gateway（已集成）
Vercel 在 H3 发布当天就把它接入了自家的 AI Gateway。如果你已经在用 Vercel 部署前端项目，可以直接在 Vercel 控制台里加一行环境变量，把 H3 接入到工作流里。
这条路对前端开发者特别友好，省掉了单独申请账号、配置跨境支付、调试网络的过程。
3. SeaArt（已上线）
SeaArt 在 7 月 31 日同步宣布上线 H3，国内用户可以直接打开 SeaArt，在视频生成通道里选 H3 模型，输入提示词就能用。
对没有 API 经验、只是想”先试一下”的创作者，SeaArt 是目前最省事的入口。
4. ComfyUI 节点（首日支持）
这是 H3 开源消息里最让本地玩家兴奋的一条：ComfyUI 核心开发者 comfyanonymous 在 Reddit 上确认，团队已经提前拿到 H3 的权重和代码，将提供首日支持。经过社区优化，H3 甚至可以在 RTX 3060 上运行，只是出图速度会慢一些。
更关键的是，社区拿到的是与 API 一致的权重，不是缩水版。这意味着开源版本的能力和闭源 API 是对齐的，不会出现”开源不如闭源”的老问题。
如果你还不熟 ComfyUI，可以把它理解成”AI 图像/视频的 node 式工作流工具”，跟 Midjourney 的 Discord 机器人完全是两种东西。节点拖一拖，就能拼出”文生视频 → 视频延长 → 加音频 → 加字幕”的完整流程。
8 月 3 日开源后，怎么用 ComfyUI 跑起来
虽然 8 月 3 日权重才正式发布，但准备工作今天就能做：
- 更新 ComfyUI 到最新版。H3 的节点会作为官方插件提供，老版本识别不了。
- 确认显卡。官方说 RTX 3060 也能跑，但速度会慢。想要流畅体验 2K 15 秒视频，至少需要 12GB 显存的卡（RTX 3060 12GB / RTX 4070 / RTX 5070 都行）。
- 下载模型权重。8 月 3 日 0 点在魔搭社区（ModelScope）和 Hugging Face 双平台发布，关注 MiniMax 官方账号即可第一时间拿到下载链接。
- 准备工作流模板。ComfyUI 的工作流是 JSON 文件，H3 的官方工作流会同步开源，第一次跑建议直接用官方模板。
如果你之前没接触过本地 AI 视频，可以先看 本地部署大模型完全指南 熟悉 Ollama、LM Studio 这些工具的本地部署思路，再来跑 H3 会顺很多。
跟 Seedance 2.5、HappyOyster、Qwen-Image-3.0 怎么选
最近一个月，国内视频/多模态生成赛道肉眼可见地卷起来了。把已经报道过的几款产品放在一起对比，能更清楚 H3 的定位：
- 字节 Seedance 2.5：闭源，单次 30 秒、单次 30 张参考图、多轮延长和局部重绘，主打”工业级长视频”。
- 阿里 HappyOyster 1.0：闭源，专注”世界模型”和互动漫游，AI 视频的”游戏化”方向。
- 阿里 Qwen-Image-3.0：图像模型，覆盖教育课件、UI 原型、12 国语言文字渲染等”生产力图像”场景。
- Meta Muse Image：图像模型，文字渲染和 @好友 Instagram 生成是亮点。
- MiniMax H3：开源 + 多模态统一，2K 默认 + 原生双声道，主打”普惠生产力视频”。
选型建议（避坑版）：
| 你想要 | 选 |
|---|---|
| 一次生成 30 秒以上的长视频，工业流水线 | Seedance 2.5 |
| 进入 AI 生成的”可探索世界”做互动短剧 | HappyOyster |
| 画图，文字排版、UI 草图、多语言素材 | Qwen-Image-3.0 |
| 发 Instagram、WhatsApp 创意图，跟朋友同框 | Muse Image |
| 2K 短视频 + 配音一键出 + 想自己跑/改权重 | H3 |
简单说：如果你只是想”用”，闭源旗舰都已经够好；如果你想”自己跑、改权重、接入自己工作流”，H3 是目前唯一靠谱的开源选项。
普通人和企业能立刻做的事
H3 的发布对不同人群的实际影响差别很大。
普通创作者
如果你是 B 站 UP 主、抖音/视频号博主、小红书图文创作者，0.8 元/秒 的价格意味着同样的预算可以做 3 倍体量的视频。一个 1 分钟的口播视频，按 0.8 元/秒算，60 秒就是 48 元——比请真人配音便宜得多。
建议：
- 先在 SeaArt 上免费试用几次，熟悉 H3 的提示词风格；
- 商用项目等开源权重发布后，通过 ComfyUI 跑本地，省去 API 调用费用；
- 关注 MiniMax 官方的提示词模板，H3 对动作、镜头、风格的控制比一般视频模型更精细，提示词结构化能显著提升成片质量。
独立开发者和工作室
开源 + ComfyUI 节点意味着 H3 可以被嵌入到现有工具链。几个值得提前想的场景：
- SaaS 工具集成：通过 Vercel AI Gateway 一行配置接入；
- 批量内容工厂：用 ComfyUI 跑工作流，把”选题 → 文案 → 配音 → 配图 → 视频”一条龙自动化；
- 客户定制项目：开源权重允许私有部署，对于有合规要求的客户（金融、医疗、政企）这是关键卖点。
企业团队
对企业的最大价值是可控 + 可审计。闭源模型每次升级都可能改变行为，开源权重 + 私有部署意味着行为可锁死、可回滚、可追溯。
建议准备的工作：
- 让算法/工程团队跟进 8 月 3 日开源发布的权重，先在测试环境跑通；
- 评估当前 GPU 库存，2K 视频生成对显存要求不低，至少准备 12GB 显存卡一张；
- 对接稀宇科技商务，了解企业级 API 限速、私有化部署、技术支持的具体政策。
几个还不太确定的点
H3 的发布会信息很完整，但有些细节官方还没完全披露，使用前最好心里有数：
- 开源协议。稀宇科技在 M3 发布时明确说”该模型是同级别中唯一开源的”，但 H3 这次的开源协议（Apache 2.0 / MIT / 自定义）还没官方公布。商业使用前需要看 LICENSE 文件。
- 多模态理解的边界。H3 的输入端支持文本、图片、音频、视频，但具体每种输入的最大长度、最长时长、文件格式限制还没详细说明。等权重发布后看 README 才准确。
- 中文 vs 英文提示词效果。从过去视频生成模型的惯例看，中文提示词通常需要翻译成英文才能拿到最佳效果。H3 是否在中文上有专门优化，官方没明确表态。
- 二次开发门槛。H3-Omni Transformer 是新架构，要在它基础上做 LoRA 微调、SFT 训练，需要等社区出训练脚本。这一步可能要到开源后几周才成熟。
这些都不影响”H3 现在就能用”这个判断，但会决定你把它用多深。
写在最后
H3 的发布之所以让人兴奋，不是因为”参数又大了多少”，而是因为多模态生成第一次有了”普惠”的可能性。0.8 元/秒、首日 ComfyUI 支持、官方 API 当天可用、企业可私有部署，这几条凑齐之后，AI 视频生成才真正从”少数大公司能玩得起”变成”任何人都能上手”。
如果你只想试一下，现在就可以去 SeaArt；如果你是开发者，8 月 3 日 0 点盯住魔搭社区和 Hugging Face 的 MiniMax 官方账号；如果你是企业，先让团队跑通 ComfyUI 的官方工作流，再谈私有化部署。
过去两年，AI 视频生成的故事是”大公司砸参数”。H3 的故事是“把已经能用的能力，价格砍到普通人也能用”。这两条路哪个更重要，看完这篇你心里应该有数了。
发表回复