视频后期，危！MiniMax H3手绘即特效，多模态的「Coding时刻」来了

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

视频后期，危。

就在刚刚，MiniMax正式发布了全新一代视频模型——MiniMax H3。

也是他们的首个开源视频模型。

坦率地讲，这是今年继Seedance之后，第二个让我感到「后背发凉」的时刻。

现在，你可以直出这类「手绘」视频特效，宛如魔法一样。

无论是添加灵动的花体字，还是渲染复杂的字幕动画，它都能直接端到端生成。

并且清晰度默认2K。

如果你也是名AI视频玩家，应该知道我想说什么。

过去一年，视频模型因Scaling红利已获得了突飞猛进，但至今有一项定位未曾变化：它们只负责为你提供「一段素材」。

素材生成后呢？你还得把它拖进PR里，加字幕、调色、做转场、配音乐、套模板……反正后面还有「一万件」事在等着你。

但H3彻底打破了这个范式。

它将剪辑逻辑、字体排版、转场设计、节奏把控、背景音乐以及视觉特效，全部「端到端」地集成到了模型之中。

输入一段文本，它直接还你一个可以一键发布的成品。

X上也是玩疯了，海外开发者们已经玩疯了，社区公认其为全新的SOTA视频模型。

在新鲜出炉的Artificial Analysis榜单上，H3也是毫无疑问地斩获了视频编辑的第一。

也是很神奇，唯一开放权重的竟然也是第一名。

说实话，我曾一直固执地认为，「后期」会是人类创作者最后的护城河。

AI或许能生成精美的素材，但如何运用剪辑技巧、光影调度与特效来「讲故事」，这些必然需要人类独有的主观审美与情感共鸣。

现在我收回这句话。

MiniMax H3新鲜出炉

看到消息后，我立马打开官网，开始实测。

正式开始测试，我决定先跑一个简单的男团「出道花絮」热热身，看看这个模型的基础能力怎么样。

我把如今硅谷AI圈最嚣张的三个男人放在了一起。Sam Altman、Dario Amodei、马斯克。

我管这个新男团叫「AGI Boys」（doge）。

生成完第一遍我就觉得有点离谱了。

说实话，之前看到官方demo里那些手绘视觉特效、动态片头、混剪预告，说实话心里是有点怀疑的。

抽了几次卡之后，我服了……

这个模型，对用户意图的嗅觉真的异常灵敏，只用给文本，就马上能理解我想要什么视觉和剪辑风格。

就比如下面这个模型宣传片，我就只在prompt里加了一个tag，苹果发布会风格，然后H3就直出了一个平行宇宙中的「苹果版MiniMax」。

说实话，这个玻璃特效、这个渐变，太对味了……

然后我决定上强度。

这次的年度大戏主题名为「AGI复仇者联盟」，Dario和马斯克联手，准备找Sam Altman一雪前耻。

我写了一版非常长的prompt，大概描述了一个六分镜的预告片。每个分镜我都写了不同的情绪方向、表演逻辑，并且节奏相当快。

结果，我给的每个分镜，H3都完美遵守了。

尤其是后面蒙太奇Dario崩溃捶桌子那段，你要知道，我这周刚看完《痴迷》，这视频直接给我干PTSD了……

对了，你别说，掉小珍珠的Dario竟然也别有一番风味。

好好好，可恶的Dario，哭，给我哭！！！

（bushi）

最后是一个Gold Chain短视频宣传片，各类动效尽显AGI黄金时代的奢华，一根项链价值一张H200（bushi）。

好了，看完最精彩的原生后期，我们再来看下一项很重要的维度——文字。

AI在视频里呈现文字，一直以来都是翻车重灾区。

图片生成现在基本已经解决了汉字问题，GPT Image 2、NanoBanana都能在图片里写对字。

但到了视频，这个难度直接指数级上升。因为文字不能只在一帧里是对的，它要在每一帧都保持同一个形态。只要有一帧崩了，那就是全盘皆输。

H3在这块的处理，我觉得是到了一个可以商用的水平。不是100%完美，但「能用」是没啥问题了。

就比如这个纯歌词VJ，说实话，其实能满足绝大部分卧室音乐人的需求了。

而且有一个让我很在意的点，H3不只是把文字贴上去，它似乎能理解文字和画面之间的关系。

我又做了个超豪华钻石项链VJ（原谅我真的很爱gold chain），结果H3给文字也镶上钻了，有光影的变化、有景深的过渡，而不只是视频上面叠了一行字。

我知道聊文字生成听上去不够性感，不如手绘特效那么炸裂。

但仔细想想，这其实才是离商业化最近的能力，文字信息能保证正确，AI视频就可以去接广告，做品牌物料了。

还有一个我觉得很强但容易被忽略的能力，你可以直接丢一段音频教H3读台词，而且不是那种生硬的TTS念稿，声音是跟着画面的情绪和节奏一起走的。

这其实也是MiniMax的老本行了，他们很早就在多模态语音模型上有积累，这次相当于是把语音能力和视频能力在同一个模型里打通。

最后，就到了大家最关心的问题——价格如何？

答案是，巨便宜。

具体细节大家可以看API定价表，直观理解的话，H3在2K分辨率下每秒价格不到主流模型的1/3，768P分辨率下不到1/2。

那还说啥了，感动流涕了家人们。

多模态「全家桶」

所以，H3究竟是怎么做到的？

在讲模型前，先说一个容易被忽略的细节——H3是支持全模态输入的。

也就是说，不仅是文字，图片、音频、视频……所有素材都是模型理解上下文的一部分。

而上下文，很大程度上就是决定所有AI输出效果的基石。

没办法，文字这个东西，作为prompt载体，信息密度真的低得令人发指。你要描述一个场景的光影氛围，写三百字可能还不如直接丢一张参考图进去管用。

这也是我自己一直在用的「邪修」。全模态、全参考，能用图就不用字，能用视频就不用图。

而且MiniMax做了一个很小但我非常喜欢的功能，你传过的所有素材都会被缓存到一个「最近使用」里面。不用你自己建文件夹分类管理，P人的终极福音。

此外，精准编辑能力的提升则在模型层面进一步保证下限。

现在的视频模型有个共同的问题，同一个prompt、同一张参考图，你生成十次，十次都不一样。

没办法，模型毕竟还是在像素画布上填空，一帧有这么多像素，自然会出现无数排列组合。

创作者把这个叫「抽卡」。

H3解决这个问题的办法是，它对画面、动作、风格、空间关系这些东西有一层综合理解，从而在语义层面理解了「你想改的是什么」。

结果就是可控性大幅提高。你可以真的实现稳定的言出法随。

除此之外，今天上午MiniMax也公布了更多关于底层技术路线的信息。

也比较符合我的预期，为了更好地利用多模态上下文，团队在Omni方向上做了大量工作。

首先就是上下文的Caption。

多模态语境下，H3中Caption的含义被大幅拓宽。不再只是「描述目标视频」，而是要同时刻画上下文与目标视频的关系，甚至理清上下文内部各元素之间的关联。

这本质上是一种上下文Omni表征。语言在这里充当了可泛化的「胶水」，这是H3指令理解能力的根源。

为了做到这一点，MiniMax专门定制了Caption模型，搭了一整套全模态理解管线。

其次，团队搭建了一套名为H3-Omni Transformer的原生Omni架构，主打多模态场景下的通用+高效。

看到这，我觉得H3的一切能力，都可以归因到同一个第一性原理——

多模态+语言的涌现。

图像、视频、音频……这些自然模态紧密交织，是人与世界交互的基本媒介，承载了海量信息。

而语言，正是连接这些多模态孤岛，最好的桥梁。

事实上，MiniMax自创立之初，便坚定布局多模态产品矩阵，这也是这家公司最旗帜鲜明的特点。

如今，一切终于连点成线——

H3的发布，是此前多模态技术沉淀的集大成，也是团队基因和传统的又一次延续。

敬开源

最后，再说说一件我觉得非常惊喜的事。

H3这样一款SOTA级的视频模型，竟然选择了开源？？？

这对有内容需求的企业来说，意义自然不言而喻。

如果仅仅依赖云端API，谁也不敢轻易将资产上传至第三方服务器。

但如果是一个可私有部署的模型，意味着能够毫无顾忌地用自有数据进行微调，围绕核心IP、品牌画风与专属内容工作流进行深度定制。

至于成本，从Infra的演进规律来看，在云厂商、推理平台与开发者社区的共同推动下，推理成本的长期下降是必然趋势。

技术和成本的门槛双双降低，H3的开源，极有可能带来一场IP生命力的全面爆发。

但我始终认为，上述种种，都还不是开源最核心的意义。

开源的真正价值，不在于技术普惠，也不在于成本削减——它赋予了所有消费者，一张能与科技巨头坐上谈判桌的筹码。

而MiniMax，在这条路上已经坚守了很久。

从文本模型M2系列开始，他们每一代模型都在拓展开源的边界。如今H3的问世，更是将这条开源之路，轰轰烈烈地铺进了视频生成的深水区。

这也是他们一直以来坚持的公司愿景：Intelligence with Everyone（让智能与每个人同在）。

回看魔幻的7月，如果说Kimi K3冲锋在前，扛起了Coding的开源大旗；那么MiniMax H3，则在视频模型的赛道上，毅然立起了另一面旗帜。

过去大家觉得视频模型就是纯娱乐，如今，H3已然进化成真正可商用的生产工具，视频生成，正式进入「Coding时刻」，面向真实场景交付。

而这个SOTA视频生产模型，是开源的，它来自MiniMax。

中国开源的声音，这不是第一次响起。

也绝不会是最后一次。

MiniMax H3体验地址：https://hailuoai.com/