MiniMax、字节同日出手，视频模型进入新赛段

作者 | 定焦One 苏友宁

视频模型又卷起来了。

7月31日，MiniMax和字节跳动先后发布了各自的视频模型。

Seedance 2.5将单次生成时长延长至30秒，增加了参考素材数量和局部编辑功能，提供480P和720P两档输出。H3最长仍为15秒，但可以同时接收文字、图片、视频和音频，输出带双声道声音的2K视频。MiniMax还承诺在数日内开放模型权重。

字节继续拉长镜头，MiniMax准备放开模型。后者给这轮竞争增加了一个变量。

过去这个行业的规则是，谁手里的模型最强，谁就掌握价格、入口和分发。即便有视频模型开源，但能真正能嵌入真实制作流程的少之又少，要么画质不够稳，要么复杂指令易失真，或是改一处就牵动整段。这次，H3把旗舰模型开源，动的正是这条规则。

它试图成为行业首个达到商用级水平、同时开放权重的多模态视频基座模型，在发布时交出了画质、精准编辑和音画协同能力。如果第三方能够复现这些能力，H3的开源就不只是一场社区事件，还可能成为一次产业事件。

视频模型的下一程，也因此不只比谁的镜头更长、画面更好，还要比谁能进入更多工具和工作流，并最终把技术优势转化为换成实打实的调用量和收入。

01.越过生产门槛，H3凭什么谈开源？

一位独立电影创作者的吐槽，或许比跑分更能解释H3想解决什么。

创作者chukwuDEJI在X上说，他曾将同一条提示词反复提交给Seedance，十多次被拒后只能放弃。换用刚刚发布的H3后，这个镜头很快生成，价格也更低。他感叹，如果H3早些发布，自己的电影或许已经能用上。

另一位创作者padphone只上传了一张产品图和一句提示词，H3便生成了一段2K广告。真正打动他的除了清晰度本身，还有模型自行把光线、镜头和品牌调性都处理好了。

个案不能代替系统评测，但它们代表的方向一致，视频模型的竞争，正在从能不能生成转向能不能交付。

当分辨率、时长等指标被迅速追平，创作者在意模型能否理解真实任务、稳定执行指令，并让结果顺利进入后期。这也正好是理解H3的三个入口。

先看它如何理解素材。

过去，创作者得把人物、动作、运镜和声音全部翻译成提示词。需求越复杂，转述中的信息损耗越大。H3允许素材本身成为指令：一次最多接收9张图片、3段视频和3段音频，但混合素材总数不超过12份。广告导演可以直接提交产品图、品牌视觉、参考片和配乐；动画团队也可以把角色设定、动作样片和分镜一并交给模型。

在测试中，一些创作者只提供少量人物图片和一段音乐，模型便能自行组织画面。甚至有用户发现，参考图给得过多，反而会限制H3的发挥。这说明模型不只是在复刻素材，也在尝试理解素材之间的关系。

输出端同样在提升。H3覆盖文生视频、图生视频和参考素材生成，最长可以输出15秒、带原生双声道音频的2K视频。它仍主要服务于单个镜头，不是一次生成完整影片，但能力范围已经进入头部视频模型的竞争区间。

其次是精准执行。

多位AIGC导演曾向「定焦One」表示，实际生产中最头疼的往往不是生成，而是修改。只想替换桌上的商品，模型却可能连人物姿态、镜头节奏和画面色调一起改掉；一处局部调整，甚至会污染整段视频，团队只能重新"抽卡"。

H3将人物替换、背景更换和动作迁移等能力整合进同一模型，核心是识别哪些内容需要改变、哪些内容必须保留。它可以沿用参考动作只替换人物，保留主体关系只更换背景，也可以局部调整服装、声音或镜头节奏。多位测试者因此将"指令遵循"视为H3最突出的能力之一。

这项能力直接关系到成本。一段AI视频的真实价格，并不是模型标出的单次生成费用，得用"生成价格×抽卡次数"，再加上人工返工成本。编辑越稳定，可用镜头的综合成本就越低。

第三，是能否进入后期。

过去，视频模型更擅长制造原料。团队拿到生成片段后，仍要分别处理字幕、动效、声音、转场和包装。每增加一个工具，都会多一次格式转换，也多一次素材错位的风险。

H3开始把部分后期能力收进生成过程。它能基于已有视频补镜头、换元素、调风格，完成转场、卡点和视觉增强；也可以保持标题、品牌名和游戏UI的可读性，让文字服从画面的透视和运动；还能接收参考音频，完成音色克隆和音画协同，直接输出双声道声音。

H3还不能取代完整后期，调色、混音、版权审核和精细剪辑，仍然需要专业人员。变化在于，它交付的是一份更接近制作要求、可以继续加工的镜头素材。

这也是讨论H3开源的前提。开源的分量，取决于被开放的能力站在什么位置。一款只能展示Demo的模型开放权重，无非是给市场添个备选；一款越过生产门槛的模型开源，才可能改变产业分工。

H3试图做的正是后者，把画质、精准编辑和音画协同等核心能力带进开源体系，让开源视频模型有机会与闭源旗舰坐到同一张牌桌上。

当"开源"不再等于"次一级"，视频生成的竞争规则也开始松动了。

02.一款旗舰模型开源，会改变什么？

H3开源的分量，可以先从一组差距看起。

在Artificial Analysis基于盲选投票的视频榜单中，H3以1242分位列有声文生视频第二，仅比第一名Gemini Omni Flash低4分，高于Seedance 2.0；在无声图生视频榜单中，它同样排名第二；在视频编辑榜单中，则以1130分位列第一。

图源 / Artificial Analysis

榜单会随投票变化，也替代不了真实生产中的长期检验。但它至少说明，开源与旗舰之间的差距在收窄。

过去使用视频模型，往往是一道取舍题：要最好的效果，就接受闭源厂商的产品、价格和规则；要部署自由，就接受相对落后的画质与能力。H3想打破这种取舍。

最先改变的，是这项能力由谁提供。

闭源模型触达用户通常只有两条路：进入厂商自己的产品，或者通过官方接口对外收费。模型部署在哪里、运行在哪种芯片上、价格如何调整，主动权都掌握在模型公司手中。

开放权重相当于把一部分主动权交了出去。H3发布当天，开发者平台Vercel将其接入自家服务，SeaArt也宣布上线。这类接入依靠官方服务，可以迅速扩大模型触达范围；权重开放则更进一步，让第三方有机会改变模型的运行方式。

图源 / X

ComfyUI核心开发者账号comfyanonymous在Reddit表示，团队已经提前拿到H3的权重和代码，将提供首日支持。经过优化，模型甚至可以在RTX 3060上运行，只是速度会慢一些。更关键的是，据其介绍，团队拿到的是与API一致的权重。

图源 / Reddit

这意味着，H3交给社区的不是一个缩水版。MiniMax还表示，H3能够适配多款国产芯片，2K视频的生成成本0.8元/秒，不到主流产品的三分之一。若这些条件能够被第三方稳定复现，视频模型的供应方就会从单一厂商扩展到云平台、推理服务商和本地部署团队。

第二层变化，是模型会从一款独立产品变成工具的底层。

大多数创作者不会下载权重，也不关心模型部署在哪块芯片上。他们接触H3的方式，更可能是剪辑软件里的一个按钮、设计工具里的一组功能，或电商后台里的一条自动化流程。所以模型能铺多广，不仅取决于海螺AI拥有多少用户，更要看多少产品愿意将H3做进自己的功能。

有些开源视频模型已经走过这条路。LTX-2发布后很快获得ComfyUI支持；万相Wan2.2开放后，社区陆续补上各种适配，让它进入了更多工具、运行在更便宜的显卡，也能以较低成本训练出定制风格和角色。一款模型由此不再对应一个固定入口，它可以被拆进不同工具，与剪辑、配音、放大和角色控制自由组合。

H3的不同在于，这回进入这套生态的，是一项已经接近闭源头部模型的能力。第三方产品不用先替基础画质"补课"，可以直接围绕广告、电商、游戏和影视的工作流做产品。

更深一层的变化发生在企业内部：开源让模型有机会成为企业可控制的生产基础设施。

广告公司需要商品、Logo和品牌色在每条视频中保持稳定；游戏公司需要角色与画风长期一致；影视团队还要考虑未公开素材和版权资产能否上传公有云。对这些客户而言，画质只是准入门槛，数据能否留在本地、模型能否围绕自有资产调整、成本能否被长期控制，才是真正的采购理由。

在许可允许、工具链成熟的前提下，企业可以私有部署H3，并围绕品牌素材和业务流程继续训练。模型就不再是一个按次付费的外部服务，更像是企业自己掌握的一段生产链。第三方服务商也可以据此搭建工作流，将同一套能力带入广告、游戏、影视和电商等不同场景。

如果说闭源模型主要争夺用户，开源旗舰争夺的就是参与者。当更多公司能够部署、改造和分发同一项前沿能力，这场竞争就从几家厂商拼模型，扩展为不同生态之间的比拼。

不过，截至发布时，H3的权重仍处于"即将开放"状态。ComfyUI等合作方的提前适配，并不等于普通开发者已经可以自由部署。许可协议、完整配套代码和实际部署所需的算力成本，也尚未完全公布。

H3能否真正成为产业底座，最终要看这些条件是否足够友好，以及第三方能否在官方产品之外，复现它所展示的画质、编辑能力和成本优势。

03.开源，也是一种进攻

开源不等于退出商业竞争，是换一种方式参与竞争。

对于字节跳动这类平台型公司，开放模型并不是扩大分发的必要条件。它已经拥有一套内部生态，可以独自完成能力的应用、反馈和变现。

以Seedance为例。模型发布后，可以迅速进入即梦、剪映等创作工具。用户从脚本、分镜、生成到编辑、导出，都不必离开同一套产品；生成的内容还可以继续进入抖音、红果和TikTok的内容场。

一位AIGC从业者曾向「定焦One」概括字节跳动的优势：番茄提供IP，即梦、剪映等工具完成制作，抖音、红果和TikTok承担分发，巨量引擎承接投流。她看到是生产、分发和变现链路同时向一家公司集中。保持闭源，可以将能力优势留在内部，进一步强化不同产品之间的协同。

MiniMax具备的条件不一样。

与抖音、快手相比，海螺AI仍是一款相对独立的创作产品。MiniMax短期内或许难以补齐内容平台、流量入口和商业化网络，但它换了个方式进场：不完全依靠自有产品触达用户，而是把云厂商、企业服务商、创作工具和开发者变成新的分发节点。

这并非H3发布时的临时选择。从M2、M2.1、M2.5、M2.7到M3，MiniMax持续开放模型权重；H3只是第一次将这条路线延伸至旗舰视频模型。MiniMax的财务数据也印证了这条路的分量。

5月28日，MiniMax披露，过去两个月年化经常性收入（ARR）增长超过100%；以今年2月已超过1.5亿美元的基数计算，最新ARR已超过3亿美元。其收入结构也由2025年的C端约占七成、B端约占三成，转为B端与C端各占一半。同期，MiniMax服务的全球企业和开发者客户超过100万，半年增长5倍，全球用户约3亿。对MiniMax而言，外部平台、企业客户和全球开发者，本就是其增长的重要来源。

图源 / Minimax官网截图

由此看，"Intelligence with Everyone"这句品牌口号，慢慢长成了一套商业策略：MiniMax负责训练基础模型，外部生态参与部署、优化和场景改造，再由API、企业服务和自有产品承接商业价值。

把几家公司的选择放在一起，是一场典型的非对称竞争。

字节跳动、快手依靠纵向一体化，将模型嵌入自己的产品、内容平台和商业化体系；MiniMax则横向开放模型，争取成为更多产品共同使用的技术底座。前者追求对完整链路的控制，后者让渡一部分控制权，换取更广泛的分发。

这种差异，也把视频生成推向了下一程。

一位AIGC导演向「定焦One」判断，往后头部模型的能力会越来越接近，用户留存将成为更大的考验。到那时，画质和榜单仍然重要，但不足以定胜负。价格、稳定性、部署方式和工作流适配能力，将更直接地影响用户调用与企业采购。

开源也并非没有代价。权重开放后，MiniMax产品侧也许会失去一部分产品独占性，生态创造的价值也可能被云厂商和工具平台分走一部分。因此，判断H3开源是否成功，不能只看下载量和社区热度，得看它能否转化为持续调用、企业部署和真实收入。

字节跳动、快手选择把模型变成内部系统的增量，MiniMax则试图让模型成为外部生态都愿意用的公约数。两条路线尚未分出胜负，但竞争的尺度已经改变：视频模型从"比谁强"变成了谁能进入更多生产流程，并在那里长期留下来。这条以开放换分发的路，MiniMax已经走了很久。

*题图来源于Minimax稀宇科技视频号截图。