MiniMax H3 正式开源：支持2K视频与原生立体声，AI漫剧小白真正该关注什么？

MiniMax H3 正式开源：支持2K视频与原生立体声，AI漫剧小白真正该关注什么？

关键词：MiniMax H3、AI漫剧、AI视频、原生音频、2K视频、ComfyUI、即梦AI、Seedance 2.0

做一条 AI 漫剧，最麻烦的是什么？

不是把一张漫画图变成视频。

而是人物动起来以后，声音也得跟上：角色要开口，嘴型不能完全错位；门被推开，要有门轴声；镜头从街头转进酒馆，环境声也要跟着变化；换到下一个镜头，角色的脸、衣服、声线和画风还不能突然换人。

过去，一条十几秒的片段经常需要在多个工具之间来回搬运：一个工具做画面，一个工具配音，一个工具做音效，再用剪辑软件把声音和镜头重新对齐。

MiniMax H3 想解决的，正是这种“画面归画面、声音归声音”的割裂。

2026年7月31日，MiniMax 发布 H3，将它定义为一套通用全模态生成系统；8月2日，模型权重和社区许可证正式公开。它能够同时理解文字、图片、视频和音频，并生成最长15秒、最高2K、带原生立体声的视频。

这句话听起来很像 AI 视频又一次参数升级。

但对 AI 漫剧创作者来说，真正值得关注的并不是“2K”三个字符，而是下面三件事：

不过，先别急着把“开源”“2K”和“一键生成整部漫剧”画等号。

最重要的结论：H3 整套系统支持2K，但目前开放权重的 H3-Base 主要输出768p；负责2K再生成的 H3-Regenerate-2K 模块尚未开源。纯本地部署和官方完整2K效果，并不是同一件事。

本文不堆跑分，也不把每个技术名词拆成一页百科。我们只沿着一条主线展开：MiniMax H3 到底开放了什么，它为什么适合 AI 漫剧，小白应该怎么用，以及它和即梦到底该怎么选。

图1：从角色设定、分镜与运镜，到对白、音效和立体声，H3 试图把 AI 漫剧的多模态素材收进同一条生成链路。

一、MiniMax H3 到底是什么？

MiniMax 对 H3 的官方定义不是“文生视频模型”，而是“通用全模态生成系统”。

两个词需要分开理解。

“全模态”指的是，它能够把文字、图片、视频和音频放进同一份上下文中理解。例如，你可以提供：

• 一张角色正面设定图；
• 一张场景气氛图；
• 一段想模仿的镜头运动；
• 一段角色声线参考；
• 再加一段自然语言导演指令。

模型需要弄明白这些素材分别负责什么：哪张图决定角色长相，哪段视频只参考运镜，哪段音频只参考声线，而不是把所有素材生硬地混在一起。

“通用生成”则意味着，MiniMax 不希望为文生视频、图生视频、首尾帧、角色参考、动作参考、声音参考和视频编辑分别训练一堆互不相通的模型，而是让同一套架构学习这些任务之间的共性。

目前公开的 H3 主要有两套任务权重：

官方给出的基础规格如下：

对于漫剧，9:16竖屏、4—15秒镜头、首尾帧和多参考模式都很实用。它们刚好对应短视频漫剧最常见的制作单位：不是一次生成三分钟成片，而是先生成一段段可控镜头，再通过剪辑组成完整故事。

原生立体声，到底“原生”在哪里？

H3 的画面和声音不是两个完全独立的模型最后拼在一起。

官方架构说明中，H3-Omni-Transformer 会联合预测视频与音频的隐空间信息，再分别解码为画面和双声道音频。对白、动作音效、环境声和音乐可以在同一个时间逻辑中产生。

这带来两个直接好处：

第一，声音更容易跟动作发生在同一个时间点。剑碰撞时出现撞击声，人物转身时衣料摩擦声跟着移动，而不是剪辑师事后逐帧寻找位置。

第二，立体声能够提供左右空间感。当马车从画面左侧驶向右侧，理论上声音也可以随画面位置变化，而不只是一个居中的单声道音轨。

但“原生立体声”不代表每次都能得到可直接交付的成品音频。长对白的咬字、跨镜头声线一致性、方言、唱歌和复杂混音仍可能出错。对于有固定主角的系列漫剧，H3 原生音频更适合承担氛围、动作音效和快速样片；关键对白是否保留，仍要逐镜审核。

图2：H3 可以统一理解文字、图片、视频和音频参考，并联合生成视频画面与原生立体声。

二、“正式开源”不等于整套2K系统全部开源

这是整篇文章最需要讲清楚的地方。

H3 完整工作流由三个部分组成：

原始文字、图片、视频、音频
↓
H3-Context-IR：理解素材关系，整理成模型容易执行的导演指令
↓
H3-Base：联合生成768p画面与立体声音频
↓
H3-Regenerate-2K：结合原始上下文，把成片重新生成到2K

目前的开放情况是：

所以，“H3 开源支持2K”更准确的说法应该是：

H3 已开放核心基础模型权重；完整系统具备2K生成能力，但目前想复现官方2K链路，仍然需要调用 MiniMax 的 Context-IR 和 Regenerate-2K API。

这不是文字游戏，而是直接影响你的工作流。

如果你希望素材和生成过程全部留在本地，目前比较现实的是使用 H3-Base 输出768p。如果你希望得到官方完整2K效果，就要接受其中一部分仍在云端完成，并计算相应的API成本、网络时间和数据合规要求。

它也不是 Apache 或 MIT 式的无限制开源

H3 使用的是 MiniMax H3 Community License，而不是常见的 Apache-2.0 或 MIT 许可证。

对于中国大陆的普通学习者和小型创作者，许可证允许在适用地区使用、修改和制作衍生版本，也允许满足条件的商业使用。但它有几条不能忽略：

• 开放权重许可证的适用范围排除了欧盟、英国、韩国和美国；这些地区需要另行申请授权；
• 年收入超过2000万美元的商业产品或服务，需要提前取得 MiniMax 的书面授权；
• 使用 H3 的商业产品界面需要显著展示“MiniMax H3”；
• 公开发布AI生成内容时，需要明确披露内容由机器生成；
• 不得利用 H3 及其输出改进其他非 H3 衍生的人工智能模型；
• MiniMax 声明不主张你生成输出的权利，但生成者仍需自行承担肖像、商标、音乐、漫画IP和其他第三方权利风险。

因此，H3 可以称为正式开放权重，也可以沿用官方的“开放模型”表述，但不应该把它理解成“下载以后想怎么商用都行”。做商业漫剧、出海产品或模型二次分发之前，应重新阅读最新许可证，而不是只看别人文章里的“免费开源”四个字。

图3：目前开放的是 H3-Base；Context-IR 与 Regenerate-2K 仍属于官方 API 或在线产品链路。

三、H3 为什么特别适合 AI 漫剧？

AI 漫剧和普通风景视频最大的区别，是它对“连续性”极其敏感。

观众可以接受背景里一片树叶长得不一样，却很难接受主角在同一场对话中突然换脸，或者上一镜还是清冷女声，下一镜突然变成低沉男声。

H3 对漫剧真正有价值的地方，可以归纳为四点。

第一，多参考输入让角色设定不再只靠一段文字

Ref2VA 模式可以同时接收角色图、场景图、参考视频和声音素材。

一个比较实用的角色素材包可以这样准备：

关键不是把12个素材槽全部塞满，而是明确告诉模型每份素材负责什么。

例如：“人物外观参考图片1和图片2，服装参考图片3；只参考视频1的横向跟拍运动，不要复制视频中的人物；音频1只用于女主声线。”

这种角色分工，比一句“保持人物一致”有效得多。

第二，首尾帧适合连接分镜

漫剧本质上是一组镜头，而不是一条无限延伸的视频。

H3 的 FL2VA 模式可以只给首帧，也可以同时给首帧和尾帧。你可以先把关键分镜画出来，再让模型补齐中间运动。

比如：

• 首帧：女主站在雨夜巷口，背对镜头；
• 尾帧：女主回头，远处出现追兵；
• 中间：镜头缓慢推进，雨水、衣摆和灯光发生连续变化。

这种做法比纯文字生成更容易控制构图，也方便让下一个镜头继承上一个镜头的最终状态。

第三，原生音视频能够快速产出“可观看样片”

过去验证一段剧情，画面生成后还要配临时对白、找音效、加音乐。H3 可以直接生成一段包含环境声、动作音和对白的样片，让创作者先判断戏是否成立。

这对小白很重要。

因为早期最该验证的不是每一帧够不够2K，而是：角色有没有演对、镜头节奏是否拖沓、台词能否在8秒内说完、声音有没有抢戏。

第四，开放权重让工作流可以被批量化

网页工具适合一条一条做，但漫剧制作很快会遇到批量问题：几十个角色参考、上百条分镜、版本重试、统一命名、自动存档和失败重跑。

H3 开放 H3-Base 后，可以接入 ComfyUI、Diffusers、SGLang 或 vLLM。工作室能够把角色素材、提示词模板、生成参数和文件管理连成固定流水线，还可以针对自己的画风或题材继续研究微调。

这才是开源对行业的长期意义：不是让每个小白都去买显卡，而是让工具开发者能够把复杂模型包装成更适合漫剧的生产系统。

四、小白做 AI 漫剧，建议采用这条工作流

H3 单次最多生成15秒，但一集漫剧通常远不止15秒。因此，正确思路不是要求模型“一次生成完整一集”，而是把剧本拆成适合生成、适合审核、适合重做的镜头单元。

下面以一条60—90秒的竖屏漫剧为例。

1. 先写故事节拍，不要直接写视频提示词

一集短漫剧至少先确定：

• 开头3秒用什么冲突抓住观众；
• 主角当前想要什么；
• 中间发生什么阻碍；
• 结尾留下什么反转或悬念；
• 哪一句台词必须让观众记住。

先把剧情压缩成6—10个镜头，每个镜头控制在4—12秒。虽然 H3 支持15秒和原生多镜头，但连续角色越多、动作越复杂，单次生成的不可控因素也越多。小白阶段，一次生成一到两个镜头更稳。

2. 建立“角色圣经”和“场景圣经”

角色圣经不是一段“漂亮女生”的描述，而是一份后续镜头不能随意改变的约束：

角色：林昭
年龄与气质：22岁，冷静克制，轻微疲惫感
外观：黑色齐肩发，左眼下方一颗小痣，细长眉
服装：深青色短斗篷、米白内衫、黑色窄袖护腕
禁止变化：发色、痣的位置、斗篷颜色、护腕样式
声线：年轻女声，音量偏低，语速中等，句尾不拖长

场景圣经则固定空间结构、光线、主色和标志性道具。每次只把当前镜头真正需要的设定交给模型，避免提示词被大量无关信息淹没。

3. 根据镜头选择 H3 模式

4. 提示词按“镜头—动作—声音”写

H3 官方提示指南强调，复杂提示词不应只写剧情摘要，而要按播放顺序描述构图、角色位置、动作变化、运镜、当前声音和参考素材的生效位置。

一个适合小白的8秒漫剧提示词，可以写成：

画幅9:16，国风厚涂漫画风，夜雨中的旧城巷道，冷青色主调，暖黄色灯笼作为局部光源。

[镜头1，0—3秒]
中景。林昭站在巷口，外观与服装严格参考角色图1和角色图2。
她背对镜头，右手握住刀柄但没有拔刀。镜头缓慢向前推进，雨水打在斗篷上，远处传来急促脚步。

[镜头2，3—8秒]
切到面部近景。林昭突然回头，眼神警觉，左眼下方的小痣保持清晰。
她低声说：“他们还是追来了。”说完后闭口，呼吸略微加快。
镜头轻微手持抖动，巷道尽头出现三个人影，但不要展示清晰面孔。

环境声：持续的雨声、远处闷雷、逐渐靠近的脚步声；对白期间脚步声降低，不要盖住人声。
背景音乐：低音弦乐缓慢增强，在女主回头时出现一次短促鼓点，结尾不要解决和弦。

夜雨旧城巷道（文章示例参考）

如果使用官方完整参考模式，提示结构还可以继续细化为 subject_definitions、summary、retention_analysis、detailed_description、overall_soundscape 和 non_diegetic_music 六个部分。

但小白不必第一天就把提示词写成技术文档。先保证五件事写清楚：谁在画面里、做什么、镜头怎么动、哪一句话在什么时间说、观众应该听见什么。

5. 先用768p试镜，成片再考虑2K

2K不应该用来反复抽卡。

更合理的顺序是：

低成本草稿 → 检查角色和动作 → 检查对白节奏 → 选定可用镜头 → 最终高清生成/再生成

如果第一版连角色方向都错了，把它放大到2K只会得到一条更清楚的错误视频。

6. 最后仍然需要剪辑和声音审核

原生音频减少了工作量，但没有取消后期。

在剪映、Premiere 或 DaVinci Resolve 中，至少还要检查：

• 台词是否有错字、吞字和异常语气；
• 相邻镜头的音量是否突然跳变；
• 角色声线是否一致；
• 环境声能否自然跨越剪辑点；
• 画面节奏是否适合字幕阅读；
• 是否需要重新配音、补拟音或替换背景音乐；
• 竖屏安全区内是否给字幕和平台按钮留出空间。

图4：AI 漫剧不要追求“一次生成整集”，而要把长片拆成可验证、可审核、可重做的短镜头。

五、MiniMax H3 和即梦，到底该怎么选？

先说明比较对象。

H3 是一套模型系统，同时提供开放权重、API和海螺AI等在线入口；即梦是面向普通创作者的一站式产品，其视频能力由 Seedance 系列模型提供。一个更接近“发动机和改装平台”，另一个更接近“装好内饰、拿来就开的整车”。

因此，下面不是单纯比较谁画面更漂亮，而是比较它们如何进入 AI 漫剧生产。

截至本文写作时，即梦官方页面仍重点展示 Seedance 2.0 全能参考能力。字节跳动官方资料显示，Seedance 2.0 同样采用统一多模态音视频联合生成架构，支持文字、图片、视频、音频输入，支持最多9张图片、3段视频、3段音频，能够生成最长15秒的多镜头音视频，并具备双声道立体声、视频编辑和续写能力。

也就是说，“四模态输入、15秒、双声道音频”并不是 H3 对即梦的单方面碾压项。两者真正的分水岭，在开放程度和使用方式。

图5：想快速验证故事与分镜，可以先用即梦；需要本地部署、批量自动化和深度定制时，再重点考虑 H3。

如果你是第一次做漫剧：先用即梦

即梦的优势不是“模型一定在所有场景更强”，而是它把复杂参数藏在了产品界面后面。你可以更快学会全能参考、首尾帧、运镜和生成重试，不必先处理模型下载、显存、节点连接和环境依赖。

对小白来说，先完成第一条60秒作品，比第一天研究本地部署更重要。

如果你要建立长期流水线：H3 更值得研究

当你已经有固定题材、固定角色、明确的月产量，并开始遇到批量生成、数据留存、自动命名、失败重试和自定义节点等问题，开放权重的价值才会真正显现。

H3 适合想做下面这些事的人：

• 把角色设定自动分配到每个分镜；
• 批量生成不同镜头版本；
• 在本地保存关键素材和基础生成过程；
• 为特定漫画风格建立固定工作流；
• 对接自己的剧本拆分、审核和资产管理系统；
• 未来尝试模型微调或社区量化版本。

最现实的方案，不一定是二选一

个人创作者完全可以先在即梦验证故事和分镜，再决定哪些关键镜头值得进入 H3 工作流；技术团队也可以用 H3 做可控批量生产，用即梦快速试验新想法。

但同一场戏里不要频繁混用模型。不同模型对脸型、材质、色彩和运动节奏的理解不同，混用越多，后期统一画风的成本越高。更稳妥的做法是按“整场戏”或“整集”确定主要生成引擎。

六、小白需要本地部署 H3 吗？

大多数人不需要从本地部署开始。

H3-Omni-Transformer 是一个330亿参数的稠密模型，公开检查点还包含 Qwen3-VL-32B 文本/视觉编码器、视觉VAE和音频VAE。按官方文件树汇总，单个原始任务检查点约134.16 GiB；官方 SGLang 示例使用4张GPU进行服务部署。这已经说明，原始 BF16 权重不是“普通笔记本下载后双击运行”的级别。

ComfyUI 已经提供原生 H3 工作流，要求更新到0.30.0或更高版本，并提供 T2V、I2V 和 R2V 模板。社区也在快速提供量化、裁剪和显存卸载方案，但不同硬件上的速度、内存占用和稳定性差异很大。

对小白，我更建议按下面三层进入：

下载MiniMax Design 软件，2026 年 8 月 16 日前，所有用户可免费生成 3 次 H3 视频，支持 2K

只有当下面三个条件至少满足两个，本地部署才更有意义：

否则，所谓“免费本地生成”很可能只是把API账单换成显卡、电费、硬盘、下载时间和排错时间。

在线API也要按“可用镜头”计算成本

截至2026年8月4日，MiniMax 国内开放平台公布的 H3 按量价格为：768P 输出0.50元/秒，2K输出0.80元/秒，768P转2K再生成0.30元/秒。

因此，一条10秒镜头，仅计算基础输出，768P约5元，2K约8元。参考视频、超出免费数量的图片、Context-IR 和再生成过程中重新计入的素材还可能产生额外费用。

更重要的是，漫剧成本不能只用“成片60秒 × 每秒单价”计算。一个最终采用的镜头，可能生成三次才选中。如果一集需要60秒可用素材，理论基础输出费用约为30元（768P）或48元（2K）；平均重试三次后，仅输出费用就可能接近三倍。

这也是为什么前文一直强调先拆剧本、先做角色设定、先用768p试镜。清楚的分镜不是写作仪式，而是在直接减少抽卡成本。

七、H3 目前还解决不了什么？

H3 让音视频生成更统一，但它没有让漫剧制作变成“一句话出成片”。

首先，15秒仍然只是镜头单位，不是完整剧集。长故事仍然需要剧本拆解、镜头管理、素材命名和后期剪辑。

其次，多参考不等于绝对一致。角色在大幅转身、遮挡、多人互动、极端表情和快速打斗中仍可能出现脸型、服装和肢体漂移。官方也承认部分场景的视觉细节仍有提升空间。

第三，原生对白并不保证系列级声线稳定。即使提供声音参考，不同生成任务间的语气、音高、停顿和咬字也可能变化。连续剧主角的核心对白，最好保留单独配音或统一TTS的备选方案。

第四，2K不会自动修复错误。H3 的2K路径不是普通锐化，而是结合原始上下文重新生成细节，这比传统超分更有潜力；但如果人物动作、构图或剧情逻辑已经错了，再生成只会放大返工成本。

第五，漫剧最敏感的往往不是技术，而是版权。使用现成漫画角色、明星脸、受版权保护的配乐、未经许可的声线和他人视频做参考，都可能带来风险。开放权重不等于开放别人作品的权利，平台能够生成也不等于你能够公开商用。

所以，真正生产级的 AI 漫剧工作流仍然需要四层审核：

剧情与台词审核
→ 角色和画面一致性审核
→ 声音与字幕审核
→ 版权、肖像和平台规范审核

八、MiniMax H3 对 AI 漫剧真正意味着什么？

如果只看发布标题，H3 的故事是“一个支持2K和立体声的新视频模型开源了”。

但从漫剧生产的角度看，它更重要的意义是：视频模型正在从“生成一段会动的画面”，变成“理解一组创作素材，并参与镜头、角色、动作和声音的联合制作”。

2K提升的是最后一公里的清晰度。

原生立体声减少的是声音后期的机械劳动。

多模态参考增加的是导演控制力。

开放权重改变的，则是这套能力能否被团队长期改造、自动化和沉淀。

对于第一次做 AI 漫剧的人，我的建议很简单：

先用即梦或海螺AI完成第一条作品，先学会讲故事和拆镜头；当你真的遇到批量、一致性、数据和定制问题，再进入 H3 的 ComfyUI 或API工作流。

别从“我能不能本地跑330亿参数模型”开始。

从“观众愿不愿意看完这60秒”开始。

因为模型负责生成镜头，真正决定一部漫剧有没有下一集的，仍然是角色、冲突和节奏。

参考资料

本文依据截至2026年8月4日可访问的官方资料整理。H3 的开放模块、许可证、API价格、即梦模型入口和产品功能可能继续调整，实际使用前请再次核对官方页面。

文章标签： MiniMax H3、AI漫剧、AI视频生成、海螺AI、即梦AI、Seedance 2.0、ComfyUI、原生音频、多模态、AIGC