MiniMax H3 最新解读：对比 Kling 3.0、Veo 3.1，它到底强在哪？

截至 2026 年 8 月 6 日，MiniMax H3 已上线 API，并开放了 H3 Base 的部分权重。真正值得关注的，不只是它把视频输出推到 2K，而是它把文字、图片、视频和音频参考放进了同一条创作链路。

01｜H3 到底是什么？

先把一个常见误会说清楚：MiniMax H3 不是聊天模型，也不是给文本模型换了一个更大的版本号。它的官方定位是通用多模态视频模型，核心任务是理解多种素材，并生成带原生音频的视频。

这意味着，你不必再把工作拆成“写脚本、找参考图、单独做配音、最后剪辑”四个互不相干的环节。H3 试图把这些信息一次性放进模型的上下文里，再输出一个可以继续修改的结果。

02｜这次升级，升级的不是一个参数

从 Prompt 走向多媒体上下文

过去的视频模型更像“高级提示词执行器”：你描述得越具体，结果通常越稳定。H3 的方向更接近“素材导演”——它可以同时理解图片、视频片段、音频和文字说明，再判断哪些内容应该保留，哪些内容需要重组。

官方指南显示，一次请求最多可放入 9 张图片、3 段视频、3 段音频，混合文件总数不超过 12 个；提示词上限为 7000 个字符。这不是聊天模型意义上的超长文本窗口，而是面向视频创作的多媒体参考上下文。

原生音频，不再是最后补上的一层

H3 支持最高 32 kHz 的立体声音频，并可稳定生成 11 种语言对白。人物说话、环境声、动作节奏和画面不再完全由后期拼接，视频模型第一次更像是在同时处理“镜头”和“声音”。

从“一次生成”走向连续编辑

H3 支持文生视频、图生视频、首尾帧控制、全能参考，以及多轮和局部编辑。你可以先给一张产品图生成镜头，再补一段动作参考，最后指定“只改背景和对白，不要动产品形状”。

创作者不必每次从零开始抽卡，而是可以围绕同一份素材连续迭代。

03｜核心规格，一张表看懂

需要特别注意的是，H3 Base 默认生成 768P，2K 主要通过官方 Regenerate2K 模块完成。因此，“支持 2K”不等于“整条链路都已经开源到 2K”。

04｜和 Kling 3.0、Veo 3.1 放在一起看

视频模型正在快速分化。MiniMax H3 于 7 月 31 日发布，Kling VIDEO 3.0 又在 8 月 5 日上线；Google 一边维护 Veo 3.1，一边把 Gemini Omni Flash 推向对话式视频编辑。它们已经不是简单的“谁画质更高”，而是四条不同的产品路线。

H3：复杂素材和开放权重

H3 的优势是参考素材容量大、输入类型完整，并且开放了 H3 Base 权重。对需要私有化部署、品牌素材控制和复杂参考关系的团队，它更接近一个生产工作流。

Kling 3.0 Omni：角色一致性和多镜头叙事

Kling 3.0 Omni 支持 3–15 秒、720P/1080P、原生音频、多镜头控制和角色声线绑定。它更适合短剧、故事广告和需要固定角色贯穿多个镜头的内容。

Veo 3.1：电影感和 4K 输出

Veo 3.1 的强项仍是高端视觉、首尾帧控制、视频延展和 4K 输出，但单次生成通常为 8 秒，也没有开放权重。它更像高质量镜头生成器，而不是完整私有化工作流。

Gemini Omni Flash：用对话反复修改视频

Gemini Omni Flash 把世界知识、视频生成和对话式编辑放进了同一个模型。它适合快速探索和原型迭代，但目前仍处于预览阶段：音频参考不支持，视频参考能力也有限，暂不支持 4K。

为什么主表没有 Sora 2？截至 2026 年 8 月 6 日，OpenAI 已停止 Sora 网页和 App 产品，并计划于 2026 年 9 月 24 日关闭 Sora 2 API。它仍有历史影响，但已经不适合作为新项目的长期选型对象。

05｜它真正改变的，是内容生产的顺序

以前的流程通常是：先做一个“差不多”的画面，再靠剪辑、配音和特效把它修到能看。H3 更适合另一种顺序：

1. 先把品牌素材、人物参考、动作视频和声音样本放进来。
2. 用文字说明镜头关系、节奏和不能改变的元素。
3. 先生成预览，再做局部修改和 2K 重生成。

这会让视频制作从“结果导向”变成“过程导向”。模型不只是负责给出一个片段，而是开始参与素材整理、镜头重组和版本迭代。

06｜一个更容易出效果的提示词模板

目标：制作一条 9:16 的产品短视频，时长 8 秒。
参考素材：图片 1 为产品正面，图片 2 为品牌色；视频 1 为手部动作参考。
镜头：前 2 秒产品静置，随后镜头缓慢推进，手部从右侧拿起产品。
声音：保留包装摩擦声，加入一句普通话旁白：“把复杂，交给工具。”
约束：产品外形、Logo 位置和主色不得改变；背景只做轻微景深。
输出：24 fps，保持自然口型和动作连贯。

这类写法比“生成一个高级、震撼、电影感的视频”更有效，因为它把参考素材、镜头顺序、声音要求和不可变约束都说清楚了。

07｜开放权重，但不是“全链路无条件开源”

H3 Base 的初版权重已经公开，模型卡显示它采用 33B dense 的单流 Omni Transformer，并使用 Qwen3-VL-32B 作为视觉编码器。当前可通过 SGLang、vLLM、Diffusers、ComfyUI 等生态接入。

但 H3 的完整系统还包括 H3-Context-IR 和 Regenerate2K，这两部分仍是官方托管能力。初版权重也采用限制性社区许可证：部分地区不在许可范围内，年营收超过 2000 万美元的商业服务需要另行授权，且不能用模型输出去训练其他 AI 模型。

所以更准确的说法是：H3 开放了核心生成权重，并提供了本地部署入口；它还不是一个可以随意商用、完整复现的全链路开源项目。

08｜到底该怎么选？

• 选 H3：你有大量图片、视频和音频参考，重视私有化、素材控制和连续修改。
• 选 Kling 3.0 Omni：你更重视固定角色、多镜头故事和人物声线一致性。
• 选 Veo 3.1：你追求电影感、4K 和高质量单镜头输出。
• 选 Gemini Omni Flash：你想通过对话快速试创意、改内容，并接受预览模型的限制。

如果需求只是“一句话快速生成一段背景视频”，传统模型可能已经够用。H3 的优势要在多素材协同、声音同步和连续修改里才会真正显现。

09｜最后的判断

MiniMax H3 的意义，不是又多了一个“画质更高”的视频生成器，而是视频模型开始接近一个真正的内容生产工具：它能听懂素材之间的关系，也允许创作者围绕同一个结果继续工作。

当然，H3 仍有边界：长视频叙事、复杂人物一致性、完全本地化的 2K 工作流，以及商业许可证，都需要在实际项目里逐项验证。

下一代视频模型的竞争，不只在谁能生成一帧更漂亮的画面，而在谁能让创作者少做几次返工。

本文信息核对时间：2026 年 8 月 6 日。模型规格、价格、可用地区和许可证可能继续调整，正式项目请以各厂商官方文档和控制台为准。

{{一步API}}｜持续分享 AI 产品、模型与工作流

欢迎关注 一步API，我们还会持续分享更多 AI 资讯、AI 工具、实战经验、踩坑记录，助力你高效玩转 AI 开发、避开行业弯路。

想了解更多细节、获取专属支持，可添加客服微信：xuexiv5876 / YibuDev，随时咨询交流～