MiniMax 白送 3000 积分0 元上手 H3 文生视频全流程【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H32026 年 8 月MiniMax 正式开源 H3——业界首个通用全模态生成系统。它用一个 33B 参数的 Omni-Transformer 统一理解文本、图像、视频、音频四类输入能直接产出最长 15 秒、最高 2K、自带 32kHz 原生立体声轨的视频。这份含金量的代价是部署门槛主模型 33B、文本编码器直接复用 Qwen3-VL-32BBF16 权重动辄上百 GB社区实测即便 INT8 量化到 8GB 显存单条 480P 也要跑 5–10 分钟。但对只想先体验、不想先搬机器的人来说有一条零成本路径MiniMax 开放平台给新用户发放 3000 免费积分M3、H3 全系可用每日签到还能续。本文不写空泛安利而是直接对照仓库里的官方可复现脚本与提示词指南把0 元跑通 H3 文生视频的预算、工作流、提示词与验收清单一次讲清。先算账3000 积分能换几条 768P 视频先摸清免费预算的购买力。按社区实测口径2026-09 体验贴一条 768P 视频生成任务的耗时约百秒级积分消耗也在百积分量级——按此估算3000 积分大约能支撑 20–30 条 768P 成片即便计入失败重试和重复调试也足够完成多轮完整工作流验证。每日签到还能持续回血相当于给这个额度开了个缓慢自动续费。这个免费额度最值钱的地方在于它恰好覆盖了 H3 体系中没有开源的那两块H3-Context-IR托管式多模态预处理系统负责解析文字/图片/视频/音频之间的关系并扩写成模型能直接消费的结构化提示词。README 明确说明它依赖多阶段工作流与多个托管服务未随开源版本发布H3-Regenerate-2K把 768P 结果连同原始多模态上下文一起喂回 H3 做 in-context 再生成产出 2K 视频。同样尚未开源。开源仓库能本地跑的是 H3-Base 768PFL2VA/Ref2VA 两个任务专精 checkpoint。也就是说想体验完整三模块链路API 是当前唯一通道——3000 积分正好用来补齐这段开源外的体验。完整工作流Context-IR → Base → Regenerate-2K仓库 README.md 给出了端到端验证路径三个模块各有对应脚本全部放在 scripts/readme/ 下阶段用途仓库脚本H3-Context-IR把一句话/一张图扩写成结构化提示词full-2k-t2va-h3-context-ir.shH3-Base基于扩写结果生成 768P 有声视频full-2k-t2va-h3-base.shH3-Regenerate-2K768P 结果 原始上下文 → 2K 再生成full-2k-t2va-h3-regenerate-2k.sh不想本地部署 SGLang 服务时直接用开放平台 API 即可复现同样链路/v2/h3_context_ir做提示词扩写、/v2/video_generation出 768P、/v2/video_regeneration升 2K。仓库还提供了三组官方可复现的 768P 请求脚本覆盖三种核心玩法T2VA文生视频10 秒 16:9——请求体来自 reproducible-768p-t2va-request.sh核心参数一目了然{ task: t2va, prompt: integrated_multimodal_description: [Shot 1] ... overall_soundscape: ... non_diegetic_music: ..., conditions: [], target: { short_edge: 768, aspect_ratio: 16:9, duration_seconds: 10 }, seed: 0 }FL2VA首帧图生视频8 秒——reproducible-768p-fl2va-request.sh 在conditions里挂一张role: keyframe、frame_index: 0的图片模型从首帧向前发展出整条视频conditions: [ { type: image, uri: https://cdn.hailuoai.com/.../4a3a90bf9100_KDmcbkhzYo5sjjxr9FqcVmWVnzb.png, role: keyframe, frame_index: 0 } ], target: { short_edge: 768, aspect_ratio: auto, duration_seconds: 8 }Ref2VA多模态参考5 秒——reproducible-768p-ref2va-request.sh 同时挂参考视频和参考音频实现视频编辑 音色迁移Video 1提供画面结构Audio 1提供背景音乐Audio 2提供角色说话的声线参考。这就是 README 里说的 Ref2VA 规格图片 ≤9 张、视频 ≤3 段每段 2–15 秒、音频 ≤3 段混合输入总数 ≤12 个文件。三条官方结果分别沉淀在 assets/t2va.mp4、assets/fl2va.mp4、assets/ref2va.mp4可以作为你首条成片的对齐基准。提示词才是省积分的关键积分有限而 H3 的最终质量高度依赖输入提示词——README 甚至把 Context-IR 定义为决定最终输出质量的关键。官方为此专门提供了提示词写作指南 docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md以及全参考模式的 docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md核心是三条固定字段integrated_multimodal_description: [Shot 1] ... [Shot 2] At 00:04.500, the camera cuts to ... overall_soundscape: ... non_diegetic_music: ...integrated_multimodal_description按时间线写画面、动作、分镜、说话人与台词overall_soundscape全局环境音与动作音non_diegetic_music只有观众能听到的配乐。实测中最容易踩坑的几个语法点指南里都有明确约定首镜不加时间戳后续镜头用递增的切点时间[Shot 2] At 00:03.500, the camera cuts to...摄像机运动要写类型 幅度 速度的自然语句如The camera pushes in with small amplitude at slow speed而不是堆叠标签说话人用(S1)/(S2)稳定编号台词放进d[English] .../d标签且逐字保留画面内的文字招牌、字幕用英文双引号括起、原文保留。光看语法容易误以为直接写三字段就行。实际上开放平台的标准姿势是先用 Context-IR 扩写——仓库 full-2k-t2va-h3-context-ir.sh 里输入只是一句大白话text: Epic space-opera theatrical teaser: a female captain stands alone before a massive observation window as the last fleet gathers and jumps away in a blinding flash, the bridge shaking, leaving her behind.而扩写返回的 prompt 是结构化多段描述开头交代镜头景别与运镜、舰长形象与服装细节、舰队阵型与推进器发光随后在00:04.500切换到面部特写加强烈震动并分别给出环境音生命维持系统的低鸣、曲速引擎充能的电子啸叫、跃迁瞬间的重低音爆鸣与船体金属呻吟和配乐缓慢的圆号独奏 渐强弦乐不协和音跃迁后戛然而止。这段输出被 8565 个 token 承载——H3 的文本编码器是 50 层取隐藏状态的 Qwen3-VL-32B指令越结构化模型对画面-声音-时间的联合建模就越有依据。积分耗尽前的验收清单额度有限建议按先验证、后铺量的顺序排优先级每项都对照仓库里的官方结果做对齐必测四项T2VA 10 秒 16:9验证文生视频的画质、音画同步与镜头调度对齐 assets/h3_direct_768p.mp4FL2VA 首帧生成一张主图 → 8 秒动态视频是电商/广告素材最实用的单测项Ref2VA 音色迁移参考视频 参考音频验证口型驱动与声线克隆这是 H3 差异化能力所在也最值得花积分2K 再生只在前面 768P 满意后执行/v2/video_regeneration会复用原始上下文做 in-context 放大对齐 assets/h3_direct_2k.mp4。值得优先的场景带多语言对话的短片官方稳定支持含中英文在内的 11 种语言、镜头运动明确的广告素材、需要双声道配乐的 MV 预览、参考图驱动的产品展示。H3 的参数边界也很清晰输出时长 4–15 秒、短边默认 768P、24FPS、32kHz 立体声、宽高比覆盖 21:9 到 9:16。谨慎消耗的场景多人复杂互动、高速运动、需要 15 秒以上连续叙事、4K 输出、48kHz 高保真音频——这些是当前版本的能力上限社区评测也已多次点名。把这些需求留到后续版本把积分花在大概率一次成功的用例上。预算分配建议先用 2–3 条 768P 把提示词三字段和 Context-IR 扩写风格调顺再对满意的成片单独走 2K 再生每日签到攒下的积分留给 Ref2VA 这类高价值测试。整套验收路径与开源部署是互补的——本地 H3-Base 负责批量实验平台积分负责补齐 Context-IR 与 2K 这两个未开源环节两条腿走完你对 H3 的认识才算是完整的。开源部分的使用边界同样值得留意仓库采用 MiniMax H3 Community License许可要点与常见问题见 docs/QA-about-License.md。动手前先读一遍比多烧几条积分更重要。【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
