Оживить фото
Превратите портрет в короткое видео с живой мимикой и голосом. Русская реплика запрошена; точность речи не проверена.
2 800 токенов8 сек · 768P · звук запрошен
Нейросеть Minimax H3
Новое поколение MiniMax: три режима генерации — по тексту и изображению, по первому и последнему кадру и по референсам (фото, видео, аудио), качество до 4K и до 15 секунд.
Трендовое видео
Создайте необычный ролик для соцсетей — например, город из пряжи
2 800 токенов8 сек · 768P · звук запрошен
Реклама продукта
Создайте рекламный ролик из изображения своего товара
2 800 токенов8 сек · 768P · звук запрошен
Говорящий персонаж
Создайте короткую сцену с естественной речью на русском языке. Русская реплика запрошена; точность речи не проверена.
2 800 токенов8 сек · 768P · звук запрошен
Кинематографичная сцена
Создайте атмосферный кадр для клипа, тизера или короткометражки
2 800 токенов8 сек · 768P · звук запрошен
Мультфильм
Оживите придуманного героя и добавьте ему голос. Русская реплика запрошена; точность речи не проверена.
2 800 токенов8 сек · 768P · звук запрошен
Оживить интерьер
Превратите изображение интерьера в плавную видеопрезентацию
2 800 токенов8 сек · 768P · звук запрошен
Атмосферное видео
Создайте живой фон для сайта, публикации или музыкального проекта
2 800 токенов8 сек · 768P · звук запрошен
Оживление фото и речь
Промпт
Оживи исходную фотографию. Женщина смотрит в камеру, естественно улыбается и говорит по-русски: “Привет! Сегодня отличный день для новых идей”. Затем слегка поворачивает голову вправо и возвращает взгляд в камеру. Сохрани внешность, причёску, одежду и фон исходного изображения. Естественная мимика и точная синхронизация губ с русской речью. Голос спокойный, дружелюбный, слова произносятся отчётливо и полностью. Камера неподвижна, освещение постоянно. На фоне тихая атмосфера комнаты. Один непрерывный кадр. Без музыки, субтитров и надписей
Minimax H3
Перейти
768 × 1344 px8 сек9:16Звук естьПик звука 0 dB3.2 MBЗапуск 159 сек
2 800 токенов8 сек · 768P · звук запрошен
VEO 3.1
Перейти
720 × 1280 px8 сек9:16Звук естьПик звука -5.8 dB3.3 MBЗапуск 79 сек
12 800 токенов8 сек · 720p · звук запрошен
VEO 3.1 Fast
Перейти
720 × 1280 px8 сек9:16Звук естьПик звука -5.1 dB3.4 MBЗапуск 103 сек
4 800 токенов8 сек · 720p · звук запрошен
VEO 3.1 Lite
Перейти
720 × 1280 px8 сек9:16Звук естьПик звука 0 dB3.8 MBЗапуск 67 сек
1 600 токенов8 сек · 720p · звук запрошен
Kling 3
Перейти
720 × 1280 px8.041667 сек9:16Звук естьПик звука -4.3 dB16.0 MBЗапуск 79 сек
4 000 токенов8 сек · 720p · звук запрошен
Seedance 2.5
Перейти
720 × 1280 px8.064 сек9:16Звук естьПик звука -5.5 dB5.7 MBЗапуск 166 сек
14 400 токенов8 сек · 720p · звук запрошен
Flux 3
Перейти
704 × 1280 px8.041667 сек9:16Звук естьПик звука -11.9 dB3.8 MBЗапуск 91 сек
5 600 токенов8 сек · 720p · звук запрошен
Happy Horse 1.1
Перейти
720 × 1280 px8.122667 сек9:16Звук естьПик звука -3.5 dB3.4 MBЗапуск 145 сек
4 400 токенов8 сек · 720p · звук запрошен
Minimax H3 — обзор AI-генератора видео, возможности и сравнение
Minimax H3 — омни-модальная генеративная модель компании MiniMax из Шанхая для создания видео длительностью 4–15 секунд. Она объединяет текст, изображения, видео и аудио в едином контексте, поддерживает генерацию по первому и последнему кадру или референсам, нативное разрешение 2K, вывод до 4K и синхронный стереозвук.
Для каких задач подходит Minimax H3
Реклама и брендовые ролики
Создание коротких рекламных сцен с продуктом, фирменной стилистикой, заданным движением камеры, голосом, музыкой и звуковыми эффектами в единой генерации.
Видео для e-commerce
Превращение фотографий товара в ролики для карточек, каталогов и соцсетей. До девяти изображений можно использовать для сохранения деталей и визуального стиля.
Кинематографическая превизуализация сцен
Быстрая проверка композиции, движения персонажей, камеры и света до съёмок. Первый и последний кадры помогают точнее зафиксировать развитие эпизода.
Титры и анимированные постеры
Генерация заставок, постеров и коротких визуальных композиций с мелкими деталями. In-Context Regeneration улучшает читаемость текста без обычного апскейлера.
Концепты продуктов и интерфейсов
Визуализация промышленных объектов, экранов приложений и пользовательских сценариев в движении — от демонстрации формы продукта до анимации UI-переходов.
Перенос движения между видео
Референсные клипы задают динамику, монтажный ритм или поведение камеры для нового ролика. API принимает до трёх видео длительностью не более 15 секунд суммарно.
Как правильно составлять промпты для Minimax H3
Для Minimax H3 полезен режиссёрский промпт: последовательно опишите сцену, объект, действие, камеру, свет, стиль и звук. При работе с референсами явно укажите роль каждого файла и желаемую связь между начальным и финальным кадрами.
- Начинайте с типа сцены и главного объекта, затем задавайте действие, окружение и визуальный стиль.
- Описывайте движение камеры конкретно: статичный план, панорама, наезд, облёт или съёмка с рук.
- Для каждого референса поясняйте функцию: внешность, стиль, движение, композиция, голос или музыка.
- При заданных первом и последнем кадрах опишите логичный переход между ними и ключевое действие в середине.
- Задавайте звук отдельной фразой: голос, атмосфера, эффекты, музыка и желаемое положение источников в стерео.
- Не перегружайте сцену противоречиями; промпт может достигать 7000 символов, но приоритеты должны быть явными.
Создаёт рекламный ролик
Сними 10-секундный рекламный ролик часов на чёрном камне: медленный облёт камеры, холодный контровой свет, капли воды, премиальная предметная съёмка. Звук: тихий механизм и глубокий атмосферный бас.Связывает два кадра
Используй первое изображение как начальный кадр, второе — как финальный. За 8 секунд камера плавно приближается к витрине, дневное освещение сменяется вечерним, вывеска мягко загорается.Переносит движение референса
Возьми движение камеры и темп из референсного видео, внешний вид героя — из фотографии. Создай 12-секундную сцену прогулки по футуристическому рынку, сохрани лицо, одежду и естественную пластику.Преимущества и недостатки
Преимущества
- Объединяет текст, изображения, видео и аудио в одном контексте, поддерживая сложные инструкции и смешанные референсы.
- Создаёт ролики длительностью от 4 до 15 секунд с нативным разрешением 2K и отдельным режимом вывода до 4K.
- Генерирует стереозвук вместе с видеорядом: речь, музыку и звуковые эффекты без отдельной стадии озвучивания.
- Принимает до девяти изображений, трёх видео и трёх аудиоклипов, позволяя точнее переносить стиль, объекты и движение.
- In-Context Regeneration восстанавливает мелкий текст и детали с учётом исходного промпта, а не обычным апскейлингом.
Недостатки
- Максимальная длительность ограничена 15 секундами, поэтому длинные сцены приходится создавать фрагментами и монтировать.
- Независимые публичные метрики качества H3 на момент релиза ограничены, а полный технический отчёт ещё ожидается.
- В image-to-video модель, по доступным сравнениям, уступает Seedance 2.0 и Google Gemini Omni Flash.
- Смешанный ввод ограничен 12 файлами, а суммарная длительность референсных видеоклипов не может превышать 15 секунд.
Технические возможности
Единый омнимодальный контекст
H3 совместно обрабатывает текст, изображения, видео и аудио. Языковые инструкции связывают референсы с целевым роликом вместо жёсткого набора специализированных задач.
Dense single-stream Transformer
H3-Omni Transformer содержит ориентировочно 33 млрд параметров, около 20 млрд активны при инференсе. Нагрузки понимания и генерации разделены внутри общей архитектуры.
Нативная генерация в 2K
Переработанный H3-VAE увеличивает эффективную длину последовательности примерно в четыре раза, снижая вычислительные затраты и обеспечивая нативное разрешение 2K.
Детализация через перегенерацию
In-Context Regeneration повторно создаёт результат с учётом исходного мультимодального контекста. Подход лучше восстанавливает мелкий текст и детали, чем внешний апскейлер.
Нативное стереоаудио
Голос, музыка и звуковые эффекты моделируются совместно с видеорядом, без разделения на независимые этапы. Референсное аудио можно передавать вместе с изображением или видео.
Гибкая работа с референсами
API принимает до девяти изображений, трёх видео и трёх аудиоклипов, но не более 12 файлов всего. Ролики генерируются на 4–15 секунд с целочисленной длительностью.
Параметры модели
| Стоимость | 350 токенов / запрос |
|---|---|
| Контекстное окно | Промпт до 7 000 символов; смешанный контекст — до 12 файлов, включая до 9 изображений и до 3 видео |
| Дата выпуска | Июль 2026 года |
| Разработчик | MiniMax, Шанхай, Китай |
| Тип модели | Омни-модальная генеративная модель; Dense single-stream Transformer, около 33 млрд параметров |
| Работа с файлами | Текст, JPG, PNG, WEBP, HEIC, HEIF, видео H.264/H.265 и аудио WAV/MP3; аудиореференсы принимаются вместе с изображением или видео |
| Ключевые преимущества | Создаёт видео и стереозвук в едином процессе, поддерживает перенос движения и работу с мультимодальными референсами. Нативное 2K и In-Context Regeneration помогают сохранять мелкие детали и текст. |
| Работа с русским языком | Хорошо: понимает подробные инструкции на русском, однако сложные надписи внутри кадра лучше задавать коротко и проверять в готовом видео |
Сравнение с конкурентами
| Параметр | Minimax H3 | Seedance 2.0 | Google Gemini Omni Flash |
|---|---|---|---|
| Контекст / разрешение | Промпт до 7 000 символов; смешанный контекст — до 12 файлов, включая до 9 изображений и до 3 видео | Генерация видео по тексту и изображению; лимиты зависят от платформы доступа | Омни-модальная генерация видео; параметры зависят от используемого сервиса и конечной точки API |
| Дата выпуска | Июль 2026 года | 2026 год, точная дата зависит от версии сервиса | 2026 год, точная дата публично не уточнена |
| Разработчик | MiniMax, Шанхай, Китай | ByteDance | |
| Тип модели | Омни-модальная генеративная модель; Dense single-stream Transformer, около 33 млрд параметров | Мультимодальная модель генерации видео | Омни-модальная модель генерации контента |
| Сильные стороны | Создаёт видео и стереозвук в едином процессе, поддерживает перенос движения и работу с мультимодальными референсами. Нативное 2K и In-Context Regeneration помогают сохранять мелкие детали и текст. | По приведённым сравнительным данным превосходит Minimax H3 в задачах image-to-video. | По доступным бенчмаркам опережает Minimax H3 в text-to-video и image-to-video. |
| Слабые стороны | Максимальная длительность ограничена 15 секундами, поэтому длинные сцены приходится создавать фрагментами и монтировать. | Minimax H3 предлагает единый контекст с изображениями, видео и аудио, нативный стереозвук и сильные возможности редактирования. | Minimax H3 занимает более сильную позицию в редактировании видео и поддерживает до 12 смешанных референсных файлов. |
Часто задаваемые вопросы
Что представляет собой Minimax H3 и чем модель отличается от прежних Hailuo?
Minimax H3 — омни-модальная генеративная система MiniMax, выпущенная 31 июля 2026 года. В отличие от специализированных поколений Hailuo 01 и Hailuo 02, она объединяет текст, изображения, видео и аудио в едином контексте. Архитектура H3-Omni Transformer содержит около 33 млрд параметров, из которых при инференсе активны примерно 20 млрд.
Какие режимы генерации и референсы поддерживает Minimax H3?
Модель создаёт видео по тексту и изображению, по заданным первому и последнему кадрам, а также по смешанным референсам. Через API можно передать до девяти изображений, до трёх видеоклипов и до трёх аудиофайлов, причём аудио используется только вместе с изображением или видео. Общий предел составляет 12 файлов, а промпт — до 7000 символов.
Какое разрешение, длительность и звук доступны в Minimax H3?
Minimax H3 генерирует ролики длительностью от 4 до 15 секунд, причём в API выбираются только целые значения. Нативным разрешением модели является 2K, а в STIVA также предусмотрены режимы 768p и вывода до 4K. Стереозвук создаётся совместно с видеорядом: модель одновременно формирует речь, музыку и звуковые эффекты, а не добавляет их отдельным модулем.
Для каких задач лучше всего подходит Minimax H3?
Модель подходит для рекламы, брендинга, карточек товаров, продуктового дизайна, игровых концептов и предварительной визуализации фильмов. Режимы с референсами полезны для переноса движения, создания анимированных постеров, заставок и каталогов. Однако ролики длиннее 15 секунд потребуется собирать из отдельных сцен, контролируя согласованность персонажей и окружения.
Сколько стоит использование Minimax H3 на STIVA?
На STIVA модель доступна по подписке без отдельной оплаты API MiniMax. Расход внутреннего баланса зависит от разрешения и длительности: генерация в 768p стоит 350 токенов за секунду, в 2K — 500 токенов за секунду, в 4K — 650 токенов за секунду. Например, десятисекундный ролик потребует 3500, 5000 или 6500 токенов соответственно.