据 Beating 称,MiniMax 已发布 H3,这是一种多模态生成模型,能够理解文本、图像、视频和音频,并基于自然语言指令生成或编辑视频。用户可以在单个任务中引用一个视频中的相机运动,使用另一个图像中的主体,并应用第三个来源的音频,从而把原本需要分别处理的内容合并在一起。
H3 可生成最长 15 秒的视频,分辨率为 2K,并原生支持双通道音频。官方 API 定价为:2K 分辨率每秒 $0.13(约对应 15 秒视频的 $1.95),768P 每秒 $0.09。单个任务最多支持 9 张图片、3 个视频和 3 个音频文件,总输入文件数上限为 12 个。MiniMax 计划在未来几天发布该模型权重。