MiniMaxは、テキスト、画像、動画、音声を単一のコンテキストに統合し、最大15秒の2K動画クリップをネイティブステレオ音声付きで生成する汎用マルチモーダル生成モデル「MiniMax H3」をリリースした。特定のタスク用に個別の専門モデルに依存する従来のスタックとは異なり、H3はユーザーが自然言語のプロンプトを通じて参照や編集関係を表現できる。

  • モデルは4〜15秒（整数のみ）の長さを持つ2K解像度の動画を出力する。
  • 有効なシーケンス長を4倍にするH3-VAEトークナイザーを搭載し、ネイティブ2K出力を実現している。
  • H3-Omni Transformerは理解と生成のワークロードを分離し、エンドツーエンドのトレーニングスループットを約30%向上させた。
  • コンテキスト内再生成により、ベースモデルは外部の超解像モジュールなしで細部や小さなテキストを復元できる。
  • 2K出力の価格は1秒あたり$0.13と報告されており、MiniMaxはこれが主流モデルの3分の1以下であると主張している。

MiniMax H3は現在、モデルID「MiniMax-H3」でプラットフォームAPI経由、および消費者向けアプリ「Hailuo AI」で利用可能であり、オープンウェイトは数日中に公開される予定。