MiniMax hat am heutigen Freitag, 31. Juli 2026, das neue Videomodell H3 veröffentlicht. Das Modell verarbeitet Text, Bilder, bestehende Videos und Audio innerhalb einer gemeinsamen Anfrage. Die Ausgabe erreicht bis zu 2K-Auflösung, dauert maximal 15 Sekunden und enthält nativ erzeugten Stereoton.
H3 soll mehrere bisher getrennte Aufgaben in einem Modell vereinen. Nutzer können Videos neu erzeugen, bestehendes Material bearbeiten, Bewegungen aus Referenzvideos übertragen oder Bild, Stimme und Kameraführung aus verschiedenen Quellen kombinieren. MiniMax stellt die API ab sofort bereit. Die Modellgewichte sollen in den kommenden Tagen folgen.
Der Start erweitert den Wettbewerb um multimodale KI-Modelle. ByteDance und Kuaishou bieten mit Seedance 2.0 und Kling 3.0 bereits Systeme für komplexe Videoerzeugung. MiniMax setzt neben der 2K-Ausgabe vor allem auf offene Gewichte und eine flexible Mischung verschiedener Referenzdateien.
Die wichtigsten Daten im Überblick:
- Vier Eingabearten: H3 versteht Text, Bilder, Videos und Audio.
- Bis zu 2K: MiniMax liefert die hohe Auflösung als Standardoption.
- 4 bis 15 Sekunden: Die gewünschte Länge lässt sich in ganzen Sekunden festlegen.
- Natives Stereo: Sprache, Musik und Geräusche entstehen gemeinsam mit dem Bild.
- Videobearbeitung: H3 kann vorhandenes Material anhand natürlicher Anweisungen verändern.
- Bewegungsübertragung: Bewegungen und Kamerafahrten lassen sich aus Referenzclips übernehmen.
- API-Preis: 2K kostet 0,13 Dollar pro generierter Sekunde.
- Offene Gewichte geplant: MiniMax kündigt die Veröffentlichung für die kommenden Tage an.
| H3-Funktion | Technische Angabe | Praktischer Einsatz |
|---|---|---|
| Text-to-Video | Videogenerierung aus einer Beschreibung | neue Szenen und Werbeclips |
| Bildreferenzen | bis zu neun Bilder | Figuren, Produkte, Stil und Startbilder |
| Videoreferenzen | bis zu drei Clips mit insgesamt 15 Sekunden | Bewegung, Kamera und Bearbeitungsrhythmus |
| Audioreferenzen | bis zu drei Audiodateien mit insgesamt 15 Sekunden | Stimmen, Musik und Klangreferenzen |
| Ausgabe | 4 bis 15 Sekunden in bis zu 2K | kurze hochwertige Sequenzen |
| Stereoton | gemeinsam mit dem Video erzeugt | synchronisierte Dialoge und Geräusche |
| API-Preis | 0,13 Dollar je Sekunde in 2K | 1,95 Dollar für einen 15-Sekunden-Clip |
H3 kombiniert Text, Bilder, Videos und Audio in einer Anfrage
MiniMax H3 besitzt drei zentrale Generierungsmodi. Text-to-Video erstellt eine Szene allein aus einer Beschreibung. Der Bildmodus nutzt ein erstes Bild, ein letztes Bild oder beide Frames. Die Referenzgenerierung verarbeitet zusätzlich Bilder, Videos und Audiodateien.
Eine komplexe Anweisung kann beispielsweise die Kamerabewegung aus einem Video, eine Figur aus einem Bild und eine Stimme aus einer Audiodatei übernehmen. Text beschreibt anschließend die gewünschte Beziehung zwischen diesen Elementen. H3 soll die Referenzen gemeinsam auswerten und nicht als voneinander getrennte Aufgaben behandeln.
Die API erlaubt folgende Eingabemengen:
- maximal neun Referenzbilder
- maximal drei Referenzvideos
- maximal drei Audiodateien
- höchstens zwölf Dateien pro Anfrage
- insgesamt maximal 15 Sekunden Videoreferenz
- insgesamt maximal 15 Sekunden Audioreferenz
Audio kann nicht allein als Referenz dienen. Eine Anfrage mit Ton benötigt mindestens ein Bild oder ein Video. MiniMax unterstützt WAV und MP3 als separate Audiodateien. Videos können H.264 oder H.265 verwenden und bereits AAC- oder MP3-Ton enthalten.
Die Ausgabe enthält Bild und Ton aus einem gemeinsamen Generierungsprozess. H3 modelliert Sprache, Geräusche und Musik nicht als nachträglich angehängte Tonspur. Dieser Ansatz soll Bewegungen, Lippenbewegungen und akustische Ereignisse enger aufeinander abstimmen.
MiniMax nennt außerdem eine bessere Darstellung von Text und Markenmotiven. Diese Fähigkeit ist für Werbevideos, Produktpräsentationen und Benutzeroberflächen relevant. Kleine Schrift gehört weiterhin zu den schwierigen Aufgaben generativer Videomodelle. Unabhängige Tests müssen die beworbene Qualität noch bestätigen.
H3 unterstützt auch Motion Transfer. Nutzer liefern eine Bewegung oder Kamerafahrt als Video und übertragen diese auf eine neue Figur oder Szene. Das Verfahren kann Tanzbewegungen, Produktanimationen oder aufwendige Kamerafahrten ohne klassische Einzelbildanimation erzeugen.
Die Bearbeitungsfunktionen folgen natürlichen Anweisungen. Ein vorhandenes Video kann neue Objekte, eine andere Umgebung oder einen veränderten Stil erhalten. H3 soll dabei Referenzen aus mehreren Medienformen berücksichtigen. MiniMax positioniert das Modell dadurch als Werkzeug für komplette Produktionsabläufe und nicht nur für einzelne Text-to-Video-Clips.
2K kostet 1,95 Dollar für einen 15-Sekunden-Clip
MiniMax rechnet H3 nach der Länge des ausgegebenen Videos ab. Eine Sekunde in 2K kostet 0,13 Dollar. Ein Clip mit fünf Sekunden kostet 0,65 Dollar. Zehn Sekunden liegen bei 1,30 Dollar. Die maximale Länge von 15 Sekunden kostet 1,95 Dollar.
Die günstigere 768p-Ausgabe kostet 0,09 Dollar pro Sekunde. Ein 15-Sekunden-Video würde damit 1,35 Dollar kosten. Diese Auflösung befindet sich derzeit in einer geschlossenen Beta und benötigt eine Freischaltung durch MiniMax.
| Videolänge | Preis in 2K | Preis in 768p |
|---|---|---|
| 5 Sekunden | 0,65 Dollar | 0,45 Dollar |
| 10 Sekunden | 1,30 Dollar | 0,90 Dollar |
| 15 Sekunden | 1,95 Dollar | 1,35 Dollar |
Audiodateien verursachen keine zusätzliche Eingabegebühr. Bei Bildern bleiben die ersten fünf Referenzen kostenlos. Jedes weitere Bild kostet 0,04 Dollar. Videoreferenzen werden nach ihrer Länge und der gewählten Ausgabeauflösung berechnet.
MiniMax behauptet für die 2K-Ausgabe Kosten von weniger als einem Drittel der Preise verbreiteter Konkurrenzmodelle. Das Unternehmen veröffentlicht in der Ankündigung keinen vollständigen Vergleich mit identischen Einstellungen. Die Aussage bleibt deshalb eine Herstellerangabe.
Die geplante Veröffentlichung der Gewichte könnte H3 von vielen kommerziellen Videomodellen unterscheiden. Entwickler könnten das System auf eigener Infrastruktur betreiben, an besondere Inhalte anpassen oder für neue Hardware optimieren. MiniMax nennt ausdrücklich die Unterstützung unterschiedlicher Beschleuniger als Entwicklungsziel.
Offen bleiben mehrere wichtige Details. MiniMax hat noch keine Lizenz für die Gewichte veröffentlicht. Anforderungen an Arbeitsspeicher, Grafikspeicher und Rechenleistung fehlen ebenfalls. Der Begriff Open Weights bedeutet zudem nicht automatisch eine uneingeschränkte Open-Source-Lizenz.
Der geplante Schritt passt zu mehreren chinesischen Modellanbietern mit stärkerem Fokus auf herunterladbare Gewichte. Auch Kimi K3 setzt auf offene Modellgewichte. Bei Video-KI bleiben geschlossene Angebote bislang deutlich verbreiteter.
MiniMax richtet H3 an Werbung, E-Commerce, Produktdesign, Benutzeroberflächen und Spieleentwicklung. Die kurze maximale Laufzeit eignet sich vor allem für einzelne Szenen, Anzeigen, Produktclips und animierte Elemente. Längere Videos benötigen mehrere Generierungen und einen anschließenden Schnitt.
H3 steht über die MiniMax-API bereits zur Verfügung. Die angekündigten Gewichte sollen innerhalb weniger Tage erscheinen. Erst die Veröffentlichung von Lizenz, Hardwareanforderungen und technischem Bericht wird zeigen, wie weit sich das Modell außerhalb der MiniMax-Infrastruktur einsetzen lässt.