minimax把海螺H3开源了，这是一个挺不错的模型。我看过有人内测的，视频生成的还不错。据说comfyui做了量化和优化，可以在3060上非常缓慢的跑。这应该是近期非常有亮点的开源模型了。

下面是具体介绍:1. 一个"全能型"的视频生成模型 H3 是一个多模态生成系统，不仅能看图、看文字、听声音，还能同时生成带原生立体声的视频——最高支持 2K 分辨率、最长 15 秒、24 帧/秒，横屏竖屏各种比例都行，还会说 11 种语言。简单说就是：给它文字、图片、视频、音频，它能直接"一条龙"产出带声音的视频。

2. 输入非常灵活参考素材随便给 H3 分两个版本：一个是"首尾帧模式"（给一张或两张图，就能生成视频，不给图就是纯文字生成视频）；另一个是"全参考模式"，最多可以塞 9 张图 + 3 段视频 + 3 段音频 一起作为参考，它都能理解并生成出符合要求的视频。就像你给导演一堆素材，让他拍成片。

3. 整个系统是"三段式"流水线 H3 完整系统由三部分组成：H3-Context-IR（负责"读懂"你给的复杂指令，整理成模型能理解的形式）、H3-Base（真正干活生成 768p 的视频和音频）、H3-Regenerate-2K（把 768p 的结果再"回炉"重生成一遍，变成 2K 高清版，细节更准）。注意：第一和第三个模块目前没有开源，只能通过官方 API 调用，开源的是中间的 H3-Base。

4. 技术内核：一个 330 亿参数的"大一统"Transformer H3 没有给视频和音频各搞一套模型，而是把它们压缩成统一的"token 序列"，交给同一个 33B 参数的 Transformer 一起预测。视觉用 16 倍空间压缩、4 倍时间压缩的 VAE，音频是立体声双声道独立处理。还内置了稀疏注意力来省算力（不过开源版暂时只有全注意力，稀疏版本以后才发）。

5. 开源范围和使用方式 这次开源的是 H3-Base 两个任务版 checkpoint（含处理器、分词器、文本编码器、视觉 VAE 和音频 VAE），可以直接本地部署生成 768p 视频。想要完整体验（Context-IR 预处理 + 2K 超清），需要用官方 API——平台是 minimax 的 API（分海外和国内版），网页应用叫"海螺 AI"（hailuoai）。

模型地址：huggingface.co/MiniMaxAI/MiniMax-H3