MiniMax H3｜H3-Base-FL2VA：文本与首尾帧音视频生成
官方文本及首尾帧检查点，支持零、一或两张图片条件并生成原生音视频。
发布于
整理：日刊 · 资料核对：2026/11/05 · 编辑说明
核对日期：2026-11-05。仓库更新时间不等同于模型发布日期。
生视频 > 官方模型 · 音视频
作者模型卡中文导读
H3-Base-FL2VA 是官方面向文本与首尾帧约束的检查点。零张图片时，它执行文本到音视频；一张图片可指定为首帧或尾帧；两张图片则用于同时约束首尾帧。输出类型是带原生立体声的视频，不应因图片作为输入而误写成生图。它更适合从文案起步，或需要明确起点、终点画面的短视频任务。
基座、依赖与限制
官方将 FL2VA 与 Ref2VA 分开分发，两者各有专用 Omni Transformer，并配套 processor、tokenizer、text encoder、Visual VAE 与 Audio VAE。公开检查点为 BF16，H3-Base 本地输出基线是 768p；官方所称 2K 依赖尚未开源的 Regenerate-2K，复杂输入的 Context-IR 也属于托管系统。模型卡说明初始本地实现仅提供全注意力推理。
许可、作者声明与待核验项
资产受 MiniMax H3 Community License Agreement 约束，不是宽松开源许可，使用前应核对地域、分发和服务化条件。本文没有加载或测试模型，也不对效果作独立背书。来源：MiniMaxAI/MiniMax-H3。核对 revision 42ed227e；仓库更新 2026-08-13，不代表模型发布日期。
文章更新记录
首次收录与后续资料修订见下方记录；未进行独立性能实测。
- 2026-11-05 资料版本
- 2026-11-05：本次资料核对（不代表模型发布日期）。
作者 Demo
以下为模型卡提供的原始演示，非本站实测；部分为对比视频，请以原作者说明为准。