MiniMax H3｜H3-Base-Ref2VA：多模态参考音视频生成
官方全模态参考检查点，接收图片、视频和音频上下文并生成原生音视频。
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
MiniMax 将 H3-Base-Ref2VA 定位为“全模态参考”检查点：输入是文字加参考图片、视频和/或音频，输出仍是带原生立体声的视频，而不是生图模型。官方上限为 9 张图片、3 段视频和 3 段音频；视频或音频每段 2—15 秒，两类素材各自总时长不超过 15 秒，混合文件合计最多 12 个。它适合需要从人物、场景、动作或声音素材中提取条件的任务。
基座、依赖与限制
Ref2VA 与 FL2VA 是独立检查点，不是一个开关。官方分发 BF16、CFG 蒸馏的 Omni Transformer 权重，并配套 processor、tokenizer、text encoder、Visual VAE 与 Audio VAE；本地 H3-Base 默认生成 768p，完整 2K 仍依赖尚未开源的 H3-Regenerate-2K。H3-Context-IR 同样是托管组件，未包含在本地权重中。官方还说明初始发布仅提供全注意力推理；稀疏注意力实现将于未来更新中发布。
许可、作者声明与待核验项
仓库采用 MiniMax H3 Community License Agreement，地域、再分发与托管边界须阅读原协议。本文未运行权重，也未验证官方质量或性能声明。来源：MiniMaxAI/MiniMax-H3。核对 revision 42ed227e；仓库更新 2026-08-13，仅是仓库修改时间，不是发布日期。
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。