过去,AI 内容生产往往是“分工式”的:文生图归文生图模型,图生视频归视频模型,角色一致性、镜头运动、配音、音效与剪辑又需要不同工具分别处理。创作者不断在多个工具之间搬运素材,创作链路长,效果也不容易统一。
MiniMax H3 想解决的正是这个问题:不再把文字、图片、视频、音频视为孤立任务,而是把它们理解为同一条创作指令中的不同上下文。你可以直接描述“用这张人物图做主角、参考这段视频的运镜、按照这段音频演唱”,让模型理解素材关系并生成完整视频。

MiniMax H3 是一款通用型全模态生成模型,可统一理解文字、图片、视频与音频,并输出带原生立体声的短视频。官方介绍中,H3 支持最高 15 秒、2K 分辨率的视频生成,重点能力包括指令遵循、品牌与文字还原、视频动作迁移,以及多模态参考与编辑。
它的关键变化不只是“输入素材更多”,而是模型能理解不同素材在最终视频里的职责:
传统生成模型按任务拆分:文生图、图像编辑、主体参考、动作参考、文生视频、首尾帧、配音、音效等,每种需求都像一条单独的流水线。
H3 的设计方向则是“跨任务统一”。官方将图像、视频、音频和自然语言描述尽可能早地融合进训练与推理过程,让“参考什么、保留什么、修改什么、生成什么”都可以通过自然语言表达。换句话说,创作者不必先判断自己属于“图生视频”还是“音频驱动视频”,而是直接描述最终想要的结果与素材之间的关系。
这意味着 AI 视频模型的角色正在从“生成一段片段”,逐渐走向参与完整内容生产:理解品牌资产、保持角色一致、调用参考镜头、匹配声音节奏,再生成可直接进入剪辑流程的素材。
MiniMax 官方展示过一个典型案例:输入一段参考视频、一张人物图片和一段音频,并用自然语言提出要求:
参考视频 1 的希区柯克式镜头运动,让图片 2 中的人物演唱,并使演唱声音与音频 3 保持一致。

在这个工作流中,参考视频不负责复制人物,人物图不负责决定声音,音频也不决定镜头;它们分别承担不同角色,最终由 H3 合成为一个视频结果。你可以将这种方法用于品牌短片。例如,为新品咖啡制作 10 秒广告:
视频时长:10 秒,竖屏,电影广告风格。
主体:使用参考图中的咖啡杯,保持杯型、Logo位置、
包装颜色和材质一致。
场景:清晨阳光穿过咖啡馆窗边,桌面有轻微蒸汽。
镜头:参考视频的缓慢推进镜头,
0—4 秒从桌面广角推进至产品中景;
4—8 秒聚焦咖啡表面与蒸汽;
8—10 秒回到完整产品特写。
声音:使用参考音频的环境氛围,
保留轻柔音乐与咖啡馆环境声。
限制:无额外产品、无错误文字、无水印、无画面闪烁。这类提示词的重点不是堆叠形容词,而是清楚指定“每一份参考素材解决什么问题”。
GRSAI 提供统一视频生成接口,MiniMax H3 的调用地址为:
POST https://grsaiapi.com/v1/api/generate国内节点可使用:
POST https://grsai.dakka.com.cn/v1/api/generate请求需要携带 Authorization: Bearer 你的API Key。任务提交后,可通过 /v1/api/result?id=任务ID 查询异步结果。GRS 文档说明,MiniMax H3 通常需要 1–15 分钟生成,任务超时为 2 小时。 GRS MiniMax H3 API 文档 · 异步结果查询文档
curl --location 'https://grsaiapi.com/v1/api/generate' \
--header 'Authorization: Bearer sk-你的API密钥' \
--header 'Content-Type: application/json' \
--data '{
"model": "minimax-h3",
"prompt": "生成10秒产品广告视频,使用参考图中的产品作为主体,保持外观一致。镜头缓慢推进,暖色电影光线,无文字、无水印。",
"aspectRatio": "portrait",
"images": ["https://example.com/product.png"],
"audios": [],
"resolution": "768p",
"duration": 10,
"promptSkill": true,
"replyType": "json"
}'GRS AI 的 MiniMax H3 按分辨率与视频时长计费:
GRS AI 分辨率 | GRS AI 单价 | 最长时长 |
|---|---|---|
480p | ¥0.05 / 秒 | 15 秒 |
768p | ¥0.07 / 秒 | 15 秒 |
1080p | ¥0.15 / 秒 | 10 秒 |
GRS AI 公告显示,该模型支持参考图片生成视频(最多 9 张)与参考音频生成视频(最多 3 个);失败或违规请求按平台规则返还积分。
MiniMax 官网按美元计费。按 $1≈¥6.67 换算,仅比较同分辨率的视频输出单价:
分辨率与档位 | 官网约合人民币 / 秒 | GRS AI / 秒 | GRS AI 价格低约 |
|---|---|---|---|
480p,H3-Highspeed | ¥0.267 | ¥0.05 | 81% |
480p,H3-Lite | ¥0.167 | ¥0.05 | 70% |
768p,MiniMax-H3 | ¥0.534 | ¥0.07 | 87% |
768p,H3-Highspeed | ¥0.400 | ¥0.07 | 83% |
768p,H3-Lite | ¥0.267 | ¥0.07 | 74% |
以最常见的 10 秒、768p 视频为例:
方案 | 单条视频成本 |
|---|---|
GRS AI MiniMax H3 | ¥0.70 |
官网 MiniMax-H3 768p | 约 ¥5.34 |
官网 H3-Highspeed 768p | 约 ¥4.00 |
官网 H3-Lite 768p | 约 ¥2.67 |
因此,minimax-h3 便宜 API 的直接价值在于:当团队需要反复测试提示词、批量制作商品视频、生成多个广告版本或做内容矩阵时,GRS AI 的固定人民币按秒报价更容易预估预算,且 768p 的单条成本优势尤其明显。
MiniMax H3 的价值,不只在于多了一种视频模型选择,而在于它将文字、图片、视频与音频从彼此隔离的能力,变成一条可以直接描述、直接调用的全模态创作链路。
对于希望以更低预算高频生成内容的团队,GRS AI 的 MiniMax H3 API 提供了清晰的按秒计费方式:先用 480p 或 768p 测试创意,确认镜头、人物与声音关系后,再输出正式版本。这样才能真正把 AI 视频从一次性尝试,变成可规模化复用的内容生产能力。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。