MiniMax H3：原生 2K 立体声视频生成

结论先行 — MiniMax H3 一次 API 调用同时输出视频和同步立体声音频。支持三种模式（文生视频、图生视频、参考视频生成），原生 2K 分辨率输出，单条视频 $0.30–$0.80。不需要额外调 TTS 或音乐生成接口。

大多数视频生成 API 输出的是无声片段。你得先生成视频，再单独调一次 TTS 或音乐模型，然后自己写代码把音轨对齐。MiniMax H3 直接跳过了这条弯路：一次生成就输出带立体声音频的视频。

对 agent 来说这意味着什么？一次 API 调用代替三次，故障点更少，延迟更低，计费事件只有一个。下面拆解 H3 的实际能力、费用和选型建议。

H3 到底有什么不同

H3 是 MiniMax 的第三代视频模型。核心卖点：音频不是后挂的，而是和视频帧在同一个扩散过程中生成的。

实际效果：

• 提示词写”咖啡师在繁忙的咖啡店里打奶泡”，输出视频自带咖啡机声、环境嘈杂声和背景对话
• 人物对话天然唇同步，不需要后处理
• 音乐驱动的场景里，人物动作和节拍自然匹配

三种生成模式

H3 在 SandBase 上暴露了三个操作端点：

操作	输入	适合场景	SandBase 模型 ID
文生视频	文本提示词	从零创意生成	minimax/h3/text-to-video
图生视频	图片 + 文本提示词	产品图动画、静图动起来	minimax/h3/image-to-video
参考视频生成	参考视频 + 文本提示词	风格/动作迁移	minimax/h3/reference-to-video

三种模式都输出立体声音频，都支持最高 2K（2048×1080）分辨率。

技术规格

参数	数值
最高分辨率	2048 × 1080（2K 电影宽幅）
帧率	24 fps
最长时长	10 秒
音频	立体声，44.1 kHz
输出格式	MP4（H.264 + AAC）
生成耗时	60–180 秒
支持比例	16:9、9:16、1:1

生成耗时 60–180 秒是主要取舍。H3 把质量和音画同步放在速度前面。如果你需要 30 秒内出结果，Gemini Omni Flash 更快，但输出的是无声视频。

定价拆解

H3 采用按次计费 + 时长分档：

时长	单条价格	音频
5 秒	$0.30	包含
7 秒	$0.50	包含
10 秒	$0.80	包含

和”无声视频 + 单独配音”方案的对比：

方案	视频费	音频费	对齐成本	合计
H3（10s）	$0.80	$0.00	$0.00	$0.80
Kling Pro（10s）+ TTS	$0.70	$0.05–$0.15	代码维护	$0.75–$0.85
Kling Turbo（10s）+ TTS	$0.20	$0.05–$0.15	代码维护	$0.25–$0.35

成本差异在你算上音频对齐的开发工时之后会进一步缩小。对于需要音画一体输出的 agent，H3 消除了集成复杂度。

月度预算参考

月产量	5s 短片	10s 短片	混合（平均 7s）
50 条	$15	$40	$25
200 条	$60	$160	$100
1,000 条	$300	$800	$500

更多视频 API 的费用模型对比，见视频生成成本拆解。

通过 SandBase 调用

H3 通过 SandBase 的 OpenAI 兼容接口调用。文生视频示例：

import requests
import time

SANDBASE_API_KEY = "your-sandbase-api-key"
HEADERS = {
    "Authorization": f"Bearer {SANDBASE_API_KEY}",
    "Content-Type": "application/json",
}

# 文生视频——提交任务
submit = requests.post(
    "https://api.sandbase.ai/v1/run",
    headers=HEADERS,
    json={
        "model": "minimax/h3/text-to-video",
        "prompt": "一只金毛犬在秋天的公园里奔跑穿过落叶，"
                  "脚踩落叶的沙沙声和远处的鸟鸣。低角度跟拍。",
        "duration": 10,
        "aspect_ratio": "16:9",
    },
).json()
task_id = submit["id"]

# 轮询等待完成
while True:
    result = requests.get(
        f"https://api.sandbase.ai/v1/run/{task_id}",
        headers={"Authorization": f"Bearer {SANDBASE_API_KEY}"},
    ).json()
    if result["status"] in ("completed", "failed", "timeout"):
        break
    time.sleep(3)

video_url = result["outputs"][0]["url"]
print(f"视频地址: {video_url}")

图生视频——给产品图加动画：

# 图生视频：让产品图动起来
submit = requests.post(
    "https://api.sandbase.ai/v1/run",
    headers=HEADERS,
    json={
        "model": "minimax/h3/image-to-video",
        "prompt": "运动鞋在反光台面上缓慢旋转，配轻柔的环境音乐和微弱的气流声。",
        "image": "https://example.com/product-shoe.jpg",
        "duration": 5,
    },
).json()
task_id = submit["id"]

while True:
    result = requests.get(
        f"https://api.sandbase.ai/v1/run/{task_id}",
        headers={"Authorization": f"Bearer {SANDBASE_API_KEY}"},
    ).json()
    if result["status"] in ("completed", "failed", "timeout"):
        break
    time.sleep(3)

参考视频生成——风格迁移：

# 参考视频生成：从参考片段迁移动作和风格
submit = requests.post(
    "https://api.sandbase.ai/v1/run",
    headers=HEADERS,
    json={
        "model": "minimax/h3/reference-to-video",
        "prompt": "把这段舞蹈动作迁移到一个卡通角色身上，保留参考视频的音乐节奏。",
        "video": "https://example.com/reference-dance.mp4",
        "duration": 7,
    },
).json()
task_id = submit["id"]

while True:
    result = requests.get(
        f"https://api.sandbase.ai/v1/run/{task_id}",
        headers={"Authorization": f"Bearer {SANDBASE_API_KEY}"},
    ).json()
    if result["status"] in ("completed", "failed", "timeout"):
        break
    time.sleep(3)

画质表现

H3 的输出质量处于当前视频生成模型的上游水平：

强项：

• 音画同步是目前最好的——唇同步、环境声匹配、音乐节拍对齐比手动后处理效果好
• 10 秒片段内的运动连贯性好，复杂场景的”融化”伪影少
• 2K 输出是原生锐度，不是从低分辨率放大的
• 皮肤纹理和布料物理表现在中上水准

短板：

• 画面中的文字渲染（招牌、标签）仍然不稳定
• 快速运动镜头会有帧融合瑕疵
• 多人场景 7 秒后偶尔出现身份漂移
• 无法精细控制音频音量或混音比例（整体生成）

选型指南：H3 vs 其他

场景	推荐	原因
带旁白的广告素材	H3	音画一体，一次调用
批量无声社媒短片	Kling Turbo	更便宜，不需要声音
延迟敏感流水线	Gemini Omni Flash	生成 10–30 秒
品牌高端片	Kling Omni Pro	画质天花板
产品图动画	H3 图生视频	自动加环境声
风格动作迁移	H3 参考视频	迁移视觉风格+音频氛围
预算极限批处理	Kling Turbo Standard	$0.02/秒，最低成本

H3 在生态中的位置

H3 不是最便宜的视频模型，也不是最快的。它的价值很明确：原生音画生成砍掉了一整类集成工作。

对于做内容管线的 agent（广告素材、社媒内容、教学视频），单次调用音视频输出消除了：

• 音频生成的额外 API 调用
• 音视频同步对齐逻辑
• 时间对齐 bug
• 同步失败重试带来的额外开销

如果你的 agent 输出需要声音，H3 应该是默认选项。如果不需要声音，你就在为用不到的功能买单——看 Kling Turbo 或 Gemini Omni Flash。

核心要点

1. H3 的差异化在音频 — 同一次生成过程出立体声，无需后处理
2. 三种模式 覆盖大部分 agent 工作流：文生视频、图生视频、参考视频
3. $0.30–$0.80/条 中档定价已包含音频（无额外音频 API 费用）
4. 60–180 秒生成耗时 是为质量 + 音画同步付出的代价
5. 最适合 需要声音的内容 agent（广告、教程、带旁白的社媒）
6. 不适合 大批量无声片段或对延迟要求 < 30 秒的场景

Related Reading

• H3 vs Kling 3.0 vs Gemini Omni Flash 对比
• 2026 最佳 AI 视频生成 API
• Kling Video 3.0：统一多镜头视频生成
• Gemini Omni Flash：Google 最快的视频模型
• 文生视频 vs 图生视频 vs 参考视频：AI 视频生成模式实战选型指南
• AI 视频生成的钱怎么算