MiniMax, das in Shanghai ansässige KI-Labor hinter den Hailuo-Videomodellen, hat H3 vorgestellt — ein universelles multimodales Generierungsmodell, das eigenen Angaben zufolge die Grenzen zwischen Medientypen einreißt.
H3 versteht vereinheitlichten Kontext über Text, Bilder, Video und Audio und kann bis zu 15 Sekunden lange Videos in 2K-Auflösung mit nativem Stereoklang erzeugen — das Audio wird also als Teil desselben Modells generiert, nicht nachträglich hinzugefügt. MiniMax hebt Stärken bei der Befolgung von Anweisungen, der Darstellung von Text und Marken im Video sowie beim Bewegungsübertrag von Video zu Video hervor.
Der Preis ist die andere Schlagzeile: Bei 2K kostet das Modell weniger als ein Drittel der gängigen Sekundenpreise, bei 768p weniger als die Hälfte gängiger 720p-Angebote. Das Unternehmen kündigte an, die Gewichte in den kommenden Tagen als Open Source freizugeben, um die Open-Source-Gemeinschaft zu unterstützen und die Hardware-Kompatibilität zu beschleunigen — ein Schritt, der zu MiniMax' Strategie offener Gewichte passt.
Für Kreative und Entwickler ist die Kombination aus offenen Gewichten, nativem Audio und aggressiver Preisgestaltung eine direkte Herausforderung an den Status quo der kostenpflichtigen Videomodelle. Das Modell ist bereits über die Unternehmens-API und Drittanbieterplattformen verfügbar; Beobachter werden verfolgen, ob die Open-Source-Veröffentlichung wie versprochen folgt — und wie schnell die Konkurrenz antwortet.
