今天，国内AI公司MiniMax扔出一枚重磅炸弹——发布通用全模态模型H3。这个模型有点特别：它第一次把文本、图像、视频、音频这四件事揉进了一个模型里，让AI既能看懂画面、听懂声音，又能直接生成带双声道音效的高清视频。
过去做视频生成是什么体验？想给一段画面配上声音，得先找个视频模型生成画面，再找个音频模型生成声音，最后还得人工对齐。H3想做的事很简单：你把需求说清楚，它一口气全给你搞定。
具体能做到什么程度？看官方给的例子：你可以说“参考某段视频里希区柯克式的镜头运动，让指定图片中的人物，唱出某段音频里的歌声”——这串命令在以前得拆成四五个步骤，现在模型直接读懂了，你说的每一层要求它都记得。
价格方面是最大的惊喜。H3在2K分辨率下的每秒生成成本，不到主流模型的1/3；768P分辨率下，不到一半。以前视频生成贵得像是“烧钱”的买卖，这直接给行业打了个对折。15秒、2K分辨率、带原生双声道音视频输出，广告片、电商展示、游戏宣传片都能拿它来做。
更让行业坐不住的是后半句：MiniMax宣布未来几天内开源H3模型权重，这是国产视频生成大模型第一次向社区开放。而且H3在设计之初就考虑了国产芯片的兼容性，这意味着那些被海外闭源模型卡住脖子的国内开发团队，终于有了一个不用看人脸色的选择。
圈内分析师的观点是：H3这一手“开源+低价”的组合拳，很可能改变闭源模型长期霸占视频生成市场的格局。当模型能力和成本门槛同时被拉低，接下来的竞争就不是“谁家AI更有本事”，而是“谁能用最少的钱把AI用起来”。
不过MiniMax自己也承认，H3在画面精细度和模型规模上还有进步空间。H系列和M系列的能力融合，以及后续的Scaling（规模扩展）路线图也已经摆上了台面。
一个能听懂人话、看懂画面、还便宜的视频模型，加上开源这个王炸，2025年下半年的视频生成市场，有好戏看了。