MiniMax H3 · Vídeo 2K, Áudio Nativo e Referências Multimodais

Quick Summary

• MiniMax lançou H3 a 31 de julho de 2026 como um sistema generativo multimodal. A API oficial aceita texto, imagens, vídeos e áudio como contexto, gera clips de 4 a 15 segundos em 768p ou 2K e produz áudio estéreo nativo em conjunto com o vídeo.
• O vídeo do HitPaw Edimakor é uma apresentação promocional, não um teste independente. Não mostra prompts completos, seeds, custos, tentativas falhadas, comparação controlada ou utilização real dentro do Edimakor. As aplicações apresentadas devem ser lidas como possibilidades, não como qualidade garantida.
• O modo de referências aceita até nove imagens, três vídeos e três clips de áudio, com um máximo de 12 ficheiros. Vídeo e áudio de referência têm limites de 2 a 15 segundos, e o áudio não pode ser usado sozinho sem pelo menos uma imagem ou vídeo.
• A expressão 2K precisa de contexto. A API oferece 2K, mas o modelo base publicado trabalha normalmente com um lado curto de 768 píxeis. O pipeline 2K completo usa H3-Context-IR e H3-Regenerate-2K, módulos alojados que ainda não fazem parte integral da versão aberta.
• Os pesos foram publicados sob a MiniMax H3 Community License, não sob uma licença permissiva como Apache ou MIT. A licença exclui UE, Reino Unido, Coreia do Sul e Estados Unidos do território autorizado. Em Portugal, não se deve assumir que executar ou distribuir os pesos é permitido sem autorização separada.
• O vídeo anuncia MiniMax H3 no HitPaw Edimakor para a semana seguinte. Em 3 de agosto de 2026, as páginas públicas do editor ainda mencionam Hailuo de forma genérica e não apresentam H3 na tabela de créditos. A integração deve ser tratada como anunciada, ainda não confirmada publicamente como disponível.

Crédito e estado da pesquisa

O vídeo incorporado foi publicado pelo canal oficial HitPaw Edimakor a 31 de julho de 2026. A narração apresenta o MiniMax H3, resume aplicações e anuncia uma integração futura no editor. O material funciona como introdução ao produto, não como review independente.

Este artigo cruza a transcrição fornecida com o anúncio oficial da MiniMax, a API V2, a tabela de preços, o repositório dos pesos, a licença, a documentação do ComfyUI e as páginas públicas do Edimakor consultadas em 3 de agosto de 2026.

Especificações, preços, disponibilidade e termos podem mudar rapidamente. Verifique sempre a documentação atual antes de iniciar uma produção ou comprar créditos.

A resposta curta: o que torna MiniMax H3 diferente

H3 tenta substituir vários caminhos especializados por uma única representação de contexto. Em vez de escolher um modelo para texto, outro para image-to-video, outro para motion reference e outro para áudio, o utilizador descreve como texto, imagens, vídeos e som se relacionam com o output desejado.

Na prática, pode pedir que uma imagem controle a personagem, um vídeo controle o movimento de câmara e um áudio controle voz ou ritmo. O prompt deixa de descrever apenas o resultado visual. Passa a ser um mapa de responsabilidades entre referências.

Isto não significa que H3 seja um chatbot universal que entrega qualquer formato final com a mesma interface. O produto público analisado é sobretudo um sistema de geração e edição de vídeo com áudio nativo, acessível por API, fornecedores e workflows locais.

Especificações confirmadas: duração, resolução, áudio e formatos

A API V2 aceita clips de 4 a 15 segundos. As resoluções disponíveis são 768P e 2K. Text-to-video suporta 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16. No modo reference-to-video também existe adaptive, enquanto image-to-video herda a proporção dos frames fornecidos.

O model card indica vídeo a 24 fps e áudio estéreo a 32 kHz. Voz, efeitos e música são previstos em conjunto com o vídeo e descodificados para um único MP4, em vez de serem acrescentados por uma ferramenta externa no fim.

Cada pedido exige texto. Mesmo quando existem imagens, vídeo ou áudio, o prompt continua obrigatório porque descreve a relação entre o contexto e o target.

T2V, I2V, first-last frame e reference-to-video

Text-to-video usa apenas texto. Image-to-video pode receber um primeiro frame, um último frame ou ambos. Reference-to-video aceita uma combinação de materiais que orientam identidade, estilo, movimento, câmara, voz e som.

First-last frame e reference-to-video são caminhos diferentes na API. Não pode misturar frames marcados como first_frame ou last_frame com inputs marcados como reference_image, reference_video ou reference_audio no mesmo pedido.

O modelo base publicado também separa pesos fl2va, usados por text-to-video e image-to-video, dos pesos ref2va, usados no modo de referências. Uma interface pode parecer unificada, mas os workflows locais continuam a exigir a variante correta.

Como funcionam as referências multimodais

A API permite até nove imagens de referência, três vídeos e três ficheiros de áudio, com um máximo combinado de 12 ficheiros. Cada imagem pode ter até 30 MB. Cada vídeo pode ter até 50 MB, e cada áudio até 15 MB.

Vídeo de referência deve ter entre 2 e 15 segundos, com máximo total de 15 segundos. O mesmo intervalo e total aplicam-se ao áudio. Um áudio de referência precisa de acompanhar pelo menos uma imagem ou um vídeo.

Mais referências não significam automaticamente melhor resultado. Comece com uma referência por responsabilidade. Se duas imagens disputam identidade ou dois vídeos descrevem movimentos incompatíveis, o modelo tem de resolver um conflito que o prompt devia evitar.

Áudio estéreo nativo: o que muda no workflow

Num modelo audiovisual, timing de boca, impacto, ambiente e música podem ser planeados na mesma janela temporal do movimento. Isso torna possível pedir diálogo sincronizado, um som físico no frame certo e uma mudança musical que acompanha um corte.

A vantagem é coerência temporal. O risco é perda de controlo separado. Uma voz incorreta, ruído estranho ou música inadequada pode obrigar a regenerar também uma imagem que estava boa. Para trabalhos profissionais, exporte e avalie imagem, diálogo, efeitos e música como camadas conceptuais distintas, mesmo quando chegam no mesmo ficheiro.

Reserve a mistura final para um editor ou DAW quando precisa de loudness, limpeza, legendas, direitos musicais ou versões localizadas. Áudio nativo reduz montagem, mas não elimina pós-produção.

Porque 2K não é apenas um upscale

A MiniMax descreve H3-Regenerate-2K como uma segunda passagem. O resultado 768p e o contexto original voltam ao H3, que regenera a versão de alta resolução e tenta recuperar texto pequeno e detalhe que um super-resolution convencional teria de adivinhar.

O modelo base aberto usa por defeito um lado curto de 768 píxeis. O ComfyUI recomenda cerca de 1344 por 768 para o canvas nativo. H3-Context-IR e H3-Regenerate-2K não estão integralmente publicados na versão aberta, por isso reproduzir localmente o output oficial 2K ainda requer serviços da plataforma MiniMax.

Esta distinção é importante para planeamento de infraestrutura. Ter os pesos H3-Base não significa ter todo o sistema oficial 2K offline.

Quanto custa MiniMax H3 na API

Em 3 de agosto de 2026, a tabela oficial cobra 0,13 dólares por segundo em 2K e 0,08 dólares por segundo em 768p. Um clip de 15 segundos custa 1,95 dólares em 2K ou 1,20 dólares em 768p, antes do preço dos materiais de referência.

Áudio de referência é gratuito. As primeiras cinco imagens são gratuitas e cada imagem adicional custa 0,04 dólares. Vídeo de referência é cobrado por segundo à mesma taxa da resolução de output. Um pedido 2K de 15 segundos com 15 segundos de vídeo de referência pode chegar a 3,90 dólares antes de imagens adicionais.

A regeneração 768p para 2K custa 0,05 dólares por segundo de output, mas os materiais originais são cobrados novamente. Defina um orçamento por shot e bloqueie identidade, movimento e timing em 768p antes de pagar o passe final.

Open weights não significa licença aberta para todos

Os pesos H3 foram publicados a 2 de agosto sob a MiniMax H3 Community License Agreement. É uma licença personalizada. Não é MIT, Apache 2.0 nem uma aprovação automática para qualquer país ou produto.

A licença define o território aplicável como o mundo menos União Europeia, Reino Unido, Coreia do Sul e Estados Unidos. Também restringe o uso de outputs para melhorar outros modelos, exige identificação de conteúdo gerado por IA em ambientes públicos e impõe condições adicionais a produtos e serviços comerciais.

Para um utilizador em Portugal, a conclusão prática é simples: não execute, distribua ou ofereça os pesos com base apenas na etiqueta open. Procure autorização da MiniMax e aconselhamento adequado. Esta observação refere-se à licença dos pesos e não substitui a análise dos termos separados da API alojada. Não é aconselhamento jurídico.

Executar H3 no ComfyUI

O ComfyUI 0.30.0 ou superior inclui templates nativos para text-to-video, image-to-video e reference-to-video. Existem variantes BF16, INT8 e uma versão INT8 podada, além de um encoder Qwen3-VL-32B e VAEs separados para vídeo e áudio.

Os templates permitem experimentar parâmetros, aspect ratio, duração e referências sem depender de uma interface fechada. Porém, os ficheiros são grandes e a inferência local pode ser lenta. A documentação não transforma a configuração num download leve para qualquer portátil.

Antes do hardware, confirme a licença territorial. Depois escolha um preview pequeno, valide o workflow e só então aumente resolução, duração ou referências.

MiniMax H3 no HitPaw Edimakor: anunciado, ainda por confirmar

O vídeo afirma que MiniMax H3 chegará ao HitPaw Edimakor na semana seguinte. Como a publicação ocorreu a 31 de julho, o anúncio aponta para o início de agosto de 2026.

Em 3 de agosto, a página pública do gerador Edimakor lista Hailuo entre vários fornecedores, mas não identifica H3. A página de créditos também mostra custos de Hailuo para 512p, 768p e 1080p, sem uma linha MiniMax H3 2K. A página de novidades de julho não regista a integração.

Isto não prova atraso. Significa apenas que a disponibilidade pública ainda não estava documentada nas páginas consultadas. Quando a opção surgir, confirme versão, limite de referências, áudio, duração, resolução e créditos. Uma integração pode expor apenas parte da API original.

Filme, anúncios, e-commerce e gaming: onde H3 pode ajudar

Para filmmaking, H3 é interessante em previs, title sequences, testes de câmara, performance com referência de voz e variações de um shot existente. O limite de 15 segundos encaixa melhor em planos e beats do que em cenas completas.

Em publicidade e e-commerce, referências podem fixar produto, marca, movimento e sound cue dentro do mesmo pedido. Texto legível e brand rendering são capacidades reivindicadas pela MiniMax, mas devem ser testadas com embalagem, alfabetos e tamanhos reais.

Em gaming e UI, o modelo pode prototipar motion studies, loops, interfaces e cinemáticas conceptuais. Outputs gerados não substituem assets interativos, rigs, states ou implementação em engine.

Como escrever um prompt multimodal para H3

Comece por uma frase que descreve o target completo. Depois identifique o papel de cada referência. Termine com uma timeline curta que separa shot, ação, câmara e áudio.

Uma estrutura útil é: objetivo, mapa de referências, continuidade obrigatória, beats temporais, câmara, diálogo, efeitos, música e critérios negativos. Não deixe o modelo inferir se um vídeo serve de estilo ou de movimento.

Mantenha um único conflito dramático ou ação principal por clip. Um prompt de 15 segundos pode conter vários shots, mas cada novo corte aumenta o risco de identidade, direção de ecrã e áudio perderem continuidade.

Protocolo de teste antes de usar H3 numa produção

Escolha três shots representativos: uma pessoa com diálogo, um produto com texto e um movimento baseado em vídeo de referência. Para cada shot, prepare um prompt mínimo e uma versão multimodal.

Gere pelo menos quatro variantes em 768p. Avalie identidade, pose, física, câmara, texto, lip sync, áudio, duração e estabilidade do background. Registe custo e tempo até obter um clip aprovável.

Só faça 2K dos candidatos aprovados. Compare a versão regenerada com o 768p para confirmar se detalhes melhoraram sem alterar rosto, letras, objetos ou timing. Esta comparação mede valor real do passe 2K.

Veredito: uma mudança de workflow, ainda não uma produção inteira

MiniMax H3 torna o prompt mais parecido com direção: materiais diferentes recebem papéis e o modelo tenta resolver imagem, movimento e som em conjunto. Esse é o avanço mais relevante, não apenas o número 2K.

O lançamento também vem com complexidade. O 2K oficial usa módulos alojados, o custo cresce com segundos e vídeo de referência, a execução local não inclui todo o pipeline e a licença dos pesos exclui várias regiões importantes.

O vídeo do HitPaw Edimakor é uma boa introdução, mas antecipa uma integração e resume capacidades sem testar falhas. Use-o para descobrir H3, depois valide a documentação, a disponibilidade no editor e um conjunto pequeno de shots próprios antes de mudar o pipeline.