文字生成视频
描述场景、动作、镜头、台词与声音。H3 会把提示词变成一段连贯的片段，原生立体声音频已内含其中。
- 768P 或 2K，4–15 秒
- 横屏、方形与竖屏共六种画面比例
- 原生台词、音效、音乐与环境声
MiniMax 的开放多模态视频模型
无限制MiniMaxH3
用文字、图片与参考音频来执导。以 2K 生成最长 15 秒，并带原生立体声。欢迎使用真人照片。
3,482,705+ happy users
15s
最长时长
2K
分辨率
立体声
原生音频
支持
真实人物
在 Easy-Peasy.AI 上无限制
你的脸是输入，不是被拒的理由
让你的肖像照、创作者照片、团队形象照或客户已授权的素材动起来。Easy-Peasy.AI 不会仅因为输入中出现可辨认的人物，就拦下一个普通的 H3 任务。
无限制不等于不审核。同意、肖像权、我们的《使用条款》以及 MiniMax 的安全过滤依然适用。
接受真实人像
使用你有权使用的自拍、形象照、创作者照片与团队图片。
接受创作者图片
把已获授权的创作者与客户图片用作首帧或角色参考。
一条清晰的工作流
没有需要去找的“人脸安全”模式，生成前也没有另外的开关要打开。
你的权利依然重要
只上传你拥有或已获授权使用的肖像与原始素材。
三种创作方式
一个模型，任意起点
可以从一个想法、一张画面，或一整套多模态参考素材开始。三种工作流用的都是 H3 同一个通用模型。
图片生成视频
把一张静态图作为首帧动起来，或同时上传首帧与尾帧，精确控制镜头从哪里开始、又落在哪里。
- 任何受支持的图片都可作为首帧生成动画
- 可选尾帧，让转场更可控
- 输出画幅自动跟随原图
参考素材生成视频
把角色、产品与风格图片和参考音频组合起来，再用自然语言说明每个文件的作用。H3 会在一次生成中理清所有关系。
- 最多 9 张参考图
- 最多 3 段参考音频，合计 15 秒
- 为每个上传的参考素材指定自然语言角色
全模态执导
来自视频的运镜、来自图片的角色、来自音频的声音——在同一条提示词中融合
原生立体声
台词、音效、环境声与空间定位，与画面一同生成
电影片头字幕
一整段电影感片头序列，美术方向与排版风格前后统一
产品与游戏界面
界面动效、品牌细节与场景转换，在完整一条镜头中始终连贯
动态海报
把竖版平面设计变成一件可控的动态作品
广告与电商
一支竖版广告，包含产品陈列、清晰可读的品牌呈现与原生声音
多模态上下文
告诉 H3 这些参考素材之间是什么关系
多数视频工具把角色、产品、风格与声音当成彼此独立的任务。H3 把它们当作同一个上下文接收。用自然语言描述它们的关系，模型自己决定如何在结果中融合。
执导示例
“保持图 1 中的人物一致，突出图 2 中的产品，并让演唱声音匹配音频 1。”
9
参考图片
角色、产品、场景、风格与构图
3
参考音频片段
音色、演唱、音乐与声音走向
一条自然语言提示词，串起每一个输入 →
细节是重新生成的，不只是放大
H3 的 2K 档位采用上下文内重生成。基础模型在重建细节时会回看原始提示词与参考上下文——这对小字号文字、产品质感和品牌元素尤其有用，而传统放大算法只能靠猜。
- 4–15 秒的每一种时长都支持 2K
- 768P 档位，让反复试稿成本更低
- 六种输出比例，适配广告、信息流与宽屏内容
配乐本身就是生成的一部分
人声、音效、音乐与环境声与画面序列一同建模。这让 H3 在口型、撞击、环境声与运镜之间共享同一条时间线，并具备真正的左右立体声场。
- 台词与演唱在场景中直接生成
- 与动作匹配的拟音与环境声
- 参考音频可引导音色与音乐
工作流程
如何使用
01
选择一种 H3 模式
打开 AI 视频生成器，根据你想执导的内容选择 MiniMax H3、MiniMax H3 Image 或 MiniMax H3 Reference。
02
补充你的上下文
可以从文字、首帧、首尾帧，或参考图片与音频的组合开始。普通的真人照片同样可用。
03
指挥各素材之间的关系
Tell H3 what to borrow from each input: a face from Image 1, a product from Image 2, or voice timbre from Audio 1. Natural language connects it all.
04
设定成片规格并渲染
在 4 到 15 秒之间选择任意整秒时长，以更省的 768P 或更重细节的 2K 渲染。立体声音频自动包含在内。
提示词指南
描述上下文，而不只是场景
最好的 H3 提示词既说明要创作什么，也说明每个素材各自扮演什么角色。养成这四个习惯，多模态执导会稳定得多。
给每个参考素材一个明确的任务
H3 理解文件之间的关系，但这种关系仍需明确说出来。点名素材来源，并准确说明要迁移什么。
提示词示例
“主持人的脸和服装用图 1。图 2 里的产品在每个镜头中保持不变。说话的声音匹配音频 1，但根据下面的台词生成新的话语。”
把声音当作镜头的一部分来执导
音频不是事后补的。请把台词、拟音、音乐、环境声，以及它们在立体声场中的位置，和画面动作一起写清楚。
提示词示例
“她压低嗓音说“我们做到了”。镜头绕行时，风从左向右移动。低沉的引擎声始终居中；直到最后两秒才有音乐进入。”
把尾帧当作终点来使用
当提示词解释的是两张图片之间的过程，而不是把终点再描述一遍时，尾帧的效果最好。
提示词示例
“从首帧里空荡的桌面开始。镜头逐渐推近，零件以精确的机械步骤组装起来，最后停在所提供尾帧中那只完工的手表上。”
把要显示的文字写准确
H3 发布时着重强调文字与品牌元素的呈现。把必须出现的词放进引号，说明它们出现在哪里，并让版式指令保持简单。
提示词示例
“一张干净的产品收尾卡。标题写着“MOVE LIGHTER”，为大号白色紧缩字体，居中位于鞋子上方。图 2 中的品牌标识在右下角保持不变。”
规格参数
MiniMax H3 技术细节
最长时长
15s
4–15 之间的任意整秒
分辨率
2K
768P 或 2K 输出档位
音频
立体声
随每段片段原生生成
画面比例
6
21:9 · 16:9 · 4:3 · 1:1 · 3:4 · 9:16
提示词长度
4,000
Easy-Peasy 生成器中的字符数
参考图片
9
JPG、PNG、WEBP、HEIC 与 HEIF
参考音频
3
WAV 或 MP3，合计 15 秒
首帧与尾帧
支持
起点与终点可控
真人输入
接受
不会仅因画面中有人脸就被拒绝
768P 价格
3 cr/s
默认 4 秒 12 积分
2K 价格
5 cr/s
4 秒 20 积分
代际升级
MiniMax H3 对比 Hailuo 2.3
H3 不再是分开的文生视频与图生视频工具，而是一个统一的多模态系统——片段更长、原生立体声、可用参考控制，并支持 2K 输出。
| 功能 | MiniMax H3 | Hailuo 2.3 |
|---|---|---|
| 最长时长 | 4–15 秒 | 6 秒或 10 秒 |
| 最高分辨率 | 2K | 1080P |
| 原生音频 | 每次渲染都带立体声音频 | 无声视频输出 |
| 输入上下文 | 文字 + 图片 + 参考音频 | 文字或首帧图片 |
| 参考控制 | 主体、运动、风格与声音同在一个模型中 | 文字与图片工作流相互独立 |
| 首帧与尾帧 | 已支持 | 仅限较早的专用工作流 |
| 输出画幅 | 六种画面比例，另加自适应参考模式 | 16:9 in the Easy-Peasy catalogue |
可直接商用的场景
你可以创作什么
广告
制作完整的竖版或横版广告片，包含产品动作、清晰可读的信息、台词、音效与成品配乐。
电商
用参考图把产品牢牢锁定，同时让镜头、环境与声音把一张静态目录图变成上新素材。
游戏与产品界面
为界面、标题画面与产品交互加入动效，同时保留你在参考素材中提供的视觉语言。
片头字幕与预可视化
在正式开拍前，用一条连贯的镜头把开场序列、运镜路径与场景转换先试出来。
以声音驱动的角色
用人物或角色图片搭配参考音频，来引导音色、演唱、表达方式与口型同步的表演。
动态海报
把营销主视觉变成竖版动态作品，配合可控的排版、景深、粒子、音乐与立体声音效设计。
推荐信
阅读人们在公共平台上发表的评论。
Jeff Wilson
By far the best compilation AI utility
By far the best compilation AI utility out there. Period. We have tried multiple platforms that would work for us - a small business - and it was a bit overwhelming two years ago. Easy-Peasy has been a godsend. So many freaking tools and no fewer than 10 (of the 200) are ones we use at least on a weekly basis. Ironically, their human support is one of the most appreciated elements.
Cody Crabb
Great service, Best AI tool
Easy-Peasy AI
Blanca Marin
Very Good AI…
I really liked the easy-peasy AI service. It's a great tool, but I also had to ask them for a refund because I chose the wrong plan, and they were very quick to respond to my request. They looked into my case and I got my money back without any problems. Of course, I will continue to use it for my projects.
Easy-Peasy AI
FAQ
常见问题
关于 MiniMax H3 你需要知道的一切
什么是 MiniMax H3？
MiniMax H3 是 MiniMax 于 2026 年 7 月 31 日发布的通用多模态生成模型。它能同时理解文字、图片、视频与音频，可生成最长 15 秒、带原生立体声的 2K 视频。MiniMax 将其定位为面向广告、品牌、电商、UI/UX、游戏等场景的可控商用内容生成模型。
MiniMax H3 所说的“无限制”是什么意思？
意思是 Easy-Peasy.AI 不会仅仅因为画面中出现可辨认的真实人物，就拒绝一张原本普通的图片。你可以让自己的肖像照、创作者照片、团队形象照以及客户已授权的素材动起来，无需打开特殊开关，也不需要另走一套流程。
无限制是不是意味着没有安全规则？
不是。无限制专指含有真实人物的普通输入，而非违禁内容。你必须拥有使用所上传肖像的权利与同意。带有欺骗性的冒充、违法内容、涉及真实人物或未成年人的性内容，以及我们《使用条款》禁止的其他用途，仍然被禁止。MiniMax 的安全过滤同样继续生效。
MiniMax H3 会生成音频吗？
会。H3 的每次渲染都包含与画面一同生成的原生立体声音频。模型会把人声、音效、音乐与环境声一起处理，而不是在视频完成后再另外附加一条配乐。H3 没有静音生成开关，但你之后可以在编辑器中静音或替换音频。
MiniMax H3 视频最长能有多久？
在 4 到 15 秒之间选择任意整秒。768P 与 2K 两个档位都支持完整的时长范围。更长的故事可以在 Easy-Peasy.AI 视频编辑器中把多个 H3 镜头拼接起来。
我可以用什么作为参考素材？
Easy-Peasy.AI 上的 H3 Reference 最多接受 9 张参考图与 3 段参考音频。每段音频需为 2–15 秒，合计不得超过 15 秒。参考音频必须搭配至少一张参考图使用。
MiniMax H3 能使用首帧和尾帧吗？
Yes. Upload a first frame to animate a still, then optionally add a last frame to define the destination of the shot. First/last-frame mode and reference mode are separate: one generation cannot mix frame-control images with reference images or audio.
在 Easy-Peasy.AI 上使用 MiniMax H3 要多少积分？
按生成秒数计费。768P 档位为每秒 3 积分，2K 档位为每秒 5 积分。默认的 768P、4 秒渲染为 12 积分。原生立体声音频与参考音频不额外收费。
MiniMax H3 生成的视频可以商用吗？
可以。你可以把在 Easy-Peasy.AI 上生成的视频用于广告、社交帖子、产品页、客户项目、游戏等商业用途，前提是遵守我们的《使用条款》，并对所上传的原始素材拥有相应权利。
