テキスト・画像・動画・音声を一つの文脈として扱い、ネイティブステレオ音声付きの動画を最大 2K・15 秒まで生成する。API モデル名は MiniMax-H3。出力解像度は 768P / 2K、尺は 4〜15 秒（整数秒）。法令・規制に従い、近日中にモデル重みを公開する予定。
入力では、参照動画のカメラワーク・参照画像の人物・参照音声のボーカルを自然言語で関係づけて指示できる。出力は既定で 2K。768P から 2K への再生成（In-Context Regeneration）もあり、参照音声は無料、参照画像は最初の 5 枚まで無料でそれ以降は 1 枚あたり 0.04 ドル。H3-Context-IR は入力 0.90 / 出力 3.60 ドル（百万トークンあたり）。
性能
| モデル | Text-to-Video Elo（音声あり） | Video Editing Elo（音声あり） |
|---|---|---|
| Gemini Omni Flash | 1244 | 1122 |
| MiniMax H3 | 1237 | 1130 |
| Dreamina Seedance 2.0 720p | 1224 | 1037 |
Artificial Analysis の音声あり Arena では Text-to-Video で Omni Flash に僅差 2 位、Video Editing では 1 位。
API 価格の比較
| モデル | 解像度 | 出力 ($/秒) |
|---|---|---|
| MiniMax H3 | 2K | 0.13 |
| MiniMax H3 | 768P | 0.08 |
| Gemini Omni Flash | 720p（実効） | 約 0.10 |
| Veo 3.1 Fast | 720p | 0.10 |
H3 の 2K 単価は Omni Flash / Veo 3.1 Fast の 720p 帯より高いが、既定解像度が 2K で、768P なら同帯より安い。