国产AI视频双雄同天上线全解析：Seedance 2.5 与 MiniMax H3 从原理到落地的一次讲透

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要（3 分钟看完核心结论）

如果你只想要一个结论：Seedance 2.5 更适合做"完整叙事的成片"，MiniMax H3 更适合做"广告电商级别的可控包装"。前者押注 30 秒长镜头 + 50 份异构素材，画质与一致性更稳；后者押注全模态统一理解 + 视频到视频的动作迁移，价格约为主流旗舰的三分之一，并即将开源权重。

一句话对比放在这里：

• Seedance 2.5：字节 Seed 团队 7 月 31 日发布，已在即梦 AI、豆包专业版、扣子、小云雀里陆续开放，API 会在近期接入火山方舟，闭源为主，走"专业工业化生产"路线。
• MiniMax H3：稀宇科技（MiniMax）同日发布，已在海螺 AI 网页端、App 以及官方 API 上线，2K 分辨率 0.8 元每秒，官方宣布近期开源模型权重，走"性价比 + 开源生态"路线。
• 关键场景选择：一镜到底的音乐会、短剧、群像调度 → 优先 Seedance 2.5；广告文字动效、品牌 logo 稳定、动态海报、动作迁移 → 优先 MiniMax H3。
• 一定要注意的合规红线：无论用哪一款，在国内公开发布 AI 视频，都得按《人工智能生成合成内容标识办法》做显式和隐式双标识，抖音、快手、视频号、B站、小红书都要主动勾选"AI 内容"标签。

想看完整拆解，往下翻。

一、写在前面：为什么这一轮 AI 视频升级值得认真拆一次

我（莫潇羽@无忆研习社）平时在做内容工作流的时候，最直观的感受是：AI 视频这个赛道，过去半年其实进入了一段相对沉闷的时期。前一代的 Seedance 2.0 把"电影感"和"运镜"卷得非常凶，其他模型几乎只能追着跑。行业里聊天，一提到"AI 短剧要不要开新项目"，第一反应都是先问一句"这个能不能用 Seedance 直接跑"。

沉了大概半年，7 月的最后一个工作日突然热闹起来。字节 Seed 团队 7月31日宣布发布新一代视频创作模型Seedance 2.5，同一天 MiniMax 也把 H3 这款全模态生成模型一并推向市场。两个玩家在同一天押注，一个继续往"更长、更工业化"的方向走，一个直接开辟"更便宜、开源、更懂后期"的新赛道。

这是我愿意花时间把两款模型放在一起写一篇长文的原因。视频模型这类工具，光看厂商官宣的漂亮 demo 是不够的。做过一线内容的都知道，真正到落地那一步，会遇到成片时长不够、多镜头不连贯、文字排版乱、品牌 logo 变形、音画不同步、平台审核不过等一堆头疼事。这一次两家给出的答案，恰好回应了不同的痛点。

1.1 我的写作角度：不吹参数，只讲"做完一段片子需要什么"

站长视角写作，会跟自媒体大号的"发布会摘录"不一样。我尽量避免把厂商 PR 稿里的话术照搬过来，而是把这两款模型放进"一个完整内容团队从选题到成片"的流程里，一步步对着看。

具体拆到什么颗粒度呢？我会覆盖这几块：

• 官方给出的能力清单是什么，落到实际用起来又是什么样。
• 背后大致的技术思路，用白话讲清楚为什么这个能力可以做出来。
• 换成常见场景（短剧、广告、电商、Vlog、UI 动效、动态海报），我会怎么在两款里做选择。
• 国内环境下发布 AI 视频要踩住哪些合规红线，避免辛辛苦苦生成的片子上不了台面。

1.2 一个前置提醒：AI 视频的价格变动非常快

写这篇文章的时候，两款模型都刚发布不到 48 小时。定价、免费额度、API 参数、开源时间，未来几周都可能会调整。我文中给出的具体数字，都是写稿时（2026 年 8 月初）的近似行情。真正下单之前，请以火山方舟、MiniMax 官方定价页、海螺 AI 官网的实时公告为准。这一点在文末的声明里我还会再提一次。

行业惯例的免责话我不写太多，接下来的正文里，遇到"境外模型"和"敏感能力"的部分，我会在合适位置加上合规提示，本身也是走给自己看的一份自检清单。

二、开写之前：AI 视频模型这几年到底在卷什么

新读者可能不太熟悉"文生视频""图生视频""视频生视频"这些术语，我先做一层白话拆解。老玩家可以跳到第三章。

2.1 从"能动就行"到"能讲故事"的三级跳

AI 视频这几年的发展，我个人习惯把它切成三个阶段：

第一阶段，2023 年前后，模型能让画面动起来就已经算奇迹了。你输入一段文字，能出来几秒钟的抽象光影，人物一走动脸就融化，桌上摆的杯子过一秒就变形。这个阶段的模型基本没有商用价值，用来发朋友圈图新鲜可以，做作品交付根本不行。

第二阶段，2024 年下半年到 2025 年上半年，模型开始"能拍电影感的镜头"了。运镜稳定，画质接近实拍，光影和景深都能勉强呈现。以 Sora、Kling、可灵、即梦为代表的一波产品，把"AI 拍电影短片"从段子做成了现实。但这个阶段问题也很明显：镜头一切就崩，人物一换机位就变脸，只能做十几秒的孤立片段，做不了完整的一段故事。

第三阶段，就是我们现在正处在的位置。模型开始尝试在一段生成中完成多镜头调度、保持人物一致性、按导演思路组织叙事节奏，甚至能接受非常复杂的多模态素材做参考。Seedance 2.5 和 MiniMax H3 都是这个阶段的代表作。

这里给一个简单的对照表：

从这个视角看，Seedance 2.5 的 30 秒长叙事，和 MiniMax H3 的 V2V 动作迁移，其实是这一阶段两条不同的解法。

2.2 T2V、I2V、V2V 与"多参考生视频"都是啥

再科普一层通用术语，方便后面章节引用。这些术语第一次看可能有点晕，我用白话讲一遍。

T2V（Text-to-Video）：文字生视频。输入一段文字提示，输出一段视频。这是最早也最基础的模式。举例：告诉模型"雨夜的东京街头，一位少女撑伞跑过便利店门口"，模型就凭空生成对应的镜头。

I2V（Image-to-Video）：图片生视频。你给一张静态图，模型让这张图动起来。比如给一张产品渲染图，让它旋转一圈；给一张人物照，让人物点头微笑。I2V 对角色一致性帮助很大，因为你直接锁死了长相。

V2V（Video-to-Video）：视频生视频。你给一段参考视频，模型基于它做修改或迁移。常见用途包括风格转换、动作迁移、角色替换、背景替换。举例：给一段真人跳舞的视频，让模型换成动漫人物跳同样的舞。

多参考生视频（下文里我会用一个自己习惯的简称 R2V，Reference-to-Video）：这不是一个业界统一的缩写，业内更常见的说法是"多素材参考生成"或者干脆按具体输入类型分开叫（比如"图 + 音频 → 视频"）。我这里用 R2V 只是为了行文方便，指的是允许你同时投喂多种类型的参考素材（图 + 视频 + 音频）、让模型综合参考里的信息生成新视频的这一类能力。它不是一种全新的模式，本质上是 I2V、V2V 和音频参考的合并版。Seedance 2.5 和 MiniMax H3 都把这一类能力当作核心卖点，也就是所谓的"多模态参考"。后文我会混用"多素材参考""多模态参考""R2V"三种说法，你看到时知道说的是同一件事就好。

再补充两个次要术语：

首尾帧（First/Last Frame）：给定视频的第一帧和最后一帧图片，让模型把中间填出来。适合做"从 A 状态过渡到 B 状态"的镜头。

时间戳控制（Timestamp Control）：告诉模型第几秒到第几秒应该发生什么。Seedance 2.5 这次加强的重点能力之一，等于给了创作者"分镜表"一样的控制权。

2.3 分辨率、时长、素材上限，为什么这些参数重要

内容生产的角度，一款视频模型好不好用，我个人会盯三组参数：

第一组是分辨率。720P 是短视频平台的下限，1080P 是通用交付的默认，2K 到 4K 才够上大屏、影院和高端广告的门槛。分辨率每提高一级，训练和推理的算力都要成倍增加，所以能不能默认输出 2K 或 4K，是模型能力档次的直接体现。

第二组是单次生成时长。10 秒的模型只能做"孤立镜头"，15 秒够拍一个小情节，30 秒就能覆盖大部分短视频完整叙事，1 分钟以上就开始触碰短剧和 MV 的门槛。时长每翻一倍，模型对"一致性"和"节奏"的要求都是指数级上涨。

第三组是参考素材上限。这个直接决定了你能给模型多少"喂饭"信息。一次只能塞一张图和一段文字的模型，跟一次能塞三十张图、十段视频、十段音频的模型，创作自由度完全不是一个级别。参考素材越多，越接近导演给剧组开会那种"先看这几个人的形象、再看这条参考音乐、再看这段样片的运镜"的工作方式。

后面拆解 Seedance 2.5 和 MiniMax H3 的时候，我会围绕这三组参数反复对照。

2.4 一个我自己常用的选型小口诀

写到这里顺手把我平时给团队用的口诀分享出来，不严谨但很好记：

• 要长、要多镜头、要工业化、要一致性：优先想 Seedance 2.5。
• 要便宜、要开源、要动效包装、要动作迁移：优先想 MiniMax H3。
• 要电商展示、要品牌 logo：H3 的文字与品牌渲染是当前最强项。
• 要短剧、要一镜到底叙事：Seedance 2.5 的 30 秒长镜头能省一大半后期。

这个口诀我会在第六章"实操建议"里展开讲。到这里概念铺垫就差不多了，接下来正式进入两款模型的完整拆解。

三、Seedance 2.5 完整拆解：字节把"叙事长度"顶到了 30 秒

先讲 Seedance 2.5。这一代最好懂，因为它延续了 Seedance 2.0 的整体架构，只是把每一个关键指标都往前推了一大截。字节 Seed 团队自己的说法是"更长、更懂、更可控"，我把它翻译成三个具体的能力升级。

3.1 官方定位与上线入口

先说"在哪能用到"。7月31日字节跳动发布Seedance 2.5，目前已上线豆包、即梦、扣子、小云雀等字节旗下产品，并将于近期通过火山引擎面向企业用户开放。

普通个人用户，登录即梦 AI 网页端或者豆包 App 的专业版就能直接生成，我登录即梦的时候已经能看到 Seedance 2.5 的选项挂在模型下拉里。企业用户和开发者要通过火山方舟拿 API Key 接入，写稿时官方还没给出正式的模型 ID，价格页面已经预挂了，但接口预计在几天内正式放出。

一句题外话：字节这次把 Seedance 2.5 同时接进了扣子（Coze）和小云雀，等于把"用节点搭工作流的方式调用视频模型"这条路也铺开了。做批量生产的团队可以直接用扣子搭一个"选题 → 分镜 → 参考素材 → 视频生成 → 剪辑拼接"的自动化 pipeline，不用再一条一条手动跑。

3.2 核心升级一：单次 30 秒长叙事，从"孤立镜头"到"完整场景"

上代 Seedance 2.0 的单次生成上限是 15 秒。听上去不算短，但真做叙事内容的人都清楚，15 秒能塞下的信息非常有限。做一个短剧开场，都得拆成两三段生成再拼接，中间人物一致性就开始飘。

Seedance 2.5 把单次时长直接拉到 30 秒，并且支持"多轮延长续写"。什么叫多轮延长？就是你生成完第一个 30 秒之后，可以用这段视频做参考，再生成下一个 30 秒，模型会尽量保持人物、场景、风格、声音的连贯。理论上你可以一直续写，拼成几分钟的完整片子。

我实际感受到的差异是这样的：

• 15 秒时代，模型只能做"一个动作 + 一个反应"，比如一个人推门 + 惊讶回头。
• 30 秒时代，模型能做"铺垫 → 推进 → 转折 → 收尾"的完整叙事弧。

官方演示里有一段"歌手从后台一镜到底登台演出"的例子，全程无剪切。镜头从化妆间开始，跟拍歌手穿过幕布、走过通道、上台、镜头绕到背面、最后拉远呈现体育馆全景。这种镜头在传统 AI 视频里根本不敢想，因为一切换机位就崩，一转身人物就变形。Seedance 2.5 硬是把它做出来了。

在30秒音乐会片段里，模型采用16比9横屏、电影感写实风格，参考素材覆盖钢琴家、大提琴、小提琴、主唱、管弦乐队、合唱团和观众席，能同时还原多人形象与声音并保持主体稳定。多人同框、群像调度，这是过去一年 AI 视频里最难的场景之一。

3.3 核心升级二：50 份异构素材，一次投喂到底

这是本次升级中我个人最看重的一项。Seedance 2.5 单次最多可以输入 30 张图片 + 10 段视频 + 10 段音频，加起来 50 份参考素材。上一代最多支持 12 份，直接翻了 4 倍。

50 份素材是什么概念？我举个具体例子：

假设你要生成一个 30 秒的品牌 campaign 片。你可以塞进去的素材包括：

• 3 张主角人物形象照（正面、侧面、动作）
• 5 张场景参考图（起始场景、过渡场景、终点场景）
• 2 张产品渲染图（正面、爆炸图）
• 4 张情绪 mood board（色调、构图、氛围）
• 3 段参考视频（想复刻的运镜、目标剪辑节奏、类似的成片）
• 2 段参考音频（BGM、旁白 tone）

这样投喂之后，模型看到的信息就非常完整了。不再是"猜文字"，而是"看着一堆真实素材做整合"。

Seedance 2.5 允许单次输入最多 30 张图片、10 段视频和 10 段音频，总计容纳 50 份参考素材，为复杂场景生成提供了丰富的上下文支持。

Seedance 2.5 还新增了白模、绿幕参考能力，让复杂项目与工业化创作更加可控。白模是三维建模里没上材质的裸模，绿幕是影视合成的行业标准。这两个能力加进来之后，Seedance 2.5 就真正开始跟传统影视制作流程接轨了——你在三维软件里搭好白模场景，直接丢给 Seedance，它给你渲染出实拍质感的成片；你在绿幕棚里拍好演员，直接让 Seedance 换背景、加特效。

莫潇羽@无忆研习社的角度看，这条升级对影视后期、广告制作、游戏 CG 这几个专业方向意义非常大。

3.4 核心升级三：时间戳级精准编辑，"改哪一秒改哪个人"

这一条是我认为最有想象力的能力。传统 AI 视频编辑，你只能"整段重新生成"，改一个细节要付出重生成一整段的成本。Seedance 2.5 支持按时间戳定向编辑：告诉模型"第 5 秒到第 8 秒改成 XX 运镜"，或者"把 12 秒这个人换成 YY"，它就在你指定的区间里做修改，其他区间保持不动。

新模型支持按时间戳控制和修改视频。用户可以指定某几秒出现什么动作、切换什么镜头，也能只调整人物、声音或运镜，不必整段重做。

我把它比喻成"从整段 Photoshop 变成 Photoshop 图层"。以前是 flatten 之后重画，现在可以图层化改动，效率完全不是一个量级。

用一段伪代码把这个思路写清楚：

输入：base_video.mp4（15 秒的已有生成结果）
编辑指令：
  0s ~ 4s   → 保持不变
  4s ~ 7s   → 运镜改为 FPV 贴地穿行
  7s ~ 11s  → 视角切换为顶视角俯拍
  11s ~ 15s → 手持近景 + 双人中景收尾
输出：edited_video.mp4（只有指定区间被重新生成）

结合官方给的早餐案例提示词看，这个能力已经能支持"分秒级分镜"的工作流。做后期的朋友可以想象一下：以后你不用在 Premiere 或 DaVinci 里手动切来切去，直接把分镜表写成时间戳指令喂给模型，它按秒帮你出片。

3.5 一致性与画质：把"油腻感"压下去

老玩家都知道，AI 视频最容易露馅的地方之一是"油腻感"。皮肤过分光滑、五官过分对称、光影过分完美，一看就是 AI 生成。Seedance 2.5 官方专门提到，在画质、音质、运动质量上做了优化，并有效弱化了视频生成中常见的油腻感。

我自己在即梦上跑了几条，直观感受是：

• 人物皮肤纹理更接近真实拍摄，毛孔和微瑕疵能看得到。
• 运动模糊更符合物理规律，快速动作不再是"每一帧都清晰"的诡异感。
• 镜头衔接更自然，两段素材过渡的时候不会突然色调跳变。

这些改进本身可能没有"30 秒长叙事"那么抓人眼球，但对"能不能直接作为成片交付"这件事影响巨大。做过 AI 短剧的都知道，观众不一定说得出"哪里怪"，但只要一觉得别扭，播放数据就会跌得很惨。

3.6 定价与分辨率上限（写稿时的近似情况）

价格这一段我要慎重讲，因为浮动很快。写稿时（2026 年 8 月初）火山方舟的定价页已经更新了 Seedance 2.5 的信息，参考媒体披露与官方文档：

• Seedance 2.5 相比 Seedance 2.0，API 价格上涨了大约五成。
• Seedance 2.5 官方定位为原生 4K 视频生成模型，即梦、豆包等 C 端产品会陆续开放到 4K 档位。但从上传的原始行业动态和火山方舟已挂出的价格页面看，API 首发档位目前只到 720P，2K 与 4K 是否同步开放到 API 侧、以及对应的定价系数，官方还没有明确公告，需要等 API 正式上线之后再看。这里给一句提醒：如果你近期就要接入 API 做批量生产，务必先跟火山方舟的售前确认好当前档位，避免按 4K 规划成本、结果只能出 720P 的尴尬。
• Seedance 2.0 的历史定价约为 按 720p/24fps 折算，1 秒不超过 1 元人民币；Seedance 2.5 按五成涨幅推算，接近 1.5 元每秒。

再对照一次 Seedance 2.0 mini 的历史数据：Seedance 2.0 mini 按 720P 规格折算，单秒生成成本约为 0.5 元。这说明字节自己内部就有"标准版"和"mini 版"两条产品线。个人猜测 Seedance 2.5 后续也会出对应的 mini 版本，把价格拉回到 UGC 创作者友好的区间。

AI 视频的价格变动非常快，上面是写稿时的近似行情。真正做预算之前，请以火山方舟的官方定价页面的实时数据为准。

3.7 一张表看清 Seedance 2.5 的全部升级

我用一张表把 Seedance 2.5 的关键升级点整理一下：

莫潇羽在这里插一句主观判断：Seedance 2.5 是一个非常明确的"专业化升级"版本。字节没有走"降价换用户"的路，而是选择"涨价换能力"。这个策略说明他们判断——AI 视频的商业化拐点已经到来，专业用户愿意为一致性和长叙事付更高的单位成本。

如果你是个人 UGC 创作者，Seedance 2.5 的性价比不一定合适，等 mini 版本可能更划算。但如果你是短剧团队、广告公司、影视后期，30 秒长镜头 + 50 份素材 + 时间戳编辑这一套组合拳，很有可能省下你半个月的后期人力。

四、MiniMax H3 完整拆解：把"AI 视频后期"的天花板重新定义

再看 MiniMax H3。它和 Seedance 2.5 走的路完全不同。Seedance 押注"更长、更工业化"，H3 押注"更便宜、更通用、更懂后期"。这两条路是互补的，不是替代的。

4.1 官方定位与体验入口

MiniMax H3 由稀宇科技（MiniMax）于 7 月 31 日发布。MiniMax 官方将它定位为"全模态生成模型"，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力，能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。

普通用户直接在海螺 AI 网页端或 App 里就能用，网页端已经把 H3 挂到了首页顶部。API 端已经国内外同步开放，模型 ID 分成三条：

• minimax-h3-text-to-video：纯文字生视频
• minimax-h3-image-to-video：图片生视频，支持首帧、尾帧、首尾双帧
• minimax-h3-reference-to-video：多素材参考生视频

三个 ID 共用一套 EvoLink 端点，参数上有轻微差异。这个设计其实很合理——把不同的创作意图从入口就分开，避免用户在一个大的 API 里"猜参数"。

4.2 全模态统一理解：跟 Seedance 走的不是同一条技术路线

这里要花一点篇幅讲讲 MiniMax H3 的技术选型。

从技术信息看，MiniMax H3 事实上做了模型底层的大量重构，甚至已经不只是一个"视频生成模型"。更准确的描述可能是：一个把全模态上下文能力拉满，用语言统一所有任务中间层，从而长出更泛化多模态能力的开源模型。

翻译成人话：H3 不是"视频专用模型"，它是一个能理解文字、图片、视频、音频的通用大模型，恰好可以生成视频。这个区别很关键。它意味着 H3 天然就能做"用文字描述一段视频里的品牌 logo 该怎么显示"这种跨模态任务。

MiniMax 主动"抛弃"了自己曾经引以为傲的 hailuo-02 架构，重新做了一个面向任务泛化的 H3-Omni Transformer 架构。这是一个理解与生成异构的训练架构，端到端提升了近 30% 的训练吞吐。

一个模型公司主动放弃自己上一代的架构去重构，这个决心不多见。它反映的是 MiniMax 对"通用性"的下注——比起做一款专精视频的模型，他们更愿意做一个通吃所有模态的通用底座。

4.3 12 份素材一起控制一条视频

跟 Seedance 2.5 的 50 份相比，H3 单次可接受 9 图 + 3 视频 + 3 音频，合计 12 份参考素材。数量少了不少，但仍然覆盖了绝大部分商业内容制作的需求。

具体怎么用？我把常见的组合方式列一下：

• 角色 + 场景 + 音乐：3 张角色形象 + 3 张场景参考 + 1 段音乐 → 出一段有配乐的角色片段。
• 首尾帧 + 参考视频：1 张首帧 + 1 张尾帧 + 1 段参考运镜视频 → 出一段过渡镜头。
• 多角色同框：几张不同角色的照片 + 一段群像参考视频 → 出一段多人互动场景。
• 动态海报：几张平面海报 + 一段目标动效参考 → 出一段动起来的海报。

H3 官方的定位场景很清楚：广告、电商、品牌、产品设计、UI / UX、游戏。这几个方向的共同点是"素材通常已经有一堆现成的了"，模型要做的不是凭空创造，而是把现成素材有机整合成一个能交付的成片。

4.4 商业内容的杀手锏：文字与品牌元素的稳定渲染

这一条是 H3 相比其他模型最有识别度的能力。过去 AI 视频最难的一件事就是"在动的画面里，让文字和 logo 保持稳定不变形"。这不是画质问题，而是模型对"这个元素是设计而不是自然物"的理解问题。传统模型会把 logo 当成一张普通的纹理，一动就变形。

MiniMax H3 可以搞定这种任务。比如一个飞行嘉宾出场，以前可能得做很复杂的动画然后 K 很多的帧，现在只要一个 Prompt。它还可以给几张平面海报，把排版、文字和视觉元素全部动起来，做成一支动态海报；也可以给它一堆照片，理解每张照片里的内容，自动做成有装饰、有节奏、有声音的 Vlog；甚至可以让它直接生成电影片头、歌词 VJ、时尚品牌 Campaign、游戏 UI、网页滚动动效和产品发布片。

这个能力清单看下来，H3 的定位非常明确：它想做的是 AI 时代的"After Effects"，不是"虚拟摄像机"。传统 AI 视频模型像一台会拍电影的摄像机；H3 更像一个会做后期动效包装的剪辑师。

从我做内容的角度看，这个方向是被严重低估的市场。过去半年 AI 视频的注意力都在"AI 短剧"上，但真正每天在互联网上流通量最大的视频类型，其实是广告、电商详情页动效、社媒推广素材、活动预热片。这些内容不追求奥斯卡镜头，只追求"文字要清楚、品牌要正确、节奏要抓人"。H3 恰好卡在这个位置上。

4.5 V2V 动作迁移：舞蹈、游戏动作、复杂运镜都能"照抄"

H3 还有一个我很喜欢的能力：视频到视频的动作迁移（V2V Motion Transfer）。

传统提示词描述"跳舞"这种复杂动作是非常吃力的。你要写"左手抬起，右脚点地，转体 90 度，然后跳跃"这种细节，模型也未必能理解得对。V2V 直接把这一层跳过了：你给一段现成的动作视频，模型把里面的动作节奏、姿态、运镜完整学下来，套到你指定的角色上。

H3 支持动作参考、指定元素替换、换背景、改写视频、实拍视频加特效、绿幕换背景、白模视频上色、视频续写延长、视频整体参考等等这些常用的功能，效果不错。

举个具体的应用场景。你想给游戏做一段角色动作展示，但是自己 K 帧太费时间。你可以：

• 找一段真人做类似动作的参考视频。
• 把游戏角色的形象图作为角色参考。
• 把游戏背景作为场景参考。
• 让 H3 生成一段角色做同样动作、在指定背景下、按参考视频节奏的成片。

短剧团队还可以用它做另一件事：用真人补拍做参考，让 AI 角色演相同的戏。这个操作等于把 AI 视频从"文字驱动"升级到了"表演驱动"。

需要提醒一句：如果你打算用 V2V 迁移知名艺人的动作、舞蹈或影视片段，务必确认自己已经拿到合法的授权。AI 视频的动作迁移能力越强，对参考素材的版权合规要求就越高。这一条在第八章会再细讲。

4.6 定价：真正的"性价比核弹"

价格是 H3 最直观的杀手锏。MiniMax H3 生成 2K 视频的价格为每秒 0.8 元。据 MiniMax 测算，这一价格约为业内同类旗舰视频模型的三分之一。

我把 H3 的定价档位整理一下：

按 Artificial Analysis 的美元对照，MiniMax 官方文档里 H3 是 0.13 美元每秒的 2K 视频（每分钟 7.80 美元），768P 档 0.09 美元每秒（每分钟 5.40 美元）标注为即将开放。前 5 张参考图免费，之后每张 0.04 美元，参考音频免费。

跟 Seedance 2.5 的写稿时估价（约 1.5 元每秒 720P）比，H3 的 2K 只要 0.8 元每秒，1 分钟 2K 视频算下来大概只要 50 元人民币左右。对做批量商业内容的团队来说，这个成本结构可以直接把"每天出 100 条广告素材"变成日常操作。

价格数据同样只是写稿时的近似情况，实际会调整，务必以官方页面为准。

4.7 开源计划：这是 H3 最"长远"的一步棋

魔搭社区显示，MiniMax H3 模型将于北京时间 8 月 3 日 0 点正式开源。

开源意味着什么？我总结几个层面：

第一层，企业本地部署。模型开源后，企业可根据自身数据和业务需求进行本地部署和优化，更好满足安全合规要求。这对金融、政务、大型集团特别重要，因为他们本来就不能把敏感数据上传到公有云 API。

第二层，社区生态爆发。开源模型历史上都会在 3 到 6 个月内长出一堆插件、微调版本、专项能力。H3 开源后，短时间内应该会有大量社区 fork 出现，比如"H3-动漫风"、"H3-国风人物"、"H3-电商详情页"等垂类版本。

第三层，芯片厂商适配。芯片厂商和开发者也可参与模型适配和性能优化，进一步降低使用成本。国内的英伟达替代方案（华为昇腾、寒武纪、摩尔线程等）都可以基于 H3 做深度适配，这对整个国产 AI 视频生态是长期利好。

莫潇羽@无忆研习社的判断是：闭源模型比拼的是当下的能力，开源模型比拼的是长期的生态。H3 的开源如果社区接得住，一年之后它的能力上限可能会远超发布时。

4.8 榜单表现：视频编辑第一，多模态生成前列

在 Artificial Analysis 视频编辑排行榜上，MiniMax H3 拿下第一。同时，在文本生视频排名第 2，图片生视频排名第 3。H3 在文本生视频里落后于 Google 的 Gemini Omni Flash；在图片生视频里排在 Seedance 2.0 和 Gemini Omni Flash 之后。

要提醒的是，Artificial Analysis 的榜单是基于用户盲评的，最新的 Seedance 2.5 因为刚发布不到 48 小时，还没进入榜单排名。所以现在的对比只是 H3 vs Seedance 2.0 的历史数据。等 Seedance 2.5 上线 API 之后，两者才会有真正的正面榜单对比。

也就是说，H3 在"视频编辑"这个子赛道拿下第一是确定的，其他子赛道要看后续榜单更新。视频编辑第一这件事本身已经非常能说明问题——它证明了 H3 在"改视频"这个能力维度上，是当前的全球最强。

五、原理科普：这些能力背后的"技术骨架"到底长什么样

到这里两款模型的能力就基本讲完了。有的读者可能会问：这些看似神奇的能力，背后到底是靠什么做到的？我在这一章尽量用白话解释一下几个关键技术点。理解原理有一个好处——你会知道模型的能力边界在哪，避免在实际使用时踩坑。

5.1 什么是"高压缩 Tokenizer"，为什么它能让价格降到三分之一

先说 MiniMax H3 便宜的秘密。H3 之所以能把 2K 视频价格降到主流模型的三分之一，源于系统级优化：MiniMax 通过高压缩 Tokenizer 降低视频生成所需的 Token 数量，同时在异构训练、负载均衡和 GPU 利用效率等方面进行了针对性调优。

Tokenizer 是什么？简单说，它是把连续的图像、视频、音频"切成一块块小方块"的工具。模型不能直接处理原始像素，它要把像素打包成 Token 才能算。视频信息量非常大，一段 15 秒 2K 视频原始数据可能是几百 MB，直接算 GPU 会爆。

Tokenizer 的作用就是用尽可能少的 Token 表示尽可能多的信息。高压缩 Tokenizer 意味着：同样一段视频，用更少的 Token 就能表达完整。Token 少了，GPU 计算就少了，成本就降下来了。

用做菜打个比方：Tokenizer 就像"切菜"这一步。粗切菜，锅里堆满，煮起来慢。细切菜、匀切菜、按最优顺序摆盘，同样的食材下锅时间就能缩短一半。H3 做的就是"更聪明的切菜"。

5.2 H3-VAE：4 倍序列长度收益

MiniMax 的 H3-VAE 拿到了 4 倍的序列长度收益。这也成了 H3 敢默认提供原生 2K，并且做到"2K 每秒不到主流模型三分之一"的底气。

VAE 是 Variational Autoencoder（变分自编码器）的缩写。这里不展开数学，只说结论：VAE 是负责把高维度的图像/视频"压缩"成低维度潜空间表示的模块。潜空间是模型真正在里面"画画"的地方。潜空间越小、越紧凑，模型算起来就越快。

H3-VAE 通过更好的架构设计，让同样一段视频在潜空间里的表示长度只有原来的四分之一。这意味着：

• 训练时同样的 GPU 显存，能训练更长的视频。
• 推理时同样的 GPU 时间，能生成更长、更清晰的视频。

4 倍的序列长度收益，直接反映到"能不能默认 2K"和"每秒定价能不能降"这两个用户可感知的指标上。

5.3 "In-context Regeneration"：不用超分模块的 2K 输出

这一条是 H3 挺有意思的一个巧思。MiniMax H3 的 2K 视频输出能力并没有使用常规超分模块，而是使用 H3 基础模型对自己的低分辨率结果进行 in-context 的重新生成，可最大程度地复用 H3 基模已经具备的生成能力，还拥有传统超分方案无法靠"猜"还原的信息。

传统做法是：模型先生成一段 720P 视频，再用一个专门的"超分辨率模型"把它拉大到 2K。这样做的问题是，超分模型只能"根据已有像素猜"应该加什么细节，很多时候会猜错，导致画面细节失真。

H3 的做法完全不同：把已经生成的低分辨率视频作为参考，让基础模型自己重新生成一遍 2K 版本。因为基础模型本身就理解视频的语义，它知道"这个是人脸，这个是布料，这个是金属反光"，重新生成时能把每个部分的细节都给对。

这个思路在业内其实挺新的，相当于"用生成模型代替超分模型"。它对硬件成本要求更高一些，但换来的画质提升值得。

5.4 时间戳编辑背后的思路：把视频当作有时间轴的"多层结构"

Seedance 2.5 的时间戳编辑能力，背后的思路我理解是这样的：模型在生成视频时，内部并不是"一帧一帧画"，而是把整段视频作为一个多维张量在潜空间里生成。这个张量有时间维度、空间维度、语义维度。

时间戳编辑等于告诉模型："在时间维度的 [4s, 7s] 这个片段里，用新的语义信息重新生成，其他维度保持原始张量不变。"这有点像 Photoshop 的选区加图层组：你选中一部分，只对这一部分做操作，其他区域保护起来。

这个能力对创作者的意义非常大。它意味着 AI 视频从"整段生成"进化到"局部可编辑"，从而更接近传统视频制作的工作流。做过 After Effects 或者 Nuke 的都知道，视频后期本质上就是"图层化的局部修改"。Seedance 2.5 把这个能力搬到了 AI 生成上。

5.5 长叙事一致性：不是"多帧连贯"，而是"角色特征持续跟踪"

30 秒长镜头背后的关键技术，是角色特征的持续跟踪。传统 A