MiniMax H3

MiniMax H3 merece la pena sobre todo si eres desarrollador, usuario de ComfyUI o un equipo que quiere controlar su propio pipeline de vídeo con IA: si lo que buscas es escribir una frase y obtener un anuncio acabado en un minuto, un SaaS cerrado sigue siendo más cómodo. MiniMax presentó H3 el 30 de julio de 2026 y publicó los pesos abiertos de H3-Base el 3 de agosto. No es un simple modelo «text-to-video»: es un sistema generalista que comprende de forma unificada texto, imágenes, vídeo y audio, y genera clips de 4–15 segundos a 24 FPS con audio estéreo sincronizado nativo (32 kHz, diálogos estables en 11 idiomas, español incluido). La resolución por defecto fija el lado corto en 768 píxeles; el 2K se obtiene mediante el flujo H3-Regenerate-2K.

Qué es MiniMax H3: tres piezas, no un solo modelo

Definir H3 solo como generador de vídeo desde texto es quedarse corto. El sistema completo incluye al menos tres componentes:

• H3-Context-IR: comprende las relaciones entre texto, imágenes, vídeo y audio, y serializa ese contexto en una representación intermedia que el modelo de generación puede ejecutar.
• H3-Base: genera vídeo y audio a partir de Context-IR, con salida principal a 768P. Es la parte cuyos pesos se han abierto.
• H3-Regenerate-2K: reintroduce el resultado a 768P junto con el contexto original para regenerarlo en 2K, con más detalle y fidelidad visual.

La pregunta de fondo que intenta resolver H3 no es «cómo convertir un prompt en vídeo», sino cómo hacer que un modelo entienda un conjunto de intenciones creativas y materiales de referencia y los convierta conjuntamente en una pieza audiovisual. Y conviene memorizar una distinción: H3-Base abierto no equivale a la experiencia H3 oficial, porque Context-IR y Regenerate-2K solo están disponibles mediante API.

Capacidades: referencias multimodales, instrucciones complejas y audio nativo

Ref2VA: hasta 12 archivos de referencia por generación

H3-Base funciona en dos modos. FL2VA admite generación sin imagen, con primer fotograma, con último fotograma o con ambos. Ref2VA permite usar hasta 9 imágenes, 3 vídeos y 3 audios como referencias multimodales (12 archivos combinados como máximo, con clips de referencia de 2–15 segundos). Esto separa la función de cada material:

La imagen define «qué aspecto tiene». El vídeo define «cómo se mueve». El audio define «cómo suena». El texto define «qué debe suceder».

Eso se parece mucho más a un flujo creativo real que subir una foto y dejar que el modelo improvise. Además, H3 admite transferencia de movimiento V2V, edición por instrucciones (sustituir, añadir o eliminar sujetos, reiluminar, cambiar el diálogo manteniendo estable el resto del plano) y renderizado preciso de texto en pantalla y elementos de marca.

El audio estéreo nativo es el cambio estructural

H3 genera vídeo y audio en una sola pasada: cuando un personaje habla, la boca coincide con el audio; los impactos y el ambiente se sincronizan con los acontecimientos visuales. Los diálogos se sostienen de forma estable en 11 idiomas, entre ellos español, inglés, chino, japonés, alemán, francés, portugués, árabe, italiano, coreano y ruso. El verdadero valor no es decorativo: la imagen y el sonido dejan de ser dos pipelines independientes. Ahora bien, eso no equivale a posproducción profesional: un proyecto comercial seguirá necesitando mezcla, doblaje y edición de audio propios.

Seguir prompts complejos: mérito con matices

La dificultad real de un prompt publicitario («auriculares negros sobre mesa de madera, cámara desplazándose de izquierda a derecha, luces en aumento, el producto inmóvil y el logotipo al final») está en mantener a la vez sujeto, espacio, cámara, movimiento, secuencia temporal y marca. H3 está diseñado para eso, y en comparativas con LTX 2.3 la comunidad le reconoce movimientos y respuestas más naturales. Pero «comprender un prompt complejo» no garantiza ejecutarlo siempre: las acciones continuas y los planos con varios sujetos siguen siendo difíciles, mientras que los planos sencillos y bien definidos dan resultados más estables.

Precio de MiniMax H3 a octubre de 2026

El modelo se paga de tres formas muy distintas según cómo lo uses:

• Pesos abiertos: gratis. H3-Base se descarga sin coste desde Hugging Face y ModelScope bajo la MiniMax H3 Community License, pero el coste real lo pagas en GPU, VRAM y almacenamiento.
• API oficial de MiniMax (plataforma internacional, a octubre de 2026): 0,08 USD por segundo de vídeo a 768P y 0,13 USD por segundo a 2K. El audio de entrada es gratuito, las 5 primeras imágenes de referencia no se cobran y H3-Context-IR se factura aparte por tokens. Un clip de 5 segundos a 2K sale, por tanto, en torno a 0,65 USD.
• Ecosistema y terceros: la app Hailuo AI permite probar H3 desde el navegador, y en Comfy Cloud el modelo está disponible con planes de créditos por suscripción desde 20 USD/mes (Standard) hasta 100 USD/mes (Pro), a octubre de 2026.

Para comparar: MiniMax cifra su 2K en unos 0,073–0,12 USD por segundo frente a unos 0,22 USD/s del 720p de Seedance 2.5, es decir, entre un 46 % y un 67 % más barato, según sus estimaciones publicadas a octubre de 2026.

Benchmarks: en qué puesto queda H3

No hay un benchmark oficial único, pero el ranking de preferencia humana a ciegas de Artificial Analysis Video Arena (última actualización citada por MiniMax, con datos verificados a octubre de 2026) sitúa a H3 así:

Categoría	Puesto	Puntuación Elo
Texto a vídeo con audio	#2, solo tras Gemini Omni Flash	1.242
Edición de vídeo con audio	#1, por delante de Google, ByteDance, Runway y Kling	1.130
Imagen a vídeo con audio	#3, junto a Seedance 2.0 y Gemini Omni Flash	1.185

En el lado práctico, las pruebas de la comunidad (no estandarizadas) muestran el coste real del despliegue local: un clip de 5 segundos a 480P en una RTX 3060 de 12 GB con 32 GB de RAM tardó unos 9 minutos, y un clip de 13 segundos en una GPU de 96 GB, unos 23 minutos. La documentación de SGLang indica que el conjunto completo ronda los 108 GB (DiT ~61,7 GB y codificador de texto ~46,2 GB), y el repositorio del modelo en Hugging Face llega a cerca de 498 GB: «descargarlo y probarlo» y «desplegar el pipeline completo» son cosas distintas. La compilación oficial de Comfy-Org reduce la huella a unos 42,5 GB mediante cuantización int8, suficiente para experimentos en una RTX 3060–4090 con offload, pero no para igualar la velocidad de una API comercial.

Ventajas e inconvenientes de MiniMax H3

• ✅ Audio estéreo nativo sincronizado en la misma pasada que el vídeo, con diálogos en español.
• ✅ Referencias multimodales reales (9 imágenes + 3 vídeos + 3 audios) para fijar identidad, movimiento, cámara y voz.
• ✅ Pesos abiertos de H3-Base y un ecosistema que crece rápido: ComfyUI, Diffusers, SGLang, ControlNet, LoRA y conversiones GGUF.
• ✅ Lidera la edición de vídeo con audio en Artificial Analysis y rinde muy alto en texto a vídeo con sonido.
• ❌ El pipeline completo (Context-IR y Regenerate-2K) sigue cerrado: sin API no hay 2K oficial.
• ❌ Licencia comunitaria restrictiva, nada comparable a Apache 2.0 o MIT.
• ❌ Requisitos de hardware enormes: 108 GB de pesos y decenas de minutos por clip en local.
• ❌ Problemas típicos de los modelos de vídeo sin resolver: deriva en movimientos prolongados, identidad de personaje inestable, deformaciones en movimientos rápidos, interacciones multi-sujeto difíciles y pérdida de nitidez por el VAE. Un test comunitario de 50 clips con pesos locales detectó además degradación del audio (sílabas repetidas) con cierta frecuencia.

Recordatorio clave al evaluarlo: que el primer fotograma sea espectacular no significa que el vídeo lo siga siendo diez segundos después. El indicador de producción es la continuidad temporal completa, no una captura suelta.

La licencia: pesos abiertos no significa abierto sin condiciones

H3 usa la MiniMax H3 Community License. Sus puntos críticos, vigentes a octubre de 2026:

• La descarga y el despliegue local excluyen Estados Unidos, la Unión Europea, Reino Unido y Corea del Sur; existe un canal para solicitar autorización en esas regiones. Para una empresa española o latinoamericana con matriz en la UE, esto es un filtro previo a cualquier decisión técnica.
• Empresas con ingresos anuales superiores a 20 millones de USD necesitan autorización escrita previa.
• Los productos comerciales deben mostrar de forma visible «MiniMax H3» e implementar medidas de seguridad razonables al ofrecer el servicio a terceros.
• Los outputs y el modelo no pueden usarse para entrenar o afinar otros modelos de IA.

Por tanto: es preciso decir que H3 ha abierto sus pesos, no que es un modelo comercial totalmente abierto. Quien evalúe H3 para producción debería revisar la licencia al mismo nivel que la GPU, la VRAM y el framework de inferencia.

MiniMax H3 frente a modelos comerciales cerrados (Veo, Sora, Kling, Seedance)

Dimensión	MiniMax H3	Modelos comerciales cerrados
Calidad de vídeo	Nivel de creación muy alto; #1 en edición con audio (a octubre de 2026)	Variable según producto; Veo 3.1 sigue liderando en acabado cinematográfico 4K
Referencias multimodales	Muy potente: hasta 12 archivos combinados	Depende del producto concreto
Audio nativo	Vídeo y sonido sincronizados en una pasada	Algunos lo admiten
Despliegue local	H3-Base desplegable en local	No
Desarrollo secundario	Pesos abiertos, LoRA, ControlNet, ecosistema en auge	Normalmente limitado
Velocidad de generación	Minutos por clip según hardware local	Más cómodo en la nube
Coste	Gratis en pesos; GPU a cargo del usuario; API 0,08–0,13 USD/s	Suscripción o API
Pipeline 2K completo	Depende de Context-IR y Regenerate-2K vía API	Suele estar integrado
Barrera de entrada	Alta	Baja

No hay respuesta universal. Para un creador convencional, lo importante es «escribir y obtener un vídeo terminado», y ahí un servicio cerrado gana. Para desarrolladores e investigadores, la libertad sobre modelo, workflow y despliegue pesa más, y los pesos abiertos de H3 son difíciles de igualar. Si vienes de Sora o Veo 3, la diferencia no es solo de calidad: es de control.

¿Para quién es MiniMax H3? ¿Merece la pena en tu caso?

Encaja especialmente con:

• Desarrolladores de vídeo con IA y de agentes de vídeo.
• Usuarios de ComfyUI que quieren workflows privados y reproducibles.
• Investigadores de modelos abiertos y equipos que entrenan LoRA o adaptadores.
• Creadores que necesitan fijar resultados con imágenes o vídeos de referencia.
• Publicidad, fichas de producto para comercio electrónico, previsualizaciones de videojuegos y contenido vertical con diálogo.

Si tu necesidad es «introduzco una frase y quiero un vídeo publicitario estable ahora mismo», la ruta real de H3 en local es: modelo → GPU → ComfyUI o framework de inferencia → prompt → workflow → múltiples intentos → posproducción. Es otra experiencia de producto. Y para el usuario general en España o la UE, recuerda: los pesos abiertos no se pueden desplegar allí legalmente sin autorización, de modo que la vía práctica es la API o las apps que la envuelven.

Preguntas frecuentes sobre MiniMax H3

¿MiniMax H3 es gratis?

Los pesos de H3-Base son gratuitos bajo su licencia comunitaria, y la app Hailuo AI permite probar el modelo. La API oficial es de pago por uso: 0,08 USD/s a 768P y 0,13 USD/s a 2K a octubre de 2026. Gratis no significa barato: el despliegue local consume GPU, tiempo y almacenamiento.

¿Dónde descargar MiniMax H3?

En Hugging Face (MiniMaxAI/MiniMax-H3), ModelScope y el repositorio oficial de GitHub. La vía más cómoda es ComfyUI con la compilación optimizada de Comfy-Org (~42,5 GB), que funciona desde una RTX 3060 con offload, aunque a velocidad muy inferior a la API.

¿Qué GPU necesito para ejecutarlo en local?

Para experimentar, 12 GB de VRAM con cuantización y offload; para producción seria, 48–96 GB o más. Con 12 GB, un clip de 5 segundos a 480P puede llevar unos 9 minutos según pruebas de la comunidad.

¿H3 genera audio en español?

Sí. El español está entre los 11 idiomas con soporte estable de diálogos (32 kHz estéreo), junto con inglés, chino, japonés, alemán, francés, portugués, árabe, italiano, coreano y ruso.

¿Puedo usar los vídeos que genero comercialmente?

Depende de la licencia. Con pesos locales, el uso comercial está condicionado (umbral de 20 M USD de ingresos, marca visible «MiniMax H3», prohibición de entrenar otros modelos y exclusión de despliegue local en EE. UU., UE, Reino Unido y Corea del Sur). En servicios alojados oficiales o socios como Comfy Cloud, los derechos comerciales suelen venir incluidos en el plan.

¿H3 sustituye a Veo 3 o Sora?

Para planos heroicos cinematográficos con posproducción inmediata, los cerrados siguen más cómodos. Para series coherentes con personajes, voces y movimientos de referencia a coste por segundo bajo, H3 es hoy una de las alternativas más serias, y el único de ese nivel con pesos abiertos.

Valoración final: 4,5 / 5,0

Criterio	Puntuación
Calidad de vídeo	4,5/5
Comprensión multimodal	4,7/5
Seguimiento de prompts	4,5/5
Controlabilidad	4,4/5
Sincronización audio-vídeo	4,5/5
Consistencia de personajes	4,2/5
Valor de los pesos abiertos	4,8/5
Despliegue local	4,6/5
Ecosistema de desarrolladores	4,7/5
Coste de uso	4,4/5
Requisitos de hardware	3,3/5
Producción comercial	4,3/5

Lo importante de MiniMax H3 no es si es «el mejor modelo de vídeo del momento», sino que reúne en una sola cadena capacidades antes separadas: comprensión multimodal → referencias → generación de vídeo → audio nativo → pesos abiertos → workflows comunitarios. Su otra cara también es clara: el pipeline oficial completo sigue parcialmente cerrado, el despliegue local exige recursos enormes, la continuidad temporal necesita muchos intentos y la licencia está lejos de las abiertas tradicionales.

Si esperabas «un Sora gratuito», te decepcionarás. Si lo entiendes como un modelo base de generación audiovisual multimodal con pesos abiertos y un ecosistema en rápido crecimiento, su relevancia cambia por completo: la cuestión de fondo es si un modelo que entiende texto, imagen, vídeo y audio a la vez puede evolucionar de «modelo» a infraestructura abierta del vídeo generado por IA. H3 ha dado un paso firme en esa dirección, pero la respuesta definitiva dependerá de los datos reales de producción.