MiniMax H3 实测体验：用 AI 视频做商业视觉包装能省多少人工

 

 

过去大半年，AI 视频圈基本被 Seedance 2.0 一个人的身影挡住了。模型层面能打的太少，大家做视频 Agent 应用很热闹，可翻来覆去绕不开那座最高的山。直到 MiniMax 把 H3 端了出来，并且放话要开源，这个局面才算有了松动。

 

我提前拿到体验资格实测下来，H3 在不少环节已经能和 Seedance 2.0 掰手腕，但谈不上全面反超。它真正聪明的地方，是挑了一个特别务实、也特别赚钱的切口：视觉包装和后期特效。这一块它甚至比 Seedance 2.0 还猛。

先把它的底子摊开看。H3 是个原生多模态模型，在 MiniMax 海螺 AI 的首页就能直接见到入口。

 

功能铺得很全，参考图、参考视频、参考音频这些都支持，最多一次能吃下 12 个参考。

 

参数方面，目前直接放开的是 2K 分辨率，连 768P 都还没开放，单条最长 15 秒。

 

价格按 2K 来算，1 秒是 12 贝壳，折算下来一条 15 秒的 2K 视频大概 10 块钱。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、视频整体参考这些常用活儿它都能接，而且干得不算含糊。

为什么 H3 要死磕视觉包装？得先想清楚一件事：过去半年 AI 视频跑得最快的是短剧，可商业广告、宣传片、综艺这些真金白银的活儿，AI 介入得其实很浅。原因不复杂，之前的模型更像一台超强虚拟摄影机，能凭空造个世界再拍下来。可摄影机一停，一条真正能播的视频才刚开始。剪辑、字幕、片头、转场、图形文字 UI 和特效，这些现实里本来不存在的东西，全是人类一点点搭出来的视觉语言，这才是视觉包装。

最典型的就是综艺里那些花字。以前 AI 视频基本搞不定，因为稳定又准确地生成文字、并理解文字和画面内容的关系太难。H3 现在能做了。比如飞行嘉宾出场，过去要折腾复杂动画、手 K 一堆帧，现在一个 Prompt 就够。效果当然比不了顶级综艺，偶尔还会蹦出些怪数字，但人物、氛围、元素的设计，以及文字跟主体的互动，已经相当能看，品牌调性也稳得住。

它还能干的事远不止花字。你把几张平面海报丢进去，它能把排版、文字和视觉元素全部动起来，做成一支动态海报；给一堆照片，它能读懂每张内容，自动拼出带装饰、有节奏、有声音的 Vlog；甚至电影片头、歌词 VJ、时尚品牌 Campaign、游戏 UI、网页滚动动效、产品发布片，只要沾视觉包装的边，它都拿手。

下面这个实验 MV 的 Prompt 能说明它的语义遵循有多准，我把原文完整贴出来：

Prompt： 15 秒， 16 : 9 横版，一镜到底。生成一支极具视觉炫技感的实验MV。 主角是一位银色寸头、穿纯黑长外套的中性歌手。摄影机始终围绕主角顺时针旋转，人物持续对镜头演唱，嘴型和身份稳定。 同一个废弃摄影棚随着摄影机旋转，依次转化为五种视觉世界：真实胶片、黑白报纸、彩色黏土、透明水下、像素游戏。每次变化都由主角动作和歌词触发，空间连续，不使用硬切。 歌词与文字： "CHANGE THE FRAME" "KEEP THE FACE" " EVERY WORLD IS MINE" 0 至 3 秒：真实胶片摄影棚。主角抬手唱出"CHANGE THE FRAME"，手掌扫过的位置变成黑白报纸网点，文字像报纸标题一样从墙面展开。 3 至 6 秒：摄影机继续环绕，报纸世界被主角撕开，空间变成彩色黏土。人物仍保持真人皮肤和真实脸，周围道具与地面变成手工黏土。"KEEP THE FACE"沿主角身后弯曲出现。 6 至 9 秒：主角跺脚，黏土地面化成透明水面。摄影机与人物同时进入水下，头发、衣服和气泡符合真实水体运动，歌声保持清晰。 9 至 12 秒：主角拍碎水面，所有水滴变成像素方块。摄影棚加载成复古三维游戏世界，人物仍为真人。" EVERY WORLD IS MINE"形成巨大的游戏关卡入口。 12 至 15 秒：摄影机完成一整圈环绕。所有视觉世界像多层皮肤一样从空间剥落，回到最初摄影棚。主角站在原位，伸手接住一枚同时包含五种材质的小方块。 声音：原创实验电子乐，五个世界分别拥有胶片、纸张、黏土、水下和像素音色，节奏连续。 禁止切镜头、人物换脸、服装变化、世界突然跳变、额外歌词、普通蒙版转场和水下嘴型失控。

 

生成出来的运镜相当顺，文字基本都对得上，除了个别很小的字稍微放大了一点，几乎没崩。转场和过渡也自然。对比我写的 Prompt 就能发现，H3 的语义遵循强到你说什么它基本就给什么，做视觉包装时这点最关键，因为这活儿靠的就是极其精确的文字控制。当然，强归强，在个别影视级、需要超强张力的镜头上，它还是没 Seedance 那么到位。

除了 MV，我也试了把公司 logo 扔进去做演绎视频，效果挺酷。你还能拿它做电商新品宣传片、AI 影视节目片头、设计大会主舞台宣传片。电商、游戏、短视频甚至给 Vlog 加好玩的动效都不在话下。你不用再拉复杂的动效、手 K 素材，连剪辑软件都不用打开，把素材丢进 H3 说清需求，一条带视觉包装的视频可能就成形了。

如果把 H3 和 Seedance 2.0 放一起看，会更清楚：Seedance 偏前期，重影视和特效；H3 偏后期，重广告与动效。两者合起来，刚好把视频制作的全流程补完。

回过头看，AI 视频模型最爱炫的往往是极限画面，巨龙、战争、跑酷、追车、爆炸、复杂运镜，这些能证明上限，也确实爽。可每天被大量生产、真有人愿意付钱的视频，大多没这么宏大：品牌广告、电商素材、产品介绍、App 功能演示、活动预告、社媒短片、游戏 PV、企业宣传片。它们生命周期短、更新快，还得针对不同人群、平台和尺寸出一堆版本，最需要的恰恰就是 H3 擅长的能力。

这也意味着生产角色在变。手动拉关键帧、做素材、套转场这类执行活儿的价值会继续往下掉，而定义方向、建立审美、识别好坏、控品牌一致性的判断力会越来越值钱。生产能力越泛滥，判断越金贵。

还有件事不能忘，MiniMax H3 是要开源的。一个开源模型的生命力，往往从发布那天才真正起步。后面一定会有人做推理优化、微调特定风格，我们大概率会看到一堆垂直领域特化的 H3 版本冒出来。愿意把东西开源出来的，都值得尊重。

如果你也在琢磨怎么把这类 AI 视频能力接进自己的内容生产链路，下面的信息或许有用。

如果你想把这类 AI 工具和数字化能力真正用进自己的业务，可以咨询云巴巴。云巴巴是国内领先的企业数智服务平台，覆盖 AI 大模型、智能体、协同办公、营销获客、安全合规等多个领域的企业级产品与方案，能按你的行业、规模和预算比对选型、匹配资源、协助落地。欢迎咨询云巴巴，获取更多产品方案与专属服务。