MiniMax H3 ra mắt: Model video đa phương thức 2K, tham chiếu ảnh–video–audio và giá từ 0,09 USD/giây
MiniMax H3 là model video đa phương thức mới hỗ trợ text, ảnh, video và audio, đầu ra 2K dài 4–15 giây, tối đa 12 tài sản tham chiếu và giá API từ 0,09 USD mỗi giây.
Cập nhật ngày 31/7/2026: MiniMax vừa công bố H3, một model video đa phương thức mới được thiết kế để tiếp nhận đồng thời văn bản, hình ảnh, video và âm thanh trong cùng một cấu trúc đầu vào. Thay vì tách text-to-video, image-to-video, tham chiếu nhân vật, tham chiếu chuyển động và tham chiếu giọng nói thành những hệ thống gần như độc lập, MiniMax H3 gom chúng vào một API thống nhất, hỗ trợ tạo video, sáng tạo dựa trên tài sản tham chiếu và chỉnh sửa video.
Thông báo mới đáng chú ý không chỉ vì thông số đầu ra 2K. Giá trị lớn hơn nằm ở khả năng dùng nhiều loại tài sản để điều khiển kết quả: người dùng có thể đưa ảnh để giữ nhận diện nhân vật hoặc sản phẩm, video để tham chiếu chuyển động và nhịp dựng, audio để tham chiếu giọng nói hoặc âm thanh, sau đó mô tả cảnh cần tạo bằng prompt dài tới 7.000 ký tự.
Theo tài liệu API chính thức được MiniMax cập nhật cùng thời điểm, H3 tạo video dài từ 5 đến 15 giây, hỗ trợ tối đa 9 ảnh, 3 video và 3 audio tham chiếu, với tổng số file hỗn hợp không vượt quá 12. Giá pay-as-you-go hiện là 0,13 USD mỗi giây cho đầu ra 2K và 0,09 USD mỗi giây cho 768P. Đây là một cấu trúc giá dễ tính hơn mô hình tính theo từng clip cố định, nhưng chi phí thực tế còn phụ thuộc vật liệu đầu vào, đặc biệt là số ảnh vượt ngưỡng miễn phí và tổng thời lượng video tham chiếu.
MiniMax H3 là gì?
MiniMax mô tả H3 là một model video đa phương thức đa dụng. Model hiểu thống nhất bốn loại đầu vào: text, image, video và audio. Từ đó, H3 hỗ trợ ba nhóm tác vụ chính:
- Text-to-video: tạo video hoàn toàn từ mô tả văn bản.
- First/last-frame image-to-video: dùng ảnh mở đầu, ảnh kết thúc hoặc cả hai để kiểm soát điểm bắt đầu và kết thúc của chuyển động.
- Reference generation: dùng ảnh, video hoặc audio làm tham chiếu cho nhân vật, chuyển động, camera, phong cách, giọng nói hoặc nhịp dựng.
Tài liệu cũng nêu khả năng video editing, dù ví dụ API công khai hiện tập trung nhiều nhất vào bốn workflow: text-to-video, image-to-video với first frame, first-and-last-frame và reference-to-video. Vì vậy, ở thời điểm hiện tại, developer nên đánh giá khả năng chỉnh sửa dựa trên endpoint, tham số và kết quả thực tế thay vì suy rộng rằng H3 đã thay thế hoàn toàn phần mềm biên tập video.
Tên model dùng trong API là MiniMax-H3. Request được gửi tới endpoint phiên bản V2 với mảng content[]; mỗi phần tử được phân biệt bằng loại text, image_url, video_url hoặc audio_url, đồng thời có thể được gắn vai trò như first_frame, last_frame, reference_image, reference_video hoặc reference_audio.
Thông số đầu ra: 2K và thời lượng tối đa 15 giây
MiniMax H3 hỗ trợ đầu ra 2K, thời lượng từ 5 đến 15 giây và chỉ chấp nhận giá trị số nguyên. So với những model video giới hạn ở clip 5–6 giây, ngưỡng 15 giây tạo thêm không gian cho một cảnh có mở đầu, hành động chính và điểm kết thúc tương đối rõ.
Tuy vậy, 15 giây vẫn là một shot ngắn chứ chưa phải một video hoàn chỉnh. Đối với quảng cáo, trailer, video giải thích hoặc nội dung mạng xã hội dài hơn, creator vẫn phải chia kịch bản thành nhiều shot, giữ continuity giữa các lần tạo và dựng lại trong timeline. H3 có thể giảm độ khó ở bước giữ nhân vật, chuyển động hoặc phong cách bằng reference input, nhưng không loại bỏ nhu cầu storyboard, chọn shot và hậu kỳ.
Cụm từ “2K” cũng nên được hiểu đúng. Độ phân giải đầu ra cao hơn có lợi cho crop, reframing, typography và hiển thị trên màn hình lớn, nhưng không tự động bảo đảm mọi chi tiết đều chính xác. Chất lượng khuôn mặt, bàn tay, vật thể, chữ trên sản phẩm, vật lý chuyển động và tính nhất quán vẫn cần được kiểm tra bằng chính workload của người dùng.
H3 nhận được bao nhiêu ảnh, video và audio tham chiếu?
Đây là phần tạo khác biệt rõ nhất của MiniMax H3. Trong chế độ reference generation, API cho phép:
- Tối đa 9 ảnh tham chiếu.
- Tối đa 3 video tham chiếu.
- Tối đa 3 audio tham chiếu.
- Tổng số file hỗn hợp tối đa 12.
Mỗi video tham chiếu phải dài từ 2 đến 15 giây, trong khi tổng thời lượng của tất cả video không được vượt quá 15 giây. Quy tắc tương tự áp dụng cho audio: mỗi clip dài 2–15 giây, tổng thời lượng tối đa 15 giây. Audio không thể được gửi một mình; nó phải đi kèm ít nhất một ảnh hoặc video.
Giới hạn này khuyến khích người dùng chọn tài sản ngắn và có mục đích rõ ràng. Thay vì gửi một video dài chứa nhiều hành động, nên cắt đúng đoạn chuyển động cần tham chiếu. Thay vì đưa chín ảnh gần như giống nhau, nên chọn các góc giúp model hiểu khuôn mặt, trang phục, tỷ lệ cơ thể, vật liệu sản phẩm hoặc không gian.
Ảnh first frame và last frame có yêu cầu kích thước chiều rộng và chiều cao trong khoảng 256–5.760 pixel, tỷ lệ khung hình từ 2:5 đến 5:2. Ảnh tham chiếu cũng có giới hạn kích thước tương tự. Video được hỗ trợ ở H.264/AVC hoặc H.265/HEVC; ảnh hỗ trợ JPG, JPEG, PNG, WEBP, HEIC và HEIF; audio hỗ trợ WAV và MP3.
Giá API MiniMax H3 mới nhất
MiniMax đang tính H3 theo số giây đầu ra:
| Độ phân giải | Giá mỗi giây | Clip 5 giây | Clip 10 giây | Clip 15 giây |
|---|---|---|---|---|
| 2K | 0,13 USD | 0,65 USD | 1,30 USD | 1,95 USD |
| 768P | 0,09 USD | 0,45 USD | 0,90 USD | 1,35 USD |
Đây mới là chi phí đầu ra cơ bản. Phần vật liệu tham chiếu có quy tắc riêng:
- Audio: miễn phí.
- Ảnh: 5 ảnh đầu miễn phí; từ ảnh thứ sáu trở đi tính 0,04 USD mỗi ảnh.
- Video: tính theo thời lượng video đầu vào và độ phân giải đầu ra: 0,13 USD/giây khi xuất 2K hoặc 0,09 USD/giây khi xuất 768P.
Ví dụ, một clip 10 giây 2K chỉ dùng prompt và tối đa năm ảnh sẽ có giá đầu ra khoảng 1,30 USD. Nếu dùng chín ảnh, bốn ảnh vượt ngưỡng miễn phí tạo thêm 0,16 USD, tổng khoảng 1,46 USD.
Nếu tạo video 10 giây 2K và dùng thêm một video tham chiếu dài 10 giây, riêng phần video đầu vào được tính thêm 1,30 USD. Tổng cơ bản lúc này là 2,60 USD, chưa tính ảnh vượt ngưỡng. Với chín ảnh đi kèm, tổng ước tính là 2,76 USD.
Điều này cho thấy reference video là công cụ mạnh nhưng cũng là yếu tố làm chi phí tăng nhanh. Một đội sản xuất nên theo dõi chi phí trên mỗi shot được chấp nhận, không chỉ chi phí trên mỗi request. Nếu một shot phải tạo lại năm lần, giá thực tế cao hơn nhiều so với bảng niêm yết.
So với Hailuo 2.3, cấu trúc giá H3 thay đổi ra sao?
Các model Hailuo cũ được MiniMax niêm yết theo giá từng clip và độ dài cố định. Ví dụ, Hailuo 2.3 Fast có mức giá riêng cho video 6 giây hoặc 10 giây ở 768P và 1080P. H3 chuyển sang tính phí theo giây, hỗ trợ 768P và 2K, đồng thời tách rõ chi phí vật liệu tham chiếu.
Không nên kết luận chỉ từ đơn giá rằng H3 luôn rẻ hơn hoặc tốt hơn Hailuo 2.3. H3 có phạm vi điều khiển đa phương thức rộng hơn, nhưng chi phí video tham chiếu có thể làm tổng hóa đơn tăng. Lựa chọn hợp lý cần dựa trên tỷ lệ shot đạt yêu cầu, thời gian chỉnh sửa, độ nhất quán nhân vật và chất lượng đầu ra ở use case cụ thể.
Các use case thực tế đáng chú ý
Giữ nhận diện nhân vật hoặc người mẫu
Nhiều ảnh tham chiếu giúp cung cấp các góc mặt, trang phục và đặc điểm hình thể. Creator có thể dùng H3 để tạo một chuỗi shot có cùng nhân vật thay vì chỉ phụ thuộc một first frame. Tuy nhiên, mỗi shot vẫn cần kiểm tra consistency và không nên dùng hình ảnh người thật khi chưa có quyền hoặc sự đồng ý phù hợp.
Tạo video sản phẩm
Ảnh sản phẩm từ nhiều góc có thể giúp giữ hình dáng, chất liệu và màu sắc tốt hơn. Video tham chiếu có thể cung cấp cách camera di chuyển hoặc nhịp chuyển cảnh. Với quảng cáo thương mại, cần kiểm tra logo, chữ trên bao bì và chi tiết kỹ thuật vì model tạo sinh có thể làm sai những phần này.
Tham chiếu chuyển động và camera
Một clip ngắn có thể mô tả điệu nhảy, thao tác tay, chuyển động camera hoặc nhịp dựng. H3 cho phép kết hợp clip đó với ảnh nhân vật hoặc sản phẩm khác. Đây là workflow hữu ích cho storyboard động, concept trailer và thử nghiệm pre-visualization.
Giữ giọng nói hoặc đặc điểm âm thanh
Audio reference có thể được dùng cùng ảnh hoặc video để tham chiếu giọng nói và âm thanh. MiniMax không tính phí material audio, nhưng người dùng vẫn phải quản trị quyền giọng nói, quyền biểu diễn, dữ liệu cá nhân và nguy cơ giả mạo.
Tạo transition có điểm đầu và cuối rõ
First-and-last-frame phù hợp khi editor đã có hai keyframe và cần model tạo đoạn chuyển ở giữa. Ví dụ gồm biến đổi tuổi tác, chuyển cảnh sản phẩm, thay trang phục hoặc chuyển từ bố cục rộng sang cận cảnh. Hai frame càng tương thích về bố cục và logic chuyển động, khả năng tạo transition tự nhiên càng cao.
Workflow API của MiniMax H3
Video generation là quy trình bất đồng bộ. Developer không gửi request rồi chờ toàn bộ file video trong cùng một kết nối. Luồng cơ bản gồm:
- Gửi request tạo video tới endpoint V2 và nhận
task_id. - Dùng
task_idđể kiểm tra trạng thái theo chu kỳ. - Khi trạng thái thành công, lấy URL video từ phản hồi và tải file về hệ thống.
MiniMax khuyến nghị polling với khoảng cách hợp lý, ví dụ 10 giây, để tránh tạo tải không cần thiết. Ứng dụng production cần xử lý các trạng thái thất bại, hủy hoặc hết hạn; đặt timeout; lưu request ID; và không báo thành công chỉ vì bước tạo task đã trả HTTP 200.
Một payload text-to-video tối giản có thể trông như sau:
{
"model": "MiniMax-H3",
"content": [
{"type": "text", "text": "Mô tả cảnh, chuyển động và camera"}
],
"duration": 10,
"resolution": "2K",
"ratio": "16:9"
}Đối với image-to-video hoặc reference generation, developer thêm phần tử image_url, video_url hoặc audio_url cùng vai trò tương ứng. File lớn nên được cung cấp qua URL thay vì nhúng trực tiếp, vì body của request bị giới hạn ở 64 MB.
Điểm cần thận trọng về cụm từ “open”
Tài liệu MiniMax gọi H3 là một model “open, general-purpose multimodal video model”. Tuy nhiên, tại thời điểm bài viết được kiểm tra, thông tin công khai dễ truy cập nhất nằm ở API Docs và trang sản phẩm; chưa có đường dẫn repository, model card tải trọng số hoặc giấy phép self-host được trình bày rõ trong những tài liệu này.
Vì vậy, không nên tự động diễn giải từ “open” thành “đã phát hành open weights cho phép tải về và tự triển khai”. Developer quan tâm self-host cần chờ hoặc tìm thông báo riêng về repository, trọng số, license, yêu cầu phần cứng và phạm vi sử dụng thương mại.
Sự phân biệt này quan trọng đối với SEO và truyền thông. Bài viết có thể nói MiniMax mô tả H3 là open, nhưng không nên khẳng định người dùng đã có thể tải weights nếu chưa có bằng chứng trực tiếp.
Hạn chế cần đánh giá trước khi đưa H3 vào production
- Thời lượng tối đa 15 giây: video dài phải được chia shot và dựng lại.
- Chi phí reference video: được tính theo toàn bộ thời lượng đầu vào, có thể làm giá tăng gấp đôi hoặc hơn.
- Giới hạn material: tối đa 12 file hỗn hợp và tổng video/audio tham chiếu 15 giây.
- Không có benchmark thay thế eval riêng: demo đẹp không chứng minh model phù hợp mọi ngành hoặc mọi phong cách.
- Rủi ro quyền và giả mạo: hình ảnh, giọng nói và chuyển động người thật cần consent và provenance.
- Độ ổn định API: ứng dụng phải xử lý queue, timeout, retry, lỗi tải file và thay đổi phiên bản.
Trước khi tích hợp sâu, đội ngũ nên tạo một golden set gồm các prompt và tài sản đại diện: chân dung, sản phẩm, chuyển động nhanh, camera phức tạp, nhiều nhân vật, typography và cảnh có logic vật lý. Mỗi output được chấm theo consistency, độ đúng vật thể, chuyển động, camera, âm thanh, thời gian hậu kỳ và chi phí trên shot dùng được.
MiniMax H3 có ý nghĩa gì với creator và đội content?
Điểm quan trọng nhất của H3 là quá trình tạo video ngày càng chuyển từ prompt đơn sang điều phối tài sản. Creator không chỉ viết mô tả; họ phải xây một source packet gồm ảnh nhân vật, clip chuyển động, audio, storyboard và quy tắc sử dụng. Chất lượng đầu ra phụ thuộc nhiều vào việc chọn, cắt và gắn vai trò đúng cho từng asset.
Đây cũng là lý do provenance trở nên quan trọng. Mỗi ảnh, video hoặc audio tham chiếu cần có nguồn, người sở hữu, quyền sử dụng và mục đích. Đội ngũ có thể tham khảo bài Content Supply Chain có provenance: từ source packet đến media rights để xây quy trình quản trị tài sản trước khi đưa chúng vào model video.
Với solopreneur sử dụng nhiều model, H3 nên được xem như một worker chuyên video trong kiến trúc routing. Model ngôn ngữ có thể viết brief và shot list; H3 tạo clip; một hệ thống khác kiểm tra metadata và lưu file; con người chọn shot, kiểm tra quyền và dựng cuối. Khung phân vai có thể xem thêm tại bài Xây bộ AI đa mô hình cho solopreneur năm 2026.
Kết luận
MiniMax H3 đưa ra một cấu hình hấp dẫn cho video AI: đầu vào thống nhất gồm text, ảnh, video và audio; đầu ra 2K dài tối đa 15 giây; reference generation với tối đa 12 tài sản; cùng cách tính giá theo giây tương đối minh bạch.
H3 đặc biệt đáng quan tâm với creator, studio nhỏ và developer cần giữ nhân vật, sản phẩm, chuyển động, camera hoặc giọng nói nhất quán giữa prompt và tài sản tham chiếu. Tuy nhiên, giá trị thực tế không nên được đánh giá chỉ bằng demo. Chi phí reference video, tỷ lệ shot phải tạo lại, thời gian hậu kỳ, quyền sử dụng media và độ ổn định API đều cần được đưa vào phép tính.
Ở thời điểm hiện tại, cách tiếp cận hợp lý là thử H3 trên một bộ workload nhỏ nhưng đại diện, ghi lại chi phí trên shot được chấp nhận và giữ toàn bộ asset có provenance. Đồng thời, cần thận trọng với cụm từ “open” cho đến khi MiniMax công bố rõ repository, weights và license self-host.
Nguồn chính thức
