MiniMax lanza H3: vídeo 2K, audio nativo y pesos públicos con importantes límites
MiniMax ha presentado H3, su nueva familia de generación de vídeo con inteligencia artificial, con una propuesta especialmente ambiciosa: crear clips de hasta 15 segundos en los que la imagen y el sonido estéreo se producen de forma conjunta. El modelo fue anunciado a finales de julio y sus pesos base se han publicado este 3 de agosto, aunque la letra pequeña sobre la resolución, los componentes disponibles y la licencia resulta tan importante como las cifras del lanzamiento.
Qué es MiniMax H3
H3 es un sistema multimodal capaz de entender en un mismo contexto instrucciones de texto, imágenes, fragmentos de vídeo y audio. Según la documentación oficial publicada por MiniMax, su núcleo es un transformador denso de 33.000 millones de parámetros que predice conjuntamente la parte visual y la sonora. Esto busca evitar uno de los problemas habituales de los generadores de vídeo: añadir después una pista de audio que no termina de coincidir con los movimientos, el ambiente o los labios.
El modelo admite duraciones de entre 4 y 15 segundos, 24 fotogramas por segundo y audio estéreo a 32 kHz. También permite trabajar con formatos horizontales, cuadrados y verticales, desde 21:9 hasta 9:16. MiniMax afirma que el diálogo se mantiene estable en once idiomas, incluido el español, una capacidad relevante para anuncios, piezas para redes sociales y pequeñas escenas narrativas.
Texto, fotogramas y referencias en un solo flujo
La familia se divide en dos variantes base. H3-Base-FL2VA puede generar desde texto, partir de un primer fotograma, utilizar una imagen como fotograma final o respetar simultáneamente un inicio y un desenlace. Esto ofrece más control sobre la trayectoria de una escena que un simple aviso escrito.
H3-Base-Ref2VA está orientado a referencias: acepta hasta nueve imágenes, tres vídeos y tres audios, con un máximo combinado de doce archivos. El creador puede aportar el aspecto de un personaje, el movimiento de una cámara o una muestra sonora para conservar mejor la continuidad. Los vídeos y audios de referencia deben durar entre 2 y 15 segundos y su duración total no puede superar los 15 segundos.
La resolución 2K tiene un matiz importante
MiniMax presenta H3 como un sistema capaz de entregar vídeo hasta 2K, pero el modelo base descargable trabaja con un lado corto de 768 píxeles. La resolución superior se obtiene mediante H3-Regenerate-2K, una etapa posterior alojada por la empresa. La arquitectura completa incluye además H3-Context-IR, que transforma las referencias en instrucciones internas más precisas. Ninguno de esos dos módulos forma parte, por ahora, de los pesos publicados.
Por tanto, ejecutar H3 localmente no equivale a disponer sin conexión de toda la experiencia comercial. Sí permite experimentar con el generador base y producir vídeo a una resolución aproximada de 1344 × 768 píxeles, pero el procesamiento contextual avanzado y el acabado 2K dependen del servicio de MiniMax.
Cómo se puede utilizar H3
La opción más sencilla es acceder a H3 mediante los servicios en línea de MiniMax y Hailuo AI. Para quienes prefieran un flujo local, ComfyUI ya ofrece soporte nativo desde su versión 0.30, con plantillas para texto a vídeo, imagen a vídeo y generación basada en referencias. La descarga y ejecución de un modelo de 33.000 millones de parámetros exige, no obstante, hardware potente y conocimientos técnicos; no es una herramienta ligera pensada para cualquier portátil.
En un uso práctico, un estudio podría fijar el primer y último plano de un anuncio, adjuntar fotografías del producto y añadir una referencia sonora. Un creador independiente podría preparar vídeos verticales con diálogo en español, mientras que un equipo de videojuegos podría explorar animaciones conceptuales o escenas previas antes de producir los activos definitivos. Los clips de 15 segundos siguen situando a H3 en el terreno del contenido corto, las pruebas visuales y las secuencias que después se montan entre sí.
Pesos públicos no significa código abierto sin límites
La publicación de los pesos facilita la investigación y permite inspeccionar una parte relevante del sistema, pero conviene evitar la etiqueta de “código abierto” sin matices. H3 se distribuye bajo la MiniMax H3 Community License, no bajo una licencia abierta convencional. El texto excluye expresamente a la Unión Europea, Reino Unido, Estados Unidos y Corea del Sur de su territorio aplicable, de modo que un usuario o una empresa en España necesitaría un permiso separado de MiniMax para utilizar el material licenciado.
La licencia también exige autorización adicional a productos comerciales que superen determinados niveles de ingresos y obliga a mostrar la atribución a H3 en interfaces comerciales. Esta restricción geográfica limita de manera considerable el impacto inmediato de los pesos para desarrolladores europeos, aunque estos puedan consultar públicamente la arquitectura y sus archivos.
Un lanzamiento prometedor que aún debe medirse fuera de las demos
La combinación de referencias variadas, control sobre fotogramas y sonido nativo apunta a un flujo creativo más coherente. En vez de generar una escena muda y reconstruir después voces, efectos y ambiente, H3 intenta resolverlos dentro del mismo proceso. Esa integración es probablemente su aportación más interesante frente a modelos que concentran casi toda su atención en la calidad visual.
Aun así, las muestras seleccionadas por el fabricante no bastan para valorar la consistencia de personajes, la sincronización labial, el seguimiento de instrucciones complejas o el coste real por clip. Las comparaciones independientes tendrán que comprobar también cuánto mejora la regeneración 2K y si introduce cambios no deseados.
MiniMax H3 llega como uno de los lanzamientos de vídeo generativo más completos del momento, especialmente por unir vídeo, diálogo y ambiente sonoro. Pero su alcance debe describirse con precisión: el componente local es de 768p, la experiencia completa conserva módulos cerrados y la licencia impide asumir que los pesos puedan utilizarse libremente en España. Tecnología llamativa, sí; disponibilidad verdaderamente abierta, todavía no.