Der chinesische KI-Anbieter MiniMax hat mit MiniMax H3 – in der Consumer-App als Hailuo 3.0 geführt – ein neues Videomodell veröffentlicht, das seit dem 31. Juli 2026 öffentlich verfügbar ist. Vorgestellt wurde es bereits am 17. Juli auf der WAIC 2026, Anfang August folgten offene Gewichte. Der Kern: H3 erzeugt Video in nativem 2K samt synchronem Stereo-Ton – Dialog, Soundeffekte und Atmosphäre – in einem einzigen Durchlauf.
Was Hailuo 3.0 technisch kann
H3 ist als omni-modales Modell angelegt: Es liest Text, Bilder, Video und Audio als einen einzigen, gemeinsamen Kontext und gibt daraus Video mit nativem Stereo-Ton zurück. Die Clips laufen in nativer 2K-Auflösung bei 24 Bildern pro Sekunde und dauern zwischen vier und fünfzehn Sekunden (nur ganzzahlige Längen), lassen sich per Fortsetzung aber auf rund 30 Sekunden verlängern. Technisch möglich macht das ein neuer H3-VAE-Tokenizer, der laut MiniMax die effektive Sequenzlänge vervierfacht – die Voraussetzung dafür, natives 2K überhaupt wirtschaftlich generieren zu können.
Omni-Referenzen: bis zu neun Bilder, drei Clips, drei Tonspuren
Für Konsistenz sorgt die sogenannte Omni-Referenz. Pro Generierung akzeptiert H3 bis zu neun Referenzbilder, drei Videoclips (je 2 bis 15 Sekunden) und drei Audiospuren (zusammen maximal 15 Sekunden). Damit lassen sich Stil, Figuren, Bewegung und – über die Audioreferenz – auch eine Stimme über mehrere Shots hinweg stabil halten. Ergänzt wird das durch instruktionsbasiertes Editing, mit dem sich bestehende Clips gezielt anweisen und verändern lassen.
Preise und Verfügbarkeit
Zugänglich ist H3 über die API (Modellname MiniMax-H3) sowie die Hailuo-AI-App. Die Nutzung startet bei etwa 0,13 US-Dollar pro Sekunde – ein 15-Sekunden-Clip kostet damit rund 1,95 Dollar. MiniMax bewirbt seine 2K-Preise als „weniger als ein Drittel" vergleichbarer Mainstream-Modelle. Zusätzlich hat der Anbieter offene Gewichte angekündigt und Anfang August bereitgestellt, was Eigen-Hosting und Fine-Tuning grundsätzlich möglich macht.
Benchmarks: stark im Editing, nicht überall vorn
Nach Daten von Artificial Analysis, die MarkTechPost zitiert, führt H3 im Bereich Video-Editing, liegt bei Text-zu-Video aber hinter Google Gemini Omni Flash und bei Bild-zu-Video sowohl hinter Seedance 2.0 als auch hinter Gemini Omni Flash. H3 ist also kein pauschaler Spitzenreiter, sondern glänzt vor allem dort, wo präzise Kontrolle und Nachbearbeitung gefragt sind.
Was das für eure Projekte bedeutet
Für uns als KI-Videoproduktion ist H3 vor allem wegen zweier Punkte interessant: nativer 2K-Output mit Ton in einem Durchlauf spart einen kompletten Nachvertonungs- und Upscaling-Schritt, und die Omni-Referenz mit neun Bildern plus Video- und Audiospuren ist ein handfestes Werkzeug gegen Character- und Voice-Drift in Serien-Shots. Der niedrige Sekundenpreis macht das Modell für Iterationen und Varianten attraktiv. Wer maximale Text-zu-Video-Qualität braucht, sollte H3 gegen Seedance 2.0 und Gemini Omni Flash gegentesten – für Editing-lastige Workflows und konsistente Figuren gehört Hailuo 3.0 aber ab sofort in die engere Auswahl. Dank offener Gewichte lohnt sich zudem ein Blick für alle, die Wert auf Datenhoheit und eigenes Hosting legen.