MiniMax H3 on kiinnostava yrityksille ennen kaikkea siksi, että sama malli voi käyttää tekstin lisäksi kuvia, videoita ja ääntä referensseinä sekä tuottaa videon ja stereoäänen yhdessä. Mallin avoimia painoja voi käyttää paikallisesti esimerkiksi ComfyUI:ssa. Tärkeä rajaus on silti tämä: koko MiniMaxin virallinen 2K-tuotantoketju ei ole avoin eikä paikallinen.
Jos teet yksittäisiä markkinointivideoita silloin tällöin, selainpalvelu tai API on yleensä helpompi lähtökohta. Paikallinen ComfyUI-asennus alkaa olla perusteltu, kun videoita tehdään toistuvasti, työnkulku halutaan rakentaa tarkasti omiin tarpeisiin ja tiimillä on valmius ylläpitää malleja, lisäosia ja laskentaympäristöä.
Mikä MiniMax H3 on?
MiniMax julkaisi H3:n 31.7.2026. Kyseessä on multimodaalinen generointimalli, joka ymmärtää samassa kontekstissa tekstiä, kuvia, videota ja ääntä. Se tuottaa videon lisäksi puheen, äänitehosteet ja musiikin natiivina stereoäänenä.
Virallisten tietojen mukaan valmis H3-järjestelmä tukee 4-15 sekunnin videoita, useita kuvasuhteita, 24 kuvaa sekunnissa ja enintään 2K-tarkkuutta. Referenssitilassa syötteeksi voi antaa enintään yhdeksän kuvaa, kolme videota ja kolme äänileikettä. Tiedostoja voi olla yhteensä enintään 12.
Tämä erottaa H3:n monesta aiemmasta videomallista. Työnkulku ei ala välttämättä pelkästä tekstikehotteesta. Voit esimerkiksi määrittää hahmon kuvasta, kameraliikkeen videosta ja äänen toisesta lähteestä sekä kuvata luonnollisella kielellä, mikä tehtävä kullakin referenssillä on.
Ovatko MiniMax H3:n kaikki osat avoimia?
Eivät. MiniMax H3:sta puhutaan usein avoimen lähdekoodin videomallina, mutta täsmällisempi ilmaus on avoimilla painoilla julkaistu malli. Painot ovat saatavilla MiniMax H3 Community License Agreement -lisenssillä, joka ei ole sama asia kuin tunnettu avoimen lähdekoodin ohjelmistolisenssi.
MiniMaxin koko tuotantojärjestelmässä on kolme osaa:
- H3-Context-IR tulkitsee monimutkaiset syötteet ja muotoilee niistä mallille sopivan rakenteen.
- H3-Base luo videon ja äänen 768p-tarkkuudella.
- H3-Regenerate-2K tuottaa 768p-versiosta ja alkuperäisestä kontekstista tarkemman 2K-version.
Paikallisesti julkaistu osa on H3-Base. H3-Context-IR ja H3-Regenerate-2K eivät kuulu avoimeen julkaisuun, vaan MiniMax tarjoaa ne oman rajapintansa kautta. Tämä on käytännössä merkittävä ero. Paikallinen käyttö antaa paljon hallintaa, mutta täysin paikallinen versio ei sellaisenaan vastaa virallisen palvelun koko 2K-ketjua.
Mitä MiniMax H3:lla voi tehdä ComfyUI:ssa?
ComfyUI tukee MiniMax H3:a natiivisti versiosta 0.30.0 alkaen. Mallille on kolme virallista esimerkkityönkulkua.
| Työnkulku | Mihin se sopii? | Mitä syötät? |
|---|---|---|
| Tekstistä videoksi | Ideointi, konseptit ja kokonaan uusi kohtaus | Kohtaus, toiminta, kamera, dialogi, äänimaailma ja musiikki tekstinä |
| Kuvasta videoksi | Tuotekuvan, kuvituksen tai ensimmäisen ruudun animointi | Yksi aloituskuva tai aloitus- ja lopetuskuva sekä toiminnan kuvaus |
| Referensseistä videoksi | Hahmon, tyylin, liikkeen, kameran tai äänen ohjaaminen | Kuvia, videoita ja ääntä sekä selkeät roolit jokaiselle lähteelle |
Tekstistä videoksi ja kuvasta videoksi käyttävät samaa FL2VA-malliperhettä. Monimodaalinen referenssityönkulku käyttää erillistä Ref2VA-mallia. Tämä tarkoittaa myös erillisiä suuria mallitiedostoja, jos haluat käyttää kaikkia toimintatapoja paikallisesti.
Kuinka raskas MiniMax H3 on paikallisessa käytössä?
H3 ei ole kevyt kuluttajasovellus. Mallin arkkitehtuurissa on 33 miljardin parametrin H3-Omni-Transformer ja Qwen3-VL-32B-pohjainen tekstienkooderi. MiniMaxin oma paikallisen ajon esimerkkikonfiguraatio käyttää neljää näytönohjainta, vaikka ComfyUI-yhteisölle on jo tarjolla pienempiä kvantisoituja ja karsittuja versioita.
Tämän vuoksi en tekisi yleistä lupausta, että H3 toimii hyvin tietyllä VRAM-määrällä. Todellinen vaatimus riippuu malliversiosta, videon koosta ja pituudesta, käytetyistä optimoinneista sekä siitä, siirretäänkö osia työn aikana keskusmuistiin.
ComfyUI:n virallinen ohje suosittelee pruned INT8 ConvRot -mallia yhteensopivassa PyTorch- ja CUDA-ympäristössä. Lisäksi Sage Attention voi ComfyUI:n arvion mukaan noin kaksinkertaistaa generointinopeuden vähäisellä laadun heikkenemisellä. Asennus vaatii silti oikean SageAttention-paketin, KJNodes-lisäosan ja yhteensopivat CUDA- sekä PyTorch-versiot.
Yhteisö on julkaissut myös Turbo-LoRA-sovittimia, pienempiä kvantisointeja, esikatseluratkaisuja ja yksinkertaistettuja työnkulkuja. Ne voivat olla hyödyllisiä, mutta nopeus, muistinkulutus ja laatu pitää testata omalla laitteistolla ja omilla videoilla. Yksittäisen tekijän toimiva asetus ei ole yleinen suorituskykylupaus.
Miten MiniMax H3:lle kirjoitetaan toimiva videoprompti?
H3 hyötyy selvästi jäsennellystä ohjeesta. MiniMaxin virallinen promptiohje jakaa tekstin kolmeen osaan:
- integrated_multimodal_description kuvaa kuvan, toiminnan, otokset, kameran, puhujat ja dialogin aikajanalla.
- overall_soundscape kuvaa ympäristön äänet, liikkeen äänet ja muut kohtauksessa syntyvät äänet.
- non_diegetic_music kuvaa taustamusiikin, jonka vain katsoja kuulee.
Referenssityönkulussa jokaiselle lähteelle annetaan täsmällinen tehtävä. Pelkkä kuvien, videoiden ja äänien liittäminen ei riitä. Promptissa kerrotaan esimerkiksi, että kuva 1 määrää hahmon ulkonäön, video 1 kameraliikkeen ja ääni 1 puhujan äänen.
Suomenkielisen puheen kanssa tarvitaan erityisen huolellinen testi. MiniMax listaa 11 vakaasti tuettua dialogikieltä, eikä suomi ole niiden joukossa. Muita kieliä tuetaan vaihtelevasti. Suomenkielistä mainos- tai koulutusvideota ei siis kannata siirtää suoraan tuotantoon yhden onnistuneen kokeilun perusteella.
Milloin paikallinen MiniMax H3 on yritykselle järkevä?
Paikallinen H3 on kiinnostava, jos videotuotannosta ollaan rakentamassa toistuvaa prosessia eikä vain kokeilemassa yhtä näyttävää klippiä. Perusteltuja tilanteita voivat olla esimerkiksi:
- samaa hahmoa, tuotetta tai visuaalista tyyliä käytetään useissa videoissa
- referenssikuvia, liikettä ja ääntä halutaan ohjata samassa työnkulussa
- ComfyUI:n solmupohjainen prosessi halutaan yhdistää muuhun sisällöntuotantoon
- malliversiot, asetukset ja tulokset halutaan pitää omassa hallinnassa
- tiimillä on riittävä laitteisto ja osaaminen ympäristön ylläpitoon
Selainpalvelu tai API on yleensä järkevämpi, jos videoita tehdään vähän, 2K-tulos tarvitaan ilman oman ympäristön rakentamista tai tiimin aika kannattaa käyttää sisällön suunnitteluun teknisen ylläpidon sijaan.
Futuwin näkemys: aloita videotyöstä, älä mallista
Uusi avoimilla painoilla julkaistu malli houkuttelee helposti aloittamaan latauksista, lisäosista ja asetuksista. Yritykselle parempi järjestys on toinen.
- Määritä, mitä videolla pitää saada aikaan.
- Päätä, mitä kuvia, ääniä ja videoita prosessissa saa käyttää.
- Valitse laadun arviointitapa. Tarkista ainakin brändi, henkilöt, teksti, puhe, jatkuvuus ja oikeudet.
- Testaa yksi rajattu työnkulku usealla aidolla esimerkillä.
- Valitse paikallinen malli, API tai selainpalvelu vasta tulosten perusteella.
MiniMax H3:n kiinnostavin ominaisuus ei lopulta ole yksittäinen nopeutus tai uusi LoRA. Se on mahdollisuus rakentaa kuvista, videosta, äänestä ja ohjeista yksi hallittava tuotantoprosessi. Hyöty syntyy vasta, kun prosessi tuottaa riittävän laadukasta materiaalia toistettavasti ja järkevällä työmäärällä.
Lähteet ja seuraava askel
- MiniMax: MiniMax H3:n julkaisu ja ominaisuudet
- MiniMax H3:n virallinen mallikortti
- ComfyUI: MiniMax H3:n viralliset työnkulut
- MiniMaxin virallinen videopromptien kirjoitusohje
Jos haluat selvittää, kannattaako tekoälyvideo rakentaa teillä paikalliseksi työnkuluksi vai ostaa palveluna, aloitetaan käyttötapauksesta ja laadun vaatimuksista. Varaa ilmainen aloituskeskustelu, niin käydään läpi järkevä ensimmäinen testi.