MiniMax H3: um modelo só para texto, imagem, vídeo e áudio — por um terço do preço

A maior parte dos modelos de geração de vídeo funciona como uma caixa de entrada única: você manda um texto, ou uma imagem, ou um vídeo de referência, e recebe um vídeo de volta. Cada modalidade de entrada é, na prática, um produto separado — com seu próprio modelo, sua própria interface, seu próprio preço. O MiniMax H3 (também comercializado como Hailuo 3.0), lançado em 31 de julho, aposta que isso é uma limitação de engenharia, não uma necessidade técnica.

O modelo lê texto, imagens, vídeo e áudio simultaneamente como um único contexto multimodal — e devolve cenas audiovisuais completas de até 15 segundos, em resolução de até 2K e 24 quadros por segundo, com áudio estéreo nativo sincronizado. Uma prévia foi mostrada na conferência WAIC 2026, duas semanas antes do lançamento oficial.

As quatro peças que fazem o "omni" funcionar

A MiniMax descreve quatro componentes técnicos por trás do H3. O primeiro, chamado H3-COR (Contextual Omni Representation), usa a linguagem como uma "ponte generalizável" — ou seja, descreve relações entre diferentes tipos de mídia usando texto como formato comum, o que permite ao modelo tratar "anime este quadro" e "gere um vídeo a partir desta imagem" como variações do mesmo tipo de instrução, em vez de tarefas separadas.

O segundo é o H3-VAE, um tokenizador (o componente que converte pixels e ondas sonoras em representações que o modelo consegue processar) reconstruído do zero, com compressão quatro vezes maior que a geração anterior — o que reduz diretamente o custo de treino e de inferência. O terceiro, H3-Omni Transformer, separa as cargas de trabalho de compreender conteúdo das de gerar conteúdo, o que a empresa diz ter aumentado o throughput de treinamento em cerca de 30%.

O truque da regeneração em contexto

O quarto componente é o mais interessante conceitualmente: a regeneração em contexto. Em vez de usar super-resolução convencional — uma técnica separada que tenta "adivinhar" detalhes que não existiam na imagem original — o H3 regenera sua própria saída em baixa resolução reaproveitando todo o contexto multimodal que já processou. Como o modelo ainda "lembra" do texto, da imagem de referência e do áudio usados na geração original, ele recupera detalhes de um jeito que um upscaler genérico, que só vê pixels, não consegue.

Na prática, isso significa que operações que hoje exigem várias ferramentas separadas — gerar um clipe, trocar a voz de um personagem, estender a duração, ajustar um detalhe de cena — passam a ser pedidos de uma frase dentro da mesma sessão, em vez de recomeçar o processo do zero em outra ferramenta.

Por que o preço é a parte que mais importa

A MiniMax não divulgou benchmarks comparativos formais contra Sora, Veo ou Kling — os concorrentes diretos de geração de vídeo com áudio. O que a empresa divulgou foi preço: menos de um terço do custo convencional em 2K. Combinado com a compressão 4x do tokenizador e o ganho de 30% em throughput de treino, o posicionamento é claro — competir não pela qualidade máxima isolada, mas pelo custo de produzir conteúdo audiovisual em volume.

É uma aposta coerente com o histórico da empresa: o MiniMax M3, o modelo de linguagem da mesma casa, já tem variantes de pesos abertos. O H3, por ora, é um modelo de plataforma — acessível só via API — mas a promessa de abrir os pesos "nos próximos dias" segue o mesmo padrão: atrair adoção com preço baixo primeiro, depois consolidar posição abrindo o acesso.

O que falta saber

Sem benchmarks comparativos publicados, a avaliação real do H3 contra a concorrência ainda depende de testes independentes — o tipo de medição que normalmente aparece semanas depois do lançamento, quando ferramentas de terceiros conseguem rodar os mesmos prompts em múltiplos modelos. Até lá, os números concretos disponíveis são de especificação (resolução, duração, preço), não de qualidade percebida. Vale notar também que "menos de 15 segundos" ainda é uma limitação real diante de ferramentas que já produzem minutos de vídeo coerente — o H3 compete em custo e em unificação de modalidades, não em duração.

Perguntas Frequentes

O que significa "omni-modal" nesse contexto?

Significa que o mesmo modelo lê e produz múltiplos tipos de mídia — texto, imagem, vídeo e áudio — dentro de um único contexto compartilhado, em vez de precisar de um modelo separado para cada combinação de entrada e saída (texto-para-vídeo, imagem-para-vídeo, etc.).

O MiniMax H3 tem pesos abertos, como o M3?

Ainda não. No lançamento, em 31 de julho, o H3 estava disponível apenas via API e pela plataforma Hailuo. A MiniMax afirmou que pretende abrir os pesos "nos próximos dias", mas sujeitos a aprovação regulatória — não há data confirmada até a publicação desta matéria.

Como o H3 se compara em qualidade a Sora, Veo e Kling?

Não há, até o momento, benchmarks comparativos formais publicados pela MiniMax ou por avaliadores independentes. O diferencial divulgado pela empresa é de custo e de unificação de modalidades, não uma comparação direta de qualidade de imagem ou coerência de movimento.

O que é um tokenizador (VAE) num modelo de vídeo, e por que a compressão importa?

É o componente que converte vídeo e áudio brutos em uma representação compacta que o modelo consegue processar — e depois reconstrói essa representação de volta em pixels e som. Quanto maior a compressão sem perda de qualidade, menos memória e computação o modelo gasta para treinar e gerar, o que se traduz diretamente em custo menor por clipe produzido.