MiniMax H3, explicado: o modelo de vídeo omni-modal que todo mundo está testando

O modelo que tomou conta das timelines em agosto

A cada poucos meses, um modelo de vídeo vira o assunto que todo criador está testando. Desde agosto, esse modelo é o MiniMax H3 — também conhecido pelo nome de linhagem Hailuo 3.0. Os clipes deixam claro o motivo: som que cai exatamente na ação porque foi gerado junto com a imagem, personagens que mantêm o design ao longo de um take multi-shot de 15 segundos, e saída 2K que sobrevive a uma exibição em tela cheia.

Por baixo dos demos, o H3 é um design genuinamente diferente: um modelo omni-modal que trata imagens, clipes de vídeo e áudio como uma única conversa, além de um lançamento com pesos abertos que o tornou o modelo de vídeo mais estudado da temporada. E desde o final de agosto existem dois deles — o H3 original e o H3 Max, um tier quase em tempo real que mudou o que iteração significa na prática.

Esta é a introdução em linguagem simples: o que é o H3, o que cada tier faz, o que criar com ele e como usá-lo sem desperdiçar crédito.

Como o H3 funciona por dentro

O H3 é um modelo de geração de vídeo construído em torno de uma ideia: tudo é uma referência. Enquanto a maioria dos modelos aceita um prompt e talvez uma imagem, o H3 recebe um conjunto de trabalho —

• até 9 imagens de referência para personagens, figurinos e estilo
• até 3 clipes de vídeo de referência para movimento e ritmo
• até 3 clipes de áudio para guiar som e cadência (cada um vinculado a um visual)

— e você os cita no prompt por ordem, como se estivesse briefando um animador com um mood board. O modelo compõe um clipe de 4 a 15 segundos que segue o movimento referenciado, mantém os personagens fixados e retorna áudio estéreo nativo a 32 kHz gerado junto com a imagem. Ambiente, foley e até diálogo com lip sync chegam na mesma passagem, já sincronizados — não há etapa separada de dublagem para agendar ou pagar.

A resolução funciona em dois estágios: o modelo base renderiza em 768p, e um estágio de regeneração hospedado eleva o resultado final para 2K (2560×1440). Essa divisão importa por um motivo prático: a MiniMax abriu os pesos do modelo base, então pesquisadores e desenvolvedores de ferramentas podem construir sobre o H3 — mas o estágio de acabamento em 2K permanece hospedado. Self-hosting é real, mas limitado a 768p.

Ao redor da geração principal, a família cobre edição precisa de vídeo e continuação de áudio-vídeo — estender um clipe existente com imagem e som juntos — o que o torna utilizável para sequências, não apenas loops.

H3 Max: o tier rápido que superou seu próprio modelo de origem

Em 27 de agosto, um segundo tier surgiu: o H3 Max, pós-treinado nos pesos abertos do H3 pela fal em parceria com a MiniMax, e ajustado para aderência ao prompt, estética e throughput bruto.

O destaque é a velocidade que muda o seu ritmo de trabalho: oficialmente, um clipe de 5 segundos em menos de 3 segundos; no uso cotidiano, um clipe de 10 segundos volta no tempo que leva para reproduzi-lo. O preço fica em torno de US$ 0,05 por segundo em 480p e US$ 0,08 em 768p, e em poucos dias após o lançamento o tier ganhou a mesma geração com referências mistas do modelo base — imagens, clipes e áudio, com as primeiras referências gratuitas na precificação por uso.

A surpresa é que o tier rápido não é o tier ruim. Nos leaderboards públicos de image-to-video, o H3 Max atualmente ocupa o primeiro lugar — acima do H3 base do qual foi treinado. Seu único teto real é a resolução: o estágio 2K não pode ser herdado dos pesos abertos, então o Max chega no máximo a 768p por questões estruturais.

A forma mais clara de entender a família:

Para a lógica de workflow mais aprofundada de dividir rascunhos e finais entre os dois tiers, veja o guia de workflow do H3 Max.

O que os criadores estão publicando com ele

Os reels de demo se concentram nas tarefas que o design do H3 favorece:

PVs de anime e aberturas musicais. O áudio nativo gerado com a imagem significa cortes sincronizados ao beat sem precisar de uma passagem de edição — descreva a energia da faixa, referencie um clipe de áudio e os hits caem no movimento. Esse é o caso de uso que fez o H3 decolar entre criadores de anime.

Peças com personagens em múltiplos shots. Uma única geração de 15 segundos pode cortar entre locações enquanto o rosto, figurino e proporções de um personagem se mantêm — o problema difícil da narrativa animada, resolvido dentro de uma única requisição quando as referências são boas.

Clipes de diálogo. Fala com lip sync, ambiente e room tone em uma única passagem, em múltiplos idiomas. Momentos curtos de personagem que antes precisavam de três ferramentas agora precisam de um prompt.

Sequências com estilo consistente. Dê a ele uma linguagem visual — uma paleta, traçado, uma textura de época — e ele mantém esse visual em cada corte do clipe, o que explica por que trabalhos estilizados e retrô aparecem tanto nos showcases do H3.

Como usar o H3 sem desperdiçar um crédito

O H3 está disponível como modelo de geração no ArcLoop — a página do modelo cobre modos e configurações — e a diferença entre resultados de reel de demo e resultados frustrantes é quase sempre a disciplina de referências em torno dele, não a redação do prompt.

Três hábitos carregam a maior parte do peso:

Alimente-o com referências estáveis. Nove slots de imagem são um convite à consistência, e uma armadilha se as nove imagens discordam sobre quem é o seu personagem. Mantenha o personagem como um character asset com suas referências canônicas vinculadas a ele, e use essa única fonte para cada geração. Referenciar o asset com @ nas descrições de shot é mais confiável do que redescrever o personagem a cada vez — e garante que o décimo clipe H3 use a mesma identidade que o primeiro.

Uma ação clara por clipe. Os 15 segundos do H3 recompensam um Shot Brief com começo, clímax e fim — não cinco ideias disputando os mesmos frames. Escreva o movimento de câmera, a ação e o som que você quer, em ordem.

Gere a partir de um Storyboard, não de uma caixa de prompt. No ArcLoop, abra seu Episode e clique em Generate Shots para dividir em shot cards, depois vincule seus assets e rode as gerações por card — ou faça em lote pelo AI Chat Panel com uma instrução simples como "Generate videos for Shots 1, 2, and 3." Cada clipe H3 fica vinculado ao shot ao qual pertence, então comparar takes e reconstruir o corte permanece organizado em vez de se espalhar por downloads.

Itere barato, finalize uma vez. Explore timing e bloqueio no tier Max ou em configurações mais baixas, e use a passagem 2K nos shots que já ganharam seu lugar no corte — a mesma lógica de controle de custos que se aplica a toda família de modelos com tiers. Se você está avaliando o H3 contra o outro motor de acabamento da sua classe, a comparação H3 vs Seedance 2.0 percorre essa decisão adequadamente.

Perguntas frequentes

MiniMax H3 é a mesma coisa que Hailuo 3.0?

Sim — H3 é o nome internacional para a linha de modelos anteriormente conhecida como Hailuo. Alguns leaderboards também listam o tier Max sob um nome interno, MiniMax H3 Turbo.

O MiniMax H3 é gratuito?

Os pesos do modelo base são abertos, e o acesso hospedado é pay-per-use. O tier Max atualmente oferece um pequeno número de gerações diárias gratuitas na página da ferramenta do host. Para trabalho em projetos dentro do ArcLoop, o H3 roda com seus créditos ArcLoop, com configurações dependendo do modo de geração.

Qual é a diferença entre H3 e H3 Max?

O Max é um tier de velocidade pós-treinado: geração quase em tempo real em até 768p, atualmente em primeiro lugar nos leaderboards de image-to-video, com os mesmos modos de referência e áudio nativo. O H3 base mantém o estágio de saída 2K hospedado. Rascunhar no Max e finalizar no H3 é a divisão em que a maioria dos workflows chega.

O H3 realmente gera áudio junto com o vídeo?

Sim — o áudio é previsto junto com a imagem em vez de ser adicionado depois, o que é exatamente por que efeitos sonoros caem nos impactos e o diálogo sincroniza sem uma passagem de edição. Você pode descrever o ambiente sonoro no mesmo prompt que o shot.

Quanto tempo pode ter um vídeo do H3?

De 4 a 15 segundos por geração, com continuação de áudio-vídeo disponível para estender um clipe existente. Peças mais longas são construídas shot a shot — e é aí que trabalhar a partir de um Storyboard com character assets persistentes supera criar clipes um a um no prompt.

O modelo é novo; a disciplina não é

O H3 conquistou seu momento: referências mistas, áudio nativo, pesos abertos e agora um tier Max rápido o suficiente para pensar junto. Mas cada capacidade dessa lista se paga na proporção de quão estáveis são as suas entradas — e essa parte é workflow, não modelo. Construa seus personagens como assets, faça o brief dos shots como um diretor, itere no tier barato e gaste o 2K onde o público vai de fato olhar. Abra um projeto, fixe seu primeiro personagem e dê ao H3 algo que valha reconhecer.