MiniMax vertreibt seinen Videogenerator unter dem Namen Hailuo, und die chinesische Startseite bringt den Anspruch in einen Satz: jede Idee verdient einen großen Film. Zwei Modelle stehen derzeit im Mittelpunkt, H3 und H3 Max, angekündigt im selben Hinweisband, das Neulingen 3000 Gratis-Punkte verspricht. Das Arbeitsfenster bleibt schmal — Video über H3, Standbilder, Audio — mit drei Einstiegen für Video erstellen, Bild erstellen und den Hailuo-Agenten.

Vier Modalitäten, ein Modell

Die offizielle Einordnung ist ein einziger Satz: ein universelles, omni-modales Generierungsmodell mit offenen Gewichten, und im Forschungsindex steht daneben ein Open-Weights-Abzeichen. Der Beitrag, der H3 vorstellt, erklärt eingangs, warum die beiden Vorgänger so aussahen, wie sie aussahen. Hailuo 01 baute das System aus dem Nichts. Hailuo 02 schliff Architektureffizienz, Datenqualität und Skalierung. H3 geht einen anderen Weg und klebt wieder zusammen, was zuvor zerschnitten war.

Auf der Bildseite bedeutete das getrennte Spezialisten für Text-zu-Bild, Bearbeitung, Motivreferenz, Bewegungsreferenz und Stilreferenz. Audio zerfiel in Stimme, Geräusche und Musik, jedes Feld für sich bearbeitet. Video splitterte sich weiter auf, in Text-zu-Video, Bild-zu-Video, erstes und letztes Bild, Motivreferenz, Bewegungsreferenz, Timbre-Referenz und Videoschnitt. Auch die Grenzen zwischen den Modalitäten waren hart. Diese Wände begrenzten, was ein Nutzer verlangen konnte, und deckelten die Verallgemeinerung, also wurde das Zusammenführen der Aufgaben zur ersten Designregel.

Was herauskommt: 768P oder 2K, 15 Sekunden, Stereo inklusive

Drei Aussagen eröffnen den Beitrag. H3 versteht Text, Bilder, Video und Audio in einem Kontext. Es erzeugt Clips mit nativem Stereoton. Aufnahmen laufen bis 15 Sekunden in 2K, und 2K ist Standard statt Zusatz. Die Dokumentation wird konkreter: Ausgabe in 768P und 2K, Dauer 4 bis 15 Sekunden, nur ganze Zahlen. H3 Max, gemeinsam mit einer Inferenzplattform veröffentlicht und auf Tempo getrimmt, liefert 480P und 768P bei 5 bis 15 Sekunden.

Audio trägt einen guten Teil des Gewichts dieser Generation. Jede Tonausgabe ist nativ stereo, und Stimme, Effekte und Musik werden zusammen modelliert, statt hinterher zusammengesetzt zu werden. Der Ton sitzt also bereits am Bild, wenn der Clip fertig ist, und aus Nachvertonung wird Mischungsarbeit.

Drei Wege hinein

Text-zu-Video braucht nur einen Prompt. Bild-zu-Video nimmt Erst- und Letztbild, und zwar 0, 1 oder 2 Stück: den Anfang festnageln, das Ende festnageln, oder beides übergeben und das Modell die Mitte füllen lassen. Die letzte Variante hilft, wenn ein Standbild in Bewegung kommen soll, ohne dass eine zweite Szene erfunden wird.

Die Referenzgenerierung mischt Bild-, Video- und Audioreferenzen, um eine Person, eine Bewegung, eine Kamerafahrt, einen Stil, ein Timbre oder einen Schnittrhythmus zu fixieren. Die Grenzen sind ausgeschrieben: bis zu 9 Bilder, bis zu 3 Clips von 2 bis 15 Sekunden und zusammen höchstens 15 Sekunden, bis zu 3 Tonspuren, und 12 Dateien insgesamt pro gemischtem Auftrag.

2K entsteht durch Regeneration, nicht durch Hochskalieren

Statt einen eigenen Upscaler ans Ende der Kette zu hängen, lässt das Team das Basismodell seine eigene niedrig aufgelöste Ausgabe im Kontext neu erzeugen — In-Context Regeneration. Zwei Dinge folgen daraus. Vorhandene Generationsfähigkeit wird wiederverwendet statt in einem zweiten Netz dupliziert, und der Durchlauf kann den ursprünglichen multimodalen Kontext erneut abrufen. So kommen kleine Schrift und feine Textur zurück, bei denen ein klassischer Upscaler nur raten kann.

Für bereits vorhandenes Material gibt es eine zweite Tür: erfüllt ein Clip die 768P-Vorgabe, hebt ein Regenerationsauftrag ihn auf 2K. Die Anfrage muss alles reproduzieren, was das Original erzeugt hat, plus einen zusätzlichen Eintrag für das Quellvideo.

Erst den Kontext lesen

Multimodale Eingaben werden schnell unübersichtlich, und ein handgeschriebener Prompt fängt sie selten ein. H3-Context-IR ist die offizielle Antwort: Es liest Text, Bilder, Audio und Video zusammen, schließt auf die Beziehungen der Teile und gibt eine reichere strukturierte Beschreibung zurück. Es liefert nur den angereicherten Prompt und kein Video, ist also eine Übersetzungsschicht vor der Generierung, kein Generator.

Dahinter steht Contextual Omni Representation: Sprache dient als verallgemeinerbare Brücke und Interpret, und jede Aufgabe wird zu einer offenen Beschreibung. Die Verstehenspipeline destilliert rund 100K Tokens Rohmaterial auf im Schnitt etwa 4K Tokens herunter, bevor das Modell davon etwas sieht.

Die Preisbehauptung

Zum Verhältnis von Preis und Leistung sagt der Beitrag: 2K standardmäßig, unter einem Drittel des Sekundenpreises gängiger Modelle bei 2K, und unter der Hälfte dessen, was diese für 720p verlangen, wenn man in 768P arbeitet. Das ist die Sicht des Anbieters, und wer will, rechnet mit dem eigenen Volumen nach.

Für Einzelpersonen nennt die chinesische Seite ab 42 Yuan im Monat, die internationale Seite ab 9 US-Dollar 99 Cent im Monat, beide mit Gratis-Punkten für neue Konten — die chinesische Seite nennt 3000 Punkte.

Steuerung über eine API

Die Generierung läuft asynchron, und die Dokumentation teilt sie in drei Schritte. Einen Auftrag anlegen und die task_id mitnehmen. Diese abfragen; bei Erfolg nennt die Antwort direkt den Ort des fertigen Clips, ohne dass eine separate Datei-ID getauscht wird. Dann die Datei von dort holen. Alle 10 Sekunden nachzufragen ist der empfohlene Takt, und failed sowie cancelled sind Endzustände.

Ein paar Obergrenzen auf der Eingangsseite lohnen sich vor dem ersten Aufruf. Prompts gehen bis 7000 Zeichen. Einzeldateien gehen bis 50 MB bei Video, 30 MB bei Bild und 15 MB bei Audio, während der Anfragetext bis 64 MB geht und große Assets besser als URL übergeben werden. Video kommt als H.264/AVC oder H.265/HEVC, Bild als JPG, PNG, WEBP oder HEIC, Audio als WAV oder MP3.

Wo das Kleingedruckte sitzt

Offene Gewichte bleiben eine Ankündigung. Die Seite labelt H3 bereits als open-weight, während der Beitrag von einer späteren Öffnung spricht, dem geltenden Recht unterworfen. Was zählt, ist die ausgelieferte Version, nicht der Plan.

Mehr Referenzmaterial ist nicht automatisch besser. 12 Dateien sind bei einer gemischten Anfrage die harte Grenze, und die chinesische und die internationale Seite zeigen unterschiedliche Vorgaben, die echte Zahl hängt also vom Modell und der Stufe ab.

Die beiden Modelle sind nicht austauschbar. H3 kann 768P und 2K bei 4 bis 15 Sekunden, H3 Max 480P und 768P bei 5 bis 15 Sekunden. Vor der Wahl sollte man sich am fertigen Clip orientieren.

Die Drittel-Angabe ist eine Aussage des Anbieters, und Preise Dritter wie Aktionen bewegen sich. Ein Budget baut man auf dem aktuell veröffentlichten Preis, und erzeugtes Material muss weiterhin Plattformregeln und lokales Recht bestehen.

Zusammengefasst: Der interessante Teil ist nicht das nächste Tor zum Text-zu-Video. Es ist, dass H3 das Verständnis von Video, Bild und Audio in einen Kontext legt — 2K als Standard, bis 15 Sekunden, Stereo von Anfang an, 2K durch Regeneration statt Hochskalierung, und Referenzbudgets von 9 Bildern, 3 Clips und 3 Tonspuren. Diese Zahlen sagen deutlicher als der Slogan, was das Gerät neben vergleichbaren Werkzeugen praktisch macht.