MiniMax commercialise son générateur vidéo sous le nom Hailuo, et la page d'accueil chinoise résume la promesse en une ligne : chaque idée mérite un grand film. Deux modèles occupent le centre du produit, H3 et H3 Max, annoncés dans le même bandeau qui offre 3000 crédits aux nouveaux comptes. L'espace de travail reste étroit — la vidéo sur H3, l'image fixe, l'audio — avec trois entrées : créer une vidéo, créer une image, et l'agent Hailuo.

Quatre modalités, un seul modèle

Le positionnement tient en une phrase : un modèle de génération omni-modal, généraliste, à poids ouverts, et l'index de recherche porte à côté un badge Open Weights. Le billet qui présente H3 commence par expliquer la forme des deux générations précédentes. Hailuo 01 a bâti le système à partir de rien. Hailuo 02 a travaillé l'efficacité de l'architecture, la qualité des données et l'échelle. H3 prend un autre chemin et recolle ce qui avait été découpé.

Du côté image, cela signifiait des spécialistes séparés pour le texte-vers-image, l'édition, la référence de sujet, la référence de mouvement et la référence de style. L'audio s'est scindé en voix, effets sonores et musique, chacun étudié de son côté. La vidéo s'est fragmentée plus encore : texte-vers-vidéo, image-vers-vidéo, première et dernière image, référence de sujet, de mouvement, de timbre, montage vidéo. Les frontières entre modalités étaient tout aussi rigides. Ces murs limitaient la demande possible et plafonnaient la généralisation ; réunir les tâches sous un même toit est devenu la première règle de conception.

Ce qui sort : 768P ou 2K, 15 secondes, stéréo incluse

Trois affirmations ouvrent le billet. H3 lit le texte, l'image, la vidéo et l'audio dans un seul contexte. Il génère des séquences avec un son stéréo natif. Les rushes vont jusqu'à 15 secondes en 2K, et le 2K est le réglage par défaut, pas une option. La documentation est plus précise : sortie en 768P et 2K, durées de 4 à 15 secondes en nombres entiers. H3 Max, publié avec une plateforme d'inférence et réglé pour la vitesse, sort en 480P et 768P sur 5 à 15 secondes.

L'audio porte une bonne part du poids de cette génération. Toute sortie audio est en stéréo native, et voix, effets et musique sont modélisés ensemble au lieu d'être cousus après coup. La séquence arrive donc avec son déjà posé sur l'image, ce qui déplace le travail de montage du doublage vers l'équilibrage.

Trois façons d'entrer

Le texte-vers-vidéo ne demande qu'une consigne. L'image-vers-vidéo accepte une première et une dernière image, à raison de 0, 1 ou 2 : figer l'ouverture, figer la fin, ou les deux en laissant le modèle remplir le milieu. Cette dernière option sert quand une image fixe doit s'animer sans qu'on invente une seconde scène.

La génération par référence mélange images, vidéo et audio de référence pour verrouiller une personne, un mouvement, un trajet de caméra, un style, un timbre ou un rythme de montage. Les plafonds sont explicites : jusqu'à 9 images, jusqu'à 3 séquences de 2 à 15 secondes chacune et 15 secondes au total, jusqu'à 3 pistes audio, et 12 fichiers au total pour une requête mixte.

Le 2K vient d'une régénération, pas d'un agrandissement

Plutôt que d'accrocher un sur-échantillonneur dédié en bout de chaîne, l'équipe laisse le modèle de base régénérer sa propre sortie basse résolution dans le contexte : c'est l'In-Context Regeneration. Deux conséquences. La capacité de génération déjà présente est réutilisée au lieu d'être dupliquée dans un second réseau, et la passe de régénération peut rappeler le contexte multimodal d'origine. C'est ainsi que reviennent les petits caractères et les textures fines qu'un agrandisseur classique ne peut que deviner.

Pour des rushes déjà en main, une seconde porte existe : si une séquence respecte la spécification 768P, une tâche de régénération la porte en 2K. La requête doit reproduire tout ce qui a produit l'original, plus une entrée supplémentaire pour la vidéo source.

Lire le contexte avant de générer

Les entrées multimodales deviennent vite compliquées, et une consigne écrite à la main les saisit rarement. H3-Context-IR est la réponse officielle : il analyse ensemble texte, images, audio et vidéo, raisonne sur leurs relations et renvoie une description structurée plus riche. Il ne rend que la consigne enrichie et ne produit aucune image animée, ce qui en fait une couche de traduction en amont de la génération, pas un générateur.

Le mécanisme derrière s'appelle Contextual Omni Representation : la langue sert de pont et d'interprète généralisables, et chaque tâche devient une description ouverte. La chaîne de compréhension distille environ 100K tokens de matière brute jusqu'à 4K tokens en moyenne avant que le modèle n'en voie quoi que ce soit.

La revendication de prix

Sur le rapport entre prix et service, le billet annonce le 2K par défaut, un coût à la seconde inférieur au tiers des modèles courants en 2K, et moins de la moitié de ce que ces modèles facturent la 720p quand on travaille en 768P. C'est la formulation de l'éditeur, et chacun peut refaire le calcul avec son propre volume.

Pour les particuliers, le site chinois annonce à partir de 42 yuans par mois, le site international à partir de 9 dollars 99 cents par mois, et les deux offrent des crédits aux nouveaux comptes — le site chinois mentionne 3000 points.

Le piloter depuis une API

La génération est asynchrone et la documentation la découpe en trois temps. Créer une tâche et récupérer le task_id. Interroger cet identifiant ; en cas de succès la réponse donne directement l'emplacement de la séquence, sans échange d'identifiant de fichier séparé. Puis récupérer le fichier à cet emplacement. Un contrôle toutes les 10 secondes est le rythme conseillé, et les états failed et cancelled sont terminaux.

Quelques plafonds côté entrée valent d'être connus avant le premier appel. Les consignes vont jusqu'à 7000 caractères. Un fichier seul va jusqu'à 50 MB en vidéo, 30 MB en image, 15 MB en audio, tandis que le corps de requête va jusqu'à 64 MB, les gros éléments gagnant à être passés par URL. La vidéo arrive en H.264/AVC ou H.265/HEVC, l'image en JPG, PNG, WEBP ou HEIC, l'audio en WAV ou MP3.

Là où se cachent les petites lignes

Les poids ouverts restent une intention. Le site étiquette déjà H3 comme open-weight, alors que le billet parle d'une ouverture ultérieure, soumise au droit applicable. Ce qui compte, c'est la version livrée, pas le projet.

Plus de matière de référence n'est pas automatiquement mieux : 12 fichiers forment un plafond dur sur une requête mixte, et les sites chinois et international affichent des valeurs par défaut différentes, donc le chiffre réel dépend du modèle et du palier choisis.

Les deux modèles ne sont pas interchangeables. H3 couvre 768P et 2K sur 4 à 15 secondes ; H3 Max couvre 480P et 768P sur 5 à 15 secondes. Il faut aligner le choix sur ce qu'exige la séquence finale.

Le tiers annoncé reste une affirmation d'éditeur, et les tarifs tiers comme les promotions bougent. Un budget se construit sur le prix publié du moment, en gardant en tête que le contenu généré doit toujours respecter les règles de la plateforme et le droit local.

En résumé, l'intérêt n'est pas une porte de plus vers le texte-vers-vidéo. C'est que H3 replie la compréhension de la vidéo, de l'image et de l'audio dans un seul contexte : 2K par défaut, jusqu'à 15 secondes, stéréo dès le départ, 2K obtenu par régénération et non par agrandissement, et des budgets de référence de 9 images, 3 séquences et 3 pistes audio. Ces chiffres disent mieux que le slogan ce qui le rend pratique face à des outils comparables.