MiniMax H3 全能参考模式解析：支持哪些输入？怎么用？
MiniMax H3 是一款通用型全模态生成系统，能够统一理解由文本、图像、视频和音频构成的多模态上下文，并可生成最高 2K 分辨率、最长 15 秒、带有原生立体声音频的视频。本文专门介绍 H3 的 Ref2VA 全能参考模式（也称全模态参考模式），说明它支持哪些类型的参考输入、数量限制以及使用方法。
> 需要说明的是，实在Agent 已经内置了该模型，如果你使用实在Agent服务，无需自行处理部署配置，可以直接使用 H3 的全能参考功能。
一、什么是全能参考模式？
H3 提供了两个核心版本：
- H3-Base-FL2VA（首尾帧模式）：支持输入 0–2 张图像，覆盖文生视频、首帧生视频、尾帧生视频和首尾帧生视频四种场景。
- H3-Base-Ref2VA（全能参考模式 / 全模态参考模式）：支持同时输入图像、视频和音频三种类型的参考素材，实现跨模态的视频创作。
全能参考模式的核心价值在于：真实创作往往需要融合不同模态的复杂信息，仅仅依靠文字描述是不够的。比如，你可以让模型 “参考视频 1 的希区柯克镜头运动，让图 2 中的人物唱歌，歌声参考音频 3” ——H3 会自己完成跨模态的理解与融合。
二、全能参考模式支持哪些输入？
全能参考模式支持以下三种类型的参考输入：
| 输入类型 | 数量上限 | 附加要求 |
|---|---|---|
| 参考图像 | 最多 9 张 | 格式支持 JPG、JPEG、PNG、WEBP、HEIC、HEIF |
| 参考视频 | 最多 3 段 | 每段时长 2–15 秒，总时长不超过 15 秒 |
| 参考音频 | 最多 3 段 | 每段时长 2–15 秒，总时长不超过 15 秒，格式支持 WAV/MP3 |
⚠️ 重要限制：
- 所有类型输入文件合计最多 12 个。
- 音频不能作为唯一输入，必须与图像或视频一同输入。
- 参考生视频模式与首尾帧模式互斥，不能混用。
三、怎么用全能参考模式？
3.1 通过 API 调用
H3 的视频生成 V2 接口通过多模态 input 数组驱动。在必填的文本提示词之外，可同时附加：
role="reference_image"的图片role="reference_video"的视频role="reference_audio"的音频
接口地址：
- 提交任务：
POST https://www.dmxapi.cn/v1/responses - 获取结果：
POST https://www.dmxapi.cn/v1/responses（凭 task_id 查询）
完整 API 文档可参考 docs.aimlapi.com 或 doc.dmxapi.cn。
3.2 通过 ComfyUI 本地部署
ComfyUI 在 H3 发布当日就提供了原生支持。社区还开发了 CS-H3 多模态参考导演台 节点，可以在 “宫格模式” 和 “全能参考” 之间切换，将图片、视频、音频参考整理成一条可编辑时间线。
安装方式：
将文件夹放入：ComfyUI/custom_nodes/CS-H3-Multimodal-Director
然后完全重启 ComfyUI3.3 通过官方平台
你也可以通过 MiniMax 官方 Web 应用或桌面应用直接使用 H3：
- Web 应用（国内）：hailuoai.com
- Web 应用（全球）：hailuoai.video
- 桌面应用（国内）：hub.minimaxi.com
- 桌面应用（全球）：hub.minimax.io
四、全能参考模式的实际应用价值
全能参考模式让视频创作从单纯的文字驱动扩展到图片、视频、音频的混合驱动。典型的商业场景包括：
- 广告与品牌：参考产品图片 + 品牌视频素材 + 配乐音频，生成一致的品牌宣传视频
- 电商：多张产品图 + 动作参考视频 + 解说音频，自动生成产品展示视频
- 游戏与 UI/UX：参考游戏画面 + 参考镜头运动 + 背景音乐，生成游戏预告片
- 电影片头与动态海报：参考视觉风格 + 参考音频氛围
五、全能参考模式 vs 首尾帧模式
| 对比维度 | 全能参考模式（Ref2VA） | 首尾帧模式（FL2VA） |
|---|---|---|
| 参考素材类型 | 图像 + 视频 + 音频 | 仅图像（0–2 张） |
| 最大参考数量 | 12 个文件（9 图 + 3 视频 + 3 音频） | 2 张图像 |
| 适用场景 | 复杂多模态创作、品牌一致性、动作迁移 | 文生视频、图生视频、首尾帧控制 |
| 是否互斥 | 是（不能与首尾帧模式混用） | 是（不能与参考模式混用） |
总结
MiniMax H3 的全能参考模式（Ref2VA） 确实支持多模态参考输入，最多可同时使用 9 张图像、3 段视频和 3 段音频（合计不超过 12 个文件），实现跨模态的视频创作。音频不能单独作为输入，必须配合图像或视频。你可以通过 API、ComfyUI 本地部署或官方平台使用该功能。该模式与首尾帧模式互斥，适用于广告、电商、游戏等需要融合多种素材的商业场景。如果你使用实在Agent，该模型已经内置，可以直接体验全能参考模式。
