MiniMax H3 带音频吗？原生立体声、技术规格与使用方式全解析
MiniMax H3 是一款通用型全模态生成系统，支持统一理解文本、图像、视频和音频构成的多模态上下文。答案是肯定的：MiniMax H3 原生支持音频输出，而且生成的是 32 kHz 立体声音频。本文详细介绍 H3 的音频规格、技术原理和使用方式。
一、音频规格：32 kHz 立体声，11 种语言稳定支持
MiniMax H3 的音频输出规格非常明确：
- 音频格式：32 kHz 立体声
- 生成方式：音频与视频在同一次生成中同步产生，而非后期配音
- 支持语言：稳定支持 11 种语言，包括阿拉伯语、中文、英语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语
二、技术原理：音视频联合生成，非后期配音
H3 的音频能力并非“事后加上去的”，而是模型架构的一部分。
架构层面的设计：
- H3 是一个 33B 参数的扩散 Transformer（DiT），同时去噪视频和音频的 latent
- 它使用独立的视频 VAE 和音频 VAE（AudioVAE）分别处理两种模态
- AudioVAE 使用同一套编码器和解码器分别独立处理左右声道，再将解码后的两个声道重新组合，从而支持立体声音频的输入与输出
- 对于每个声道，AudioVAE 会将 32 kHz 音频压缩为时间频率为 40 Hz 的 latent token 序列
这意味着：你描述一个包含声音的场景，H3 会在生成画面的同时，把对应的声音也一起生成出来。提示词里写什么声音，模型就生成什么声音。
三、输入也支持音频：最多 3 段参考音频
H3 不仅输出音频，还支持音频作为输入。在全模态参考模式（Ref2VA）下：
- 音频输入数量：最多 3 段
- 每段时长：2–15 秒，总时长不超过 15 秒
- 限制条件：音频不能作为唯一输入，必须与图像或视频一同输入
- 混合输入上限：所有类型输入文件合计最多 12 个
这意味着你上传参考音频（如一段背景音乐或人物对白），让 H3 在生成视频时参考它的节奏、音色或风格。
四、使用方式
通过官方 API：调用视频生成接口时，在 content 数组中通过 role="reference_audio" 附加参考音频。接口地址为 platform.minimaxi.com/docs/api-reference/video-generation-v2-create。
通过官方应用：海螺 AI 和 MiniMax Hub 已集成 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
通过本地部署：通过 ComfyUI、SGLang、vLLM、diffusers 等框架部署 H3 后，同样支持音频的输入与输出。
五、关于实在 Agent
实在Agent 已经内置了 MiniMax H3 模型。如果你使用实在Agent服务，无需自行处理 API 接入或本地部署，可以直接在 Agent 的工作流中调用 H3 的完整能力，包括原生立体声音频的输入与输出。
总结
MiniMax H3 原生支持音频，输出规格为 32 kHz 立体声，音频与视频在同一次生成中同步产生，而非后期配音。它稳定支持 11 种语言的对话生成。在输入侧，全模态参考模式最多支持 3 段参考音频（需配合图像或视频输入）。H3 在 Artificial Analysis 有声视频编辑榜单中排名全球第一。如果你使用实在Agent，该模型已经内置，可直接调用其音视频联合生成能力。
