MiniMax H3 im Check: Was wirklich offen ist, was die API kostet und wie es auf dem Mac aussieht

Stand: 16. August 2026. MiniMax H3 ist seit dem 31. Juli 2026 verfügbar und verarbeitet Text, Bilder, Videos und Audio in einem gemeinsamen multimodalen Kontext. Das System kann bis zu 15 Sekunden lange Videos mit nativ erzeugtem Stereo-Audio generieren; MiniMax nennt für den gehosteten H3-Stack 768P und 2K bei 24 fps. Für lokale KI-Nutzer ist entscheidend: Die veröffentlichten Gewichte sind nicht identisch mit dem vollständigen 2K-Cloudsystem. Offen sind derzeit die H3-Base-Varianten für Frame- und Referenz-Workflows. Das vorgelagerte H3-Context-IR und die 2K-Regeneration bleiben zunächst gehostete Komponenten. Außerdem ist die Lizenz für Nutzer in Deutschland entscheidend: Die EU ist im veröffentlichten H3 Community License Agreement ausdrücklich als Excluded Territory definiert. MiniMax sagt dagegen, dass die gehostete API global nutzbar ist; die LICENSE definiert Hosted Services als von der territorial beschränkten Materials-Grant getrennte Kategorie, was mit dieser Aussage strukturell konsistent ist. License Q&A · H3 model card · License

Schnellantwort: H3 kombiniert Video, Audio und multimodale Referenz-Workflows in einem System, aber “Open Source” ist als Kurzbezeichnung zu ungenau. Für lokale Nutzung bekommt man aktuell den 768p-H3-Base-Kern unter einer eigenen Community-Lizenz; die vollständige Kontextaufbereitung und 2K-Regeneration liegen weiterhin auf MiniMax-Servern. Auf Apple Silicon existieren bereits frühe lokale Runs, doch die Softwarepfade sind jung und die Laufzeiten stark abhängig von Quantisierung, Auflösung und Workflow.

Die wichtigsten Fakten zu MiniMax H3

Merkmal	Wert
Veröffentlichung	31. Juli 2026
Open-Weight-Release / Lizenzdatum	2. August 2026
Hosted Output	768P oder 2K
Dauer	4–15 Sekunden
Bildrate	24 fps
Audio	nativ gemeinsam mit Video; Stereo, Modellkarte nennt 32 kHz
Dialogsprachen	11 als stabil gelistete Sprachen, darunter Deutsch und Englisch
Offene Varianten	H3-Base-FL2VA und H3-Base-Ref2VA
Omni Transformer	33B dense
Encoder	vollständige Qwen3-VL-32B-Gewichte
API-Ausgabe	0,08 US-Dollar/s bei 768P; 0,13 US-Dollar/s bei 2K
2K-Regeneration	0,05 US-Dollar/s für 768P→2K, zusätzliche Input-Regeln beachten
EU-Lizenz	EU ist in der Community License ein Excluded Territory

Was ist MiniMax H3?

H3 ist MiniMax’ Versuch, die bisher oft getrennten Video-Aufgaben in einem gemeinsamen multimodalen System zusammenzuführen. Statt für Text-to-Video, Image-to-Video, First/Last Frame, Motion Reference oder Audio Reference jeweils ein anderes Spezialmodell vorzuschalten, soll H3 Beziehungen zwischen Text, Bild, Video und Audio in einem gemeinsamen Kontext verstehen.

MiniMax beschreibt das als general-purpose omni-modal generative system. Das Ziel ist nicht nur, aus einem Textprompt einen Clip zu erzeugen. Der Nutzer kann beispielsweise eine Person aus einem Bild referenzieren, eine Bewegung aus einem Video übernehmen und eine Stimme oder Klangreferenz aus Audio in denselben Auftrag einbauen. Das Modell erzeugt Video und Audio gemeinsam statt erst ein stummes Video zu erstellen und es anschließend separat zu vertonen. Das ist relevant, weil bei Video-Workflows die Konsistenz zwischen Modalitäten oft schwieriger ist als die Qualität eines einzelnen Frames. Ein Modell, das Bewegung, Bildidentität, Sprache, Soundeffekte und Musik bereits im gemeinsamen Generationsprozess behandelt, kann theoretisch weniger Brüche zwischen diesen Ebenen erzeugen. Ob es das in jedem Motiv tatsächlich besser macht als konkurrierende Modelle, lässt sich aus Herstellerangaben allein aber nicht ableiten.

Was an H3 wirklich offen ist – und was nicht

Hier entsteht derzeit die meiste Verwirrung. MiniMax beschreibt das vollständige H3-System als drei Module:

1. H3-Context-IR analysiert komplexe Text-, Bild-, Video- und Audioeingaben und übersetzt sie in eine für H3 optimierte Zwischenrepräsentation.
2. H3-Base erzeugt das eigentliche 768p-Video samt Audio.
3. H3-Regenerate-2K nimmt das Basisergebnis zusammen mit dem ursprünglichen Kontext erneut auf und generiert daraus die 2K-Fassung.

Die initiale öffentliche Gewichtsfreigabe enthält H3-Base, aber nicht den kompletten Stack. MiniMax erklärt ausdrücklich, dass H3-Context-IR aufgrund seines mehrstufigen Workflows und mehrerer gehosteter Modelle beziehungsweise Dienste nicht Teil der offenen Veröffentlichung ist. Auch die vollständige 2K-Regeneration wird im empfohlenen Workflow als gehosteter Dienst eingebunden.

Das hat zwei praktische Folgen. Erstens: Ein lokaler H3-Base-Run ist nicht automatisch dasselbe Produkt wie ein 2K-Clip aus der offiziellen H3 API. Die API kann Context-IR und Regenerate-2K nutzen, die lokal derzeit fehlen. Zweitens: Der Begriff “open H3” sollte technisch sauber verwendet werden. Offen verfügbar sind die Base-Gewichte, nicht jeder Bestandteil des Produktionssystems.

Die beiden offenen H3-Base-Varianten

H3-Base-FL2VA deckt Frame-basierte Workflows ab:

• kein Bild → Text-to-Video;
• ein Bild → First-Frame-to-Video oder Last-Frame-to-Video;
• zwei Bilder → First-and-Last-Frame-to-Video.

H3-Base-Ref2VA ist für Omni-Reference gedacht. Die aktuelle Modellkarte nennt:

• bis zu 9 Bilder;
• bis zu 3 Videoclips;
• je Videoclip 2–15 Sekunden, zusammen höchstens 15 Sekunden;
• bis zu 3 Audioclips;
• Audio jeweils 2–15 Sekunden, insgesamt höchstens 15 Sekunden;
• Audio darf nicht die einzige Eingabe sein;
• höchstens 12 gemischte Referenzdateien insgesamt.

2K ist bei H3 keine klassische Super-Resolution

MiniMax beschreibt die 2K-Stufe als In-Context Regeneration. Der Basisausgang wird nicht lediglich von einem separaten Upscaler hochgerechnet. Stattdessen wird der niedrigere Ausgang zusammen mit dem ursprünglichen multimodalen Kontext wieder in den Generationsprozess eingespeist. Damit soll die 2K-Stufe Details rekonstruieren können, für die ein klassischer Upscaler nur Pixelmuster erraten würde – etwa kleine Schrift oder feine Objektmerkmale. Das ist ein sinnvoller Architekturunterschied, aber auch hier gilt: Die bessere Detailrekonstruktion ist zunächst MiniMax’ eigene technische Begründung. Der offene Base-Release liefert die gehostete Regenerationsstufe nicht mit.

Architektur: Warum H3 so speicherhungrig ist

H3-Base organisiert die encodierten Modalitäten in einer gemeinsamen gepackten Sequenz. Text wird über den H3-Encoder verarbeitet, visuelle Daten zusätzlich über H3-VisualVAE, Audio über H3-AudioVAE. Der H3-Omni-Transformer sagt anschließend Video- und Audio-Latents gemeinsam vorher.

Qwen3-VL-32B als Encoder

MiniMax nutzt die vollständigen vortrainierten Gewichte von Qwen3-VL-32B als H3-Encoder und gibt Hidden States aus dessen 50. Schicht an den Omni Transformer weiter. Allein das erklärt einen großen Teil des Speicherbedarfs.

33B Dense Omni Transformer

Die Modellkarte weist den H3-Omni-Transformer mit 33 Milliarden dichten Parametern aus. Etwa 13 Milliarden Parameter liegen laut MiniMax in AdaLN-bezogenen Zweigen. Für reine Inferenz können bestimmte Ausgaben dieser Zweige gecacht werden, was Optimierungsspielraum schafft.

Video- und Audio-VAE

Die visuelle VAE komprimiert räumlich stark und reduziert die temporale Dimension; die Audio-VAE bildet 32-kHz-Stereoaudio in Latents ab. Video und Audio werden als getrennte Latents repräsentiert, aber im gemeinsamen Transformer vorhergesagt.

Sparse Attention: noch nicht vollständig im offenen Inferenzpfad

MiniMax sagt, H3 unterstütze Sparse Attention nativ im Design. Die initiale offene Veröffentlichung stellt jedoch zunächst Full-Attention-Inferenz bereit; die eigene Sparse-Attention-Implementierung soll später folgen. Das ist wichtig, weil lange Videosequenzen bei voller Attention besonders teuer werden können.

Wie viel kostet die MiniMax-H3-API?

Die offizielle Pay-as-you-go-Seite listet am 16. August 2026:

• 768P: 0,08 US-Dollar pro erzeugter Sekunde
• 2K: 0,13 US-Dollar pro erzeugter Sekunde
• Audio-Input: kostenlos
• Bilder: erste fünf kostenlos, danach 0,04 US-Dollar je zusätzliches Bild
• Video-Input: nach Eingangsdauer und gewünschter Ausgangsauflösung; 0,08 US-Dollar/s bei 768P beziehungsweise 0,13 US-Dollar/s bei 2K
• 768P→2K-Regeneration: 0,05 US-Dollar pro Ausgabesekunde

Bei einer Regeneration werden die ursprünglichen Eingabematerialien nach den Regenerationsregeln erneut abgerechnet. Außerdem führt MiniMax für H3-Context-IR eine tokenbasierte Bepreisung: $0,90 pro Million Eingabetokens und $3,60 pro Million Ausgabetokens (verifiziert am 2026-08-16 gegen die MiniMax-pay-as-you-go-Seite).

Was kostet ein einzelner Clip?

Berechnete Schätzwerte auf Basis der offiziellen Ausgabe-Preise; ohne Referenz-Inputs, Context-IR, Steuern oder Credits.

Clip	768P	2K
5 Sekunden	0,40 US-Dollar	0,65 US-Dollar
10 Sekunden	0,80 US-Dollar	1,30 US-Dollar
15 Sekunden	1,20 US-Dollar	1,95 US-Dollar

Formel: Sekunden × Preis pro Ausgabesekunde.

Drei realistische Nutzungsszenarien

• Leicht: 10 Clips × 5 s bei 768P = 50 s → 4,00 US-Dollar
• Mittel: 50 Clips × 8 s bei 768P = 400 s → 32,00 US-Dollar
• Intensiv: 100 Clips × 15 s bei 2K = 1.500 s → 195,00 US-Dollar

Diese Zahlen zeigen zugleich, warum ein vermeintlich kleiner Preis pro Sekunde bei iterativem Prompting schnell relevant wird. Ein Creator erzeugt selten nur den finalen Clip; Varianten, Fehlversuche und Referenzmaterial erhöhen die reale Rechnung.

H3 lokal: Was die offiziellen Tools über den Hardwarebedarf verraten

Hugging Face hat H3 in die Modular Diffusers integriert. Die Dokumentation nennt zwei besonders große Bereiche: rund 61,7 GB für die Transformer-Partition und rund 62,1 GB für den Conditioner/Text-Encoder-Pfad. Deshalb wird bei normaler Consumer-Hardware aggressiv ausgelagert.

Die derzeitige Diffusers-Dokumentation beschreibt:

• 24–32-GB-GPUs mit INT8-Quantisierung und CPU-Streaming;
• auf 12–16 GB CUDA-VRAM dieselbe Grundidee mit zusätzlich ausgelagerter Video-VAE und kleinerer Canvas-Größe, etwa 960×544;
• dabei ungefähr 75 GB Host-RAM für die Gewichte in INT8;
• zwei 80-GB-GPUs für einen vollständigen BF16-Split ohne ständiges Zurückschieben;
• zwei 48-GB-GPUs für einen ähnlichen Split mit INT8.

Das ist ein gutes Beispiel dafür, warum “läuft auf 12 GB” ohne Kontext irreführend wäre: Niedrige VRAM-Belegung wird durch sehr hohen Arbeitsspeicherbedarf und Datenbewegung erkauft.

Kontrollierte SGLang-Beispiele

SGLang veröffentlicht reproduzierbarere Topologie-Tests als typische Social-Media-Screenshots. Für den dort dokumentierten 1344×768-Workload mit 124 Frames bei 24 fps und 50 Denoising-Schritten werden je nach Hardware sehr unterschiedliche Ergebnisse gemessen. Ein besonders anschauliches Consumer-Beispiel: Ein 2× RTX 5090-System mit Layerwise Offload benötigte für den vollständigen 5-Sekunden-Request 559,67 Sekunden, bei rund 26,3 GiB gemessenem Peak pro GPU. Das widerspricht nicht schnelleren Rechenzentrumswerten: H3 reagiert stark auf Parallelisierung, Speicherplatzierung und Beschleunigerklasse. SGLang warnt selbst davor, Validierung von einer Topologie auf eine ähnliche GPU-Familie zu übertragen.

Läuft MiniMax H3 auf einem Mac?

Frühe Community-Berichte zeigen lokale Runs – ein seriöser Mac-Benchmark lässt sich daraus noch nicht ableiten.

Es gibt inzwischen mehrere frühe Apple-Silicon-Berichte in der Stable-Diffusion-Community:

Hardware / Bericht	Setting	Berichtete Zeit	Einordnung
M5 Max	608×352, 5 s	438 s	früher Community-Run
M5 Pro	ungefähr 0,4-Auflösung, 5 s	~30 min	früher ComfyUI-Run
M5 Max	768p, 5 s	~27 min in einem Thread	Workflow nicht vollständig normiert
M5 Max 128 GB	INT8, 768p, 5 s	~15 min nach Optimierung	Community-Optimierung
Q4-Workflow, Mac nicht vollständig spezifiziert	512×512, 5 s, Peak 18 GB	~18 min	quantisierter Community-Run

Diese Daten sind keine saubere Benchmarkserie. Die Threads verwenden unterschiedliche Quantisierungen, ComfyUI-Nodes, Auflösungen und teilweise zusätzliche Apple-Silicon-Patches. Gerade deshalb ist die Spannweite nützlich: Sie zeigt, dass einzelne lokale Workflows H3 bereits ausführen können, aber noch nicht den “Download, klicken, schnell rendern”-Reifegrad kleinerer lokaler Modelle erreicht.

Wie viel Unified Memory sollte man einplanen?

Eine offizielle Mac-Mindestanforderung wurde in der Recherche nicht gefunden. Deshalb wäre eine konkrete Zahl wie “32 GB reichen” unseriös.

Was man belastbar sagen kann:

• Das vollständige BF16-Modell ist sehr groß.
• Quantisierung reduziert die Gewichtslast deutlich.
• Apples Unified Memory vermeidet die harte Trennung zwischen VRAM und System-RAM, beseitigt aber weder Rechenaufwand noch Bandbreitenkosten.
• Früh veröffentlichte Mac-Runs reichen von unter 20 GB Peak in stark quantisierten kleinen Workflows bis zu deutlich größeren Setups.
• Für produktives 768p-H3 auf dem Mac ist im August 2026 eher viel Unified Memory plus Geduld als ein klarer Mindestwert die realistische Aussage.

Wer H3 heute nur benutzen möchte, statt den lokalen Stack zu erforschen, bekommt mit der offiziellen API den deutlich einfacheren Weg.

Der EU-Lizenzpunkt: besonders wichtig für Deutschland

Die Gewichte sind öffentlich auf Hugging Face verfügbar. Das bedeutet aber nicht automatisch, dass die beigefügte Lizenz jedem Nutzer weltweit dieselben Rechte gewährt.

Das MiniMax H3 Community License Agreement, datiert auf den 2. August 2026, definiert das Applicable Territory als weltweit mit Ausnahme der Excluded Territories. Zu diesen ausgeschlossenen Gebieten gehören ausdrücklich:

• Europäische Union
• Vereinigtes Königreich
• Republik Korea
• Vereinigte Staaten

Die eigentliche Rechtegewährung gilt laut Lizenztext nur innerhalb des Applicable Territory. Für einen Leser in Deutschland ist das keine Randnotiz, sondern ein zentraler Punkt. Man sollte deshalb nicht aus der bloßen Downloadbarkeit der Gewichte ableiten, dass die veröffentlichte Community License die lokale Nutzung in Deutschland autorisiert.

MiniMax erklärt in einer separaten Q&A, die regionale Einschränkung hänge mit den regulatorischen und urheberrechtlichen Rahmenbedingungen für generative Videomodelle zusammen. Gleichzeitig sagt das Unternehmen, dass die gehostete API global verwendet werden kann, weil MiniMax dort die Serving-Infrastruktur und Schutzmechanismen kontrolliert.

Wichtig: Das hier ist keine Rechtsberatung. Wer die Gewichte in einem ausgeschlossenen Gebiet einsetzen oder kommerziell integrieren möchte, sollte die aktuelle Lizenz selbst prüfen und bei Bedarf eine gesonderte Freigabe von MiniMax beziehungsweise Rechtsberatung einholen.

Zusätzliche kommerzielle Bedingungen

Auch innerhalb des Lizenzgebiets enthält der Vertrag zusätzliche kommerzielle Bedingungen. Unter anderem nennt er eine separate schriftliche Autorisierung für Produkte und Dienste mit mehr als 20 Mio. US-Dollar Jahresumsatz und eine Pflicht zur sichtbaren MiniMax-H3-Kennzeichnung bei kommerziellen Produkten oder Services.

ComfyUI: Der derzeit praktischste lokale Einstieg

ComfyUI hat H3 sehr früh nativ integriert und dokumentiert Workflows für Text-to-Video, Image-to-Video und Reference-to-Video. Die offiziellen Workflow-Templates liegen öffentlich im Comfy-Org-Repository. Das senkt die Einstiegshürde erheblich, ändert aber nichts an den Modellgrößen. Viele aktuelle Community-Workflows kombinieren quantisierte H3-Checkpoints, quantisierte Qwen3-VL-Encoder, SageAttention, dynamisches Laden und Offloading, kleinere Draft-Auflösungen sowie wenige Denoising-Schritte oder Turbo-LoRAs. Je stärker man quantisiert oder Schritte reduziert, desto weniger sollte man Laufzeitwerte mit einem unveränderten BF16-50-Step-Workflow vergleichen.

Prompting: H3 braucht mehr als einen hübschen Einzeiler

MiniMax veröffentlicht zwei eigene Prompt-Guides. Für Base-Workflows strukturiert MiniMax Prompts unter anderem in eine integrierte multimodale Beschreibung, Soundscape und nicht-diegetische Musik. Für Reference-to-Video kommen explizite Subjektdefinitionen, Retention-Analyse und detaillierte Referenzbeziehungen hinzu. Das passt zur Systemidee: H3 soll nicht nur “einen Hund am Strand” verstehen, sondern Beziehungen wie “verwende Bewegung aus Video A, Figur aus Bild B und Stimme aus Audio C”. Je komplexer diese Beziehungen werden, desto wichtiger ist eine klare zeitliche und semantische Beschreibung.

Wo H3 noch Grenzen hat

MiniMax nennt in der eigenen Research-Veröffentlichung selbst drei Entwicklungsfelder: multimodales Verständnis kann weiter verbessert werden, die aktuelle Modellgröße begrenzt einige Fähigkeiten, und visuelle Detailqualität hat in bestimmten Szenarien noch Luft nach oben. Dazu kommen praktische Grenzen des offenen Releases: Full Attention statt der angekündigten eigenen Sparse-Attention-Implementierung, Context-IR nicht lokal enthalten, 2K-Regeneration nicht lokal enthalten, hoher Speicherbedarf, junges Optimierungsökosystem und stark variierende Community-Ergebnisse auf Consumer- und Mac-Hardware. Ein weiterer Punkt: Manche Beschleunigungen wie Caching oder aggressive Quantisierung können Geschwindigkeit gewinnen, aber die Qualität oder Reproduzierbarkeit beeinflussen. SGLang unterscheidet deshalb explizit zwischen verlustfreien Platzierungs- und Parallelisierungsverfahren und approximativen Cache-Verfahren.

MiniMax H3 vs. Hailuo 2.3: Was hat sich in der Produktlinie geändert?

Merkmal	MiniMax H3	Hailuo 2.3
Rolle	general-purpose multimodales Video-System	ältere spezialisiertere Video-Generation
T2V	ja	ja
I2V	ja	ja
First/Last Frame	ja	nicht als gleichwertige H3-Systemfunktion in der Übersicht gelistet
Multimodal Reference	ja	nicht als H3-ähnlicher Omni-Reference-Modus gelistet
Native gemeinsame Audio-Video-Generation	Kernmerkmal	nicht als entsprechendes Kernmerkmal gelistet
Dauer	4–15 s	6 s / 10 s je nach Auflösung
Auflösung	768P / 2K	768p oder 1080p
FPS	24	24

Diese Tabelle vergleicht nur die offiziell gelisteten Produktmerkmale; sie ist kein Qualitätsbenchmark.

API, lokale Gewichte oder abwarten?

Dein Ziel	Sinnvollster Weg am 16.8.2026
Sofort 2K und kompletter offizieller Workflow	MiniMax API / Hailuo
Multimodale Referenzen ohne lokales Setup	API
H3 erforschen, Workflows modifizieren, eigene Inferenz testen	H3-Base lokal, sofern Lizenz und Region passen
EU/Deutschland + keine separate Lizenz	Hosted API prüfen; Gewichts-Lizenz nicht einfach als freigegeben annehmen
Mac + experimentierfreudig	Lokaler Test möglich, aber mit langen und variablen Laufzeiten rechnen
Mac + produktiver Video-Workflow	API derzeit pragmatischer
Geringe RAM- und VRAM-Ressourcen	Quantisierung und Offload möglich, aber Host-RAM und Laufzeit beachten
Vollständiger lokaler 2K-Stack	Warten, sofern MiniMax die fehlenden Module später veröffentlicht

Fazit: Offene Gewichte mit Lizenz-Einschränkungen

MiniMax H3 verbindet einen gemeinsamen multimodalen Transformer für Video und Audio mit Referenz-Workflows und einem veröffentlichten H3-Base-Stack. Gleichzeitig sind zwei Einschränkungen für eine korrekte Einordnung unverzichtbar.

Erstens: Das öffentlich verfügbare H3-Base ist nicht der komplette gehostete H3-Stack. Context-IR und die 2K-Regeneration sind zunächst Dienste.
Zweitens: Die Community License ist regional eingeschränkt und schließt die EU ausdrücklich aus.

Für Mac-Nutzer ist H3 momentan ein lokales Experiment, aber noch kein einfacher Produktionsweg. Frühe Community-Runs zeigen, dass einzelne Apple-Silicon-Setups funktionieren; sie zeigen aber genauso deutlich, dass Auflösung, Quantisierung und Softwarepfad die Laufzeit massiv verändern. Wer heute einfach 2K-H3-Videos mit dem vollständigen Workflow erzeugen will, ist mit der API klar näher am Ziel.

Recherche durchgeführt am 16. August 2026. Herstellerangaben wurden, wo möglich, mit technischen Integrationsdokumenten und unabhängiger Berichterstattung abgeglichen. Community-Messungen sind ausdrücklich als solche gekennzeichnet.

Die Lizenz wird von der Nanonoble Pte. Ltd. veröffentlicht (Definition 15 des License Agreement), die öffentlich unter der Marke MiniMax auftritt.