一条十几秒的短视频，真正做起来并不轻松。

先写脚本，再找画面、配音乐、做字幕，最后还要反复剪辑。对个人创作者和小商家来说，一条短片往往要折腾大半天。

7月31日，MiniMax发布通用多模态生成模型H3。按照官方公布的信息，用户可以输入文字，也可以上传图片、视频或音频作为参考，生成最长15秒、最高2K分辨率的视频。画面完成时，双声道声音也能一起生成，不必再单独配音和加音效。

比如，一家服装店想做新品短片，可以上传商品图，再提供一段人物走路的视频，让画面中的模特按照参考动作展示衣服。做美食内容的人，也可以给出一张菜品照片和一段音乐，让镜头跟着节奏推进。

H3还支持设置视频的开头和结尾。用户可以分别上传首帧和尾帧，让模型在两张画面之间补出完整过程。官方资料显示，视频时长可在4秒至15秒之间选择。

这类工具最吸引人的地方，是把原本分散的工作放到了一起。过去，画面、动作、配音和音乐往往需要分别处理，现在可以在一次生成中完成。对没有专业拍摄团队的人来说，先做出一版样片会容易不少。

不过，生成完成并不意味着可以直接发布。人物动作是否自然、画面里的文字有没有写错、商品细节是否准确，仍然需要人工检查。复杂字体、小字和高难度场景，也可能出现不稳定的情况。

H3还不能替代摄影师和剪辑师，但它让更多人有机会先把脑海里的画面做出来。以前一个想法可能停在纸上，如今，写下几句话，就有机会看到它变成一段能播放的视频。