文生视频直出
输入一段自然语言描述，海螺AI直接生成带镜头语言的视频画面。不需要分镜脚本或素材准备，提示词里的主体、动作、环境与风格会被统一理解，适合快速验证创意方向。
一句话起片海螺AI把视频生成拆成可组合的能力模块，既能一句话直出，也能在关键节点精准介入。
输入一段自然语言描述，海螺AI直接生成带镜头语言的视频画面。不需要分镜脚本或素材准备，提示词里的主体、动作、环境与风格会被统一理解，适合快速验证创意方向。
一句话起片上传一张静态图片作为首帧，模型会补全后续运动与场景变化，让照片自然“动起来”。也可以只给首尾两帧，让模型在中间补出连贯的动作过渡，控制画面起止的叙事节奏。
首尾帧控制H3 模型在生成画面的同时直接产出原生立体声音频，人声、音效与音乐不再分开建模。成片自带 32kHz 立体声，省去先出画面再回头配音的二次工序，缩短交付路径。
H3 全模态支持混合输入参考图像、参考视频与参考音频，用来锁定人物形象、动作轨迹、镜头风格或音色气质。图像最多 9 张、视频 3 段、音频 3 段，总计不超过 12 个参考文件。
多参考混合“工具”板块内置 AI 影棚，可叠加最多 3 组灯光，通过全景方位球调整角度、强度与颜色。黑棚、白棚、影视布光模板与光学焦散预设，把打光从实拍现场搬进生成流程。
光影工作室Hailuo Video Agent 以单一输入驱动全局工具调用，实时展示分步推理过程，一键产出完整成片。半自定义模式下可以对关键环节定向干预，在自动化和控制感之间留出调节余地。
Beta 进行中来自不同创作场景的短片与测试片段，展示海螺AI在运镜、音频和参考锁定上的实际表现。
不堆参数，只看一条创作链路里真正省掉和保住的东西。
文本、图像、视频、音频放在同一段上下文里理解与生成，不再需要把文生图、主体参考、配音拆到不同工具里来回倒。模态边界被压薄之后，跨任务的一致性和泛化能力更容易维持。
原生立体声随画面一起生成，人声、音效、音乐不需要分轨后期再合成。对于需要快速出片的短内容场景，少一道工序就意味着更短的反馈周期和更低的制作摩擦。
首帧、尾帧、参考素材、重打光，都是在生成链路上留出的“可介入点”。既保留一句话直出的速度，也允许在人物一致性、光线氛围和镜头节奏上做定向修正，不被迫二选一。
官方称 H3 的 2K 每秒价格不到主流模型的三分之一。2K 输出不是靠专用超分模块硬拉，而是基座模型在上下文中重新生成，在画质和成本之间找了一个更轻的平衡点。
H3-Base 以 768P 开放权重发布，社区可以在本地或第三方平台部署、微调、搭工作流。ComfyUI 原生支持 H3 节点，商业授权与社区许可并行，生态不是封闭的一口价。
Video Agent 把成片链路拆成可观察的分步推理，而不是黑箱一次吐片。半自定义模式下能对关键环节定向干预，让“自动”不等于“失控”，适合需要反复调方向的创作场景。
从“碎片化专家模型”到“全模态统一上下文”，海螺3 的设计选择决定了它能做什么、不适合做什么。
在 H3 之前，AI 视频的典型工作流是碎片化的：文生图、主体参考、动作参考、风格参考各自是独立模型；音频侧的人声、音效和音乐分开研究；视频侧又切出文生视频、图生视频、首尾帧、视频编辑等一堆子任务。每个环节单独看都在进步，但把它们串成一条顺畅的创作链路，摩擦成本反而越来越高。
H3 的首要设计原则是跨任务统一与泛化：用同一个基座模型理解文本、图像、视频与音频的混合输入，而不是为每个子任务维护一个专家模型。这带来的直接变化是，参考素材可以“混着给”——最多 9 张图、3 段视频、3 段音频同时进入上下文，模型自己判断哪些信息用于锁定人物，哪些用于约束镜头或音色。官方把这一代的能力归成三类：文生视频、图生视频（含首尾帧）、参考生成，边界比上一代清晰得多。
H3 的所有音频输出都是原生立体声，人声、音效与音乐一起生成，而不是先出无声画面再回头配音。对于 4 到 15 秒的短片段来说，这一步的省略意味着创作循环可以短很多：改一句提示词，画面和声音同时变，判断依据更接近成片感受。代价是音频的精细控制空间相对有限，适合氛围和节奏先行的片段，而不是需要逐轨精修的后期工程。
海螺AI 没有为 2K 单独挂一个超分模块，而是让 H3 基座在上下文中重新生成。这样做的好处是最大化复用基座已经具备的生成能力，避免超分带来的“锐化感”和纹理失真；局限是 2K 出片速度会慢于 768P，更适合对画质有明确要求的定稿环节，而不是高频试错阶段。把 768P 用来快速看方向、2K 用来交付，是一条更实际的混合路径。
理解这层取舍之后，再看 H3 的开放权重和 ComfyUI 节点支持，就能明白它想做的不是“又一个视频生成器”，而是一个可以被接进不同工作流的全模态底座。创作自由度和工程可控性之间的平衡，才是这一代真正的变量。
来自短剧、广告、开源社区和独立创作一线的观察。
“短剧最怕等。海螺AI 把首尾帧控制做进生成链路之后，我们可以先用 768P 快速跑十几版方向，定稿再切 2K。原生音频省掉配音对齐这一步，对日更节奏来说是实打实的提速。”
“重打光上线后，产品图的质感调整不再依赖实拍重布光。光学焦散和影视布光模板可以直接叠在生成结果上，客户改一版光，我们不用重新搭景，沟通成本明显下来了。”
“H3 开放权重加上 ComfyUI 节点，意味着视频生成可以被拆进自动化管线。社区在做短剧一键生成工作流，分镜、参考选取、出片串成一条链，这在封闭 API 时代很难想象。”
“我喜欢半自定义模式。完全自动出片很快，但我想在关键帧上留自己的判断。海螺AI 把‘干预点’放在明面上，而不是藏在一个不可见的黑箱里，这种可控感对创作者很重要。”
视频生成之外，内容的分发逻辑也在变。品牌和创作者面对的是同一件事：答案在被合成，点击在被跳过。
据 CNNIC 统计，截至 2026 年上半年，中国生成式 AI 用户规模已突破 6.02 亿，超过 80% 的消费者在购买决策前使用 AI 辅助搜索[reference:0]。用户获取信息的方式从“点击链接”压缩成“阅读合成答案”，品牌在 AI 答案中是否被引用，正在变成比传统排名更前置的变量。
这对海螺AI 这类创作平台的含义是双层的：一方面，视频生成能力让内容供给变得更便宜、更快；另一方面，如果成片无法被 AI 搜索正确理解与调用，供给量本身不会自动转化为可见性。行业正在从 GEO（生成式引擎优化）向 AEO（Agent 体验优化）演进，品牌的可信语料和数字资产成为智能体决策时的参考源[reference:1]。
海螺AI 的选择是把创作链路的“可拆解性”做高：参考文件、首尾帧、Agent 分步推理、开放权重，都是在为内容进入更大的自动化管线留接口。当视频不再只是终端页面上的播放器，而是可以被拆解、引用和重组的素材单元，创作工具和分发逻辑就必须一起考虑。
一个面向 C 端创作者的全模态平台，背后是 MiniMax 在多模态基座上的长期积累。
海螺AI 是 MiniMax 面向 C 端用户推出的多模态 AI 创作平台，以视频生成为核心功能，国内版本域名为 hailuoai.com，海外版本为 hailuo.ai。2025 年 6 月，海螺视频 Agent 上线，用户通过自然语言驱动全局工具调用，把“零门槛专业级视频生成”从口号变成了可操作的界面。
2026 年 7 月 31 日，MiniMax H3（海螺3）发布，把文本、图像、视频与音频放进同一段上下文，输出带原生立体声的 4 到 15 秒视频，最高支持 2K 分辨率[reference:3][reference:4]。H3-Base 以 768P 开放权重发布，ComfyUI 原生节点同步跟进，社区可以在本地或第三方平台搭建自己的工作流[reference:5]。
同期上线的 AI 影棚重打光功能，在“工具”板块里提供了专业布光模板、全景方位球和多灯光叠加，把影视、电商、摄影中“调光”这个环节搬进了生成流程。从一句话直出，到关键帧控制、参考锁定、Agent 分步成片，海螺AI 想做的不是替创作者做决定，而是把决定权放在更短的操作路径上。
截至 2026 年，海螺AI 持续在海外创作平台与开源生态中扩展接入面，累计用户规模与订阅收入在独立 AI 视频产品中保持在前列[reference:7]。平台仍然围绕同一件事迭代：让一个想法到一条带声音的成片之间的距离，尽可能短、尽可能可控。
模型、Agent、开源生态与榜单表现，按时间倒序排列。
Artificial Analysis 有声图生视频榜单显示，MiniMax H3 以 1140 分位列第一，H3 Max 以 1125 分排名第六。H3 Max 曾在 8 月底登顶，基础版 H3 的排名上升说明原生音频与指令遵循的组合正在被更多评测场景认可。
海螺视频方面表示，H3 的 2K 每秒价格不到主流模型的三分之一。2K 输出不依赖专用超分模块，而是基座模型在上下文中重新生成，适合把 768P 快速试错和 2K 定稿交付拆成两段流程。
Video Agent 以单一输入一键产出完整成片，实时展示分步推理，并提供半自定义模式对关键环节定向干预。底层由 H3 与 2.3 模型按任务选型，H3 侧重分辨率、时长与原生音频，2.3 侧重物理运动与风格化。
ComfyUI 0.30.0+ 模板库内置 5 个 H3 工作流，覆盖文生视频、图生视频、参考生视频、多帧参考与 ControlNet 控制。社区可以在本地或 Comfy Cloud 上搭建可复用的生成管线，Sage Attention 可带来约 2 倍提速。
基于 H3 后训练的 H3 Max 支持 480P/768P 的 T2V、I2V 与参考生成，已通过官方 API 节点进入 ComfyUI。H3 Max Turbo 以更快更便宜的定位补充首尾帧选项，每秒费率约为 Max 的一半，适合高频试错。
MiniMax 在 Hugging Face 与 ModelScope 发布 H3（768P）基础权重，含 FL2VA 与 Ref2VA 双 checkpoint。社区许可协议下，年收入 2000 万美元以下的产品可免版税使用，2K 再生成与 H3-Context-IR 仍为 API-only。
20 个常见问题，点击展开。回答尽量说清楚边界，而不是只讲好话。
来自短剧、电商、独立创作和开源社区的真实使用反馈，好坏都放进来。