MiniMax H3: Was kann Chinas neues Video-KI-Modell?

MiniMax H3: Chinas Videomodell erzeugt 2K-Clips mit nativem Ton

Michael Dobler

Autor Dr. Web

31. Juli 2026

2 Min. Lesezeit

Das Shanghaier KI-Labor MiniMax hat mit H3 ein Videomodell vorgestellt, das Clips in 2K-Auflösung samt eingebautem Ton erzeugt. Das Unternehmen kündigt an, die Gewichte in Kürze quelloffen bereitzustellen. Damit rückt professionelle Videoproduktion per Textbefehl näher an den Alltag von Marketing- und Medienteams.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

MiniMax H3 rendert aus einem einzigen Prompt bis zu 15 Sekunden Video mit 24 Bildern je Sekunde, passender Tonspur und gleichbleibenden Figuren über mehrere Schnitte.^[1] Bisher zerfielen KI-Clips nach wenigen Sekunden oder verlangten getrennte Werkzeuge für Bild, Stimme und Musik. H3 fasst diese Schritte in einem Modell zusammen.

Das Wichtigste in Kürze

MiniMax H3 erzeugt Videoclips bis 15 Sekunden in 2K (2560 mal 1440 Pixel) mit 24 Bildern je Sekunde und nativer Tonspur.
Ein Prompt kann Figuren tauschen, Hintergründe ersetzen, Dialoge umschreiben und Stimmen aus einer Referenz klonen.
MiniMax kündigt an, das Modell in Kürze quelloffen bereitzustellen; aktuell läuft der Zugang über eine Programmierschnittstelle und einen kleinen Partnerkreis.
H3 tritt gegen OpenAIs Sora, Googles Veo und die Videomodelle von Kuaishou, ByteDance und Alibaba an.

Was H3 von reinen Clip-Generatoren trennt

Hölzerne Filmklappe mit der Aufschrift „Prompt“ und gezeichneter Schallwelle vor hellem Hintergrund — MiniMax H3 synchronisiert Video, Audio und Text in einem Durchgang und hält dabei Figuren, Kleidung und Bildstil konsistent – ideal für kommerzielle Produktion

Der Sprung liegt weniger in der Auflösung als in der Konsistenz. H3 hält Gesicht, Kleidung und Bildstil einer Figur über mehrere Einstellungen stabil und legt Sprache, Geräusch und Musik synchron unter das Bild. MiniMax positioniert das Modell deshalb nicht als Spielerei, sondern für die kommerzielle Produktion. Es verarbeitet gemischte Vorlagen, also Text, Bild, Video und Audio in einem Durchlauf, und deckt Seitenverhältnisse vom Kinoformat bis zum Hochkant-Clip ab. Damit zielt es auf Werbespots, Produktvideos und Social-Clips, die bisher ein Team aus Kamera, Schnitt und Vertonung verlangten. Wie ein solcher multimodaler Ansatz aussieht, zeigte zuletzt Flux 3 aus Freiburg.

Warum China gerade Videomodelle offenlegt

H3 reiht sich in eine Welle chinesischer Videomodelle ein: Kuaishous Kling, ByteDances Seedance und Alibabas Wan liefern sich seit Monaten ein Tempo-Rennen mit Sora und Veo. Neu ist die Verbindung aus Spitzenqualität und angekündigter Offenlegung. Schon bei Sprachmodellen schließt China die Lücke zur Weltspitze über quelloffene Gewichte, und dieselbe Strategie greift nun auf Bewegtbild über. MiniMax selbst, hinter dem Alibaba, Tencent und der Spielehersteller miHoYo stehen, ging im Januar 2026 in Hongkong an die Börse.

Ein Videomodell, das Bild, Ton und Stimme in einem Zug liefert und dann auch noch quelloffen sein will, verschiebt die Kostenrechnung jeder Marketingabteilung. Die eigentliche Frage ist nicht die Qualität, sondern die Haftung für den geklonten Charakter und die fremde Stimme.
— Markus Seyfferth, Chefredakteur Dr. Web

Auflösung, 2560 mal 1440 Pixel

15 Sek.

maximale Länge je erzeugtem Clip

Bilder je Sekunde

Nativ

eingebaute Ton- und Sprachspur

Ein Modell für alle Spuren

4-in-1

Text, Bild, Video und Audio als Vorlage in einem Durchlauf

Konstant

gleiche Figur, Kleidung und Bildstil über mehrere Schnitte

Klon

Stimme aus einer kurzen Referenzaufnahme nachbilden

21:9 bis 9:16unterstützte Seitenverhältnisse, vom Kinoformat bis zum Hochkant-Clip

Was für DACH-Teams jetzt zählt

Am 2. August 2026 greifen die Transparenzpflichten aus Artikel 50 der KI-Verordnung. Künstlich erzeugte Videos und Töne, die realen Personen oder Ereignissen täuschend ähneln, müssen als KI-Inhalt gekennzeichnet werden.^[2] Beim Einsatz für Werbung oder Unternehmenskommunikation trägt der Betreiber diese Kennzeichnungspflicht selbst. Dazu kommt das Persönlichkeitsrecht: Eine aus einer Referenz geklonte Stimme oder ein nachgebautes Gesicht berührt ohne Einwilligung schnell die Datenschutz-Grundverordnung und das Recht am eigenen Bild. Für Bewegtbild im B2B-Marketing bleibt deshalb die Frage der Rechtekette so wichtig wie die Bildqualität.

Ob H3 tatsächlich quelloffen erscheint und wie frei die Lizenz ausfällt, bleibt bis zur Veröffentlichung offen. Vor dem ersten Projekt gehört die Freigabe von Stimmen und Gesichtern deshalb ins Briefing, nicht in die Nachbearbeitung.