Что вышло 11 ноября
MiniMax H3-Image вышла 11 ноября 2026 года с открытыми весами и построена на H3. Умеет три вещи: генерацию из текста, генерацию по референсным картинкам и редактирование готового изображения. Кадр 4K это 4096 на 4096 пикселей, около 16 мегапикселей, и собирается он меньше чем за десять секунд. Компания обещает «до 5 раз быстрее основных альтернатив»; цифра её, проверять на своём железе.
Мне в этой новости важнее темп, чем абсолютная скорость. Скорость нужна, когда кадры идут десятками: пять вариантов позы, три варианта фона, два варианта света. Тогда десять секунд на кадр дают рабочую смену вместо красивого демо.
Почему картинка в видео нейросеть начинается с первого кадра
В пайплайне картинка в видео нейросеть приходит первым кадром, и от него зависит всё дальше: поза героя, направление света, композиция, куда поедет камера. Модели image-to-video продолжают готовое изображение, сцену с нуля они не строят. Ошибка в стартовой картинке размножается на весь клип, и переделывать приходится сцену целиком.
Отсюда моё правило: время, сэкономленное на кадре, возвращается переделками в видео. Порядок такой: кадр, движение, монтаж. Как именно картинка становится движением, у нас разобрано отдельно, там про шаги генерации и согласованность соседних кадров.

4K как запас под кроп
Кадр 4096 на 4096 спокойно режется в 9:16 без апскейла: из квадрата на 16 мегапикселей вертикаль 1080 на 1920 забирает часть, а детали продукта остаются резкими. Запас по разрешению экономит отдельный проход апскейла, а вертикальная реклама выходит десятками роликов.
Второй плюс это референсы: до 16 картинок на входе. Точность следования промпту компания называет лучшей среди открытых моделей, и это снова её слова. На практике 16 референсов полезны, когда один продукт надо удержать в разных ракурсах: бутылка, коробка, кроссовок остаются собой, фон меняется.
Как нейросеть картинку в видео превращает: три модели на входе
Дальше кадр уходит в видеомодель, и первое, что важно, сколько картинок она принимает. Kling 4.0 по официальному гайду берёт до 10 ключевых кадров. Gemini Omni 1.2 Flash по документации Google Cloud работает в режиме первого и последнего кадра, клип в этом режиме 3-10 секунд. Seedance 2.5 flash принимает до 10 картинок на входе.
Разница практическая. Один кадр задаёт старт, дальше модель импровизирует. Два кадра задают старт и финал, свет держится ровнее. Десять кадров дают почти раскадровку, и тогда герой не меняет лицо между шотами.
Отдельный текст про ключевые кадры внутри одной сцены разбирает, как ставить их так, чтобы модель не рвала движение.
Порядок работы: один герой, чистый фон, финал той же моделью
Порядок, по которому я собираю ключ-кадр под видео.
Первое: один герой в кадре и чистый фон. Продолжать простую сцену модели легче, лишний предмет в стартовой картинке даёт лишнее движение.
Второе: без текста в кадре. Надписи видеомодель переписывает по-своему, буквы плывут на первом же движении.
Третье: финальный кадр делать той же моделью. Тогда свет и цвет совпадают, и склейка не читается как склейка.
Четвёртое: 4K держать до монтажа. Кроп, зум и стабилизация делаются из полного кадра, из ужатого они дают мыло.
Скорость, режимы и цена
По обещанию платформы режим Standard идёт в 1,5-2 раза быстрее альтернатив, Highspeed в 3-4 раза. Цена 50-70 процентов от сопоставимых предложений, в первую неделю после запуска скидка 50 процентов на 4K и выше. Проценты чужие, поэтому я считаю на своей нагрузке: сто кадров на пробу, дальше решение.
Доступ широкий: Hugging Face с репозиторием MiniMaxAI/MiniMax-H3-Image, MiniMax API Platform, MiniMax Code и Hailuo AI. Локальный запуск и API решают разные задачи. Локально материал остаётся внутри студии, API снимает возню с видеокартой.
Лицензия: где открытые веса закрыты
Лицензия MiniMax H3 (Community) исключает США, ЕС, Великобританию и Южную Корею: для использования там нужно разрешение MiniMax. AdGraam 10 ноября написал прямо: «US excluded». Карточку весов H3-Image стоит открыть отдельно, потому что условия для весов и для API могут разойтись. Для студии в России это не забор, для клиента из Европы уже разговор.
Мой вывод
Открытая картиночная модель полезна видеопродакшну в одном месте: она быстро делает стартовый кадр, который пойдёт в видео. Обзором картиночного генератора я это не считаю, потому что конечный продукт здесь клип.
В работе я ставлю H3-Image на этап подготовки. Дальше видео нейросетями собирается по обычной схеме: кадр, движение, монтаж, звук. Для серии вертикальных роликов такой темп важен, версий много и каждая начинается с кадра.
Последнее. Обещания про «до 5 раз быстрее» и «50-70 процентов цены» проверяются на своём проекте за один вечер. Совпал счёт, модель остаётся в пайплайне надолго. Не совпал, она остаётся инструментом для черновиков.




