MiniMax H3: 하나의 모델로 이미지·비디오·오디오 작업 경계를 허물다

비디오 생성 모델은 빠르게 발전해 왔지만, 현장의 작업 방식은 여전히 분절되어 있다. 이미지 참조, 모션 참조, 음향 디자인이 각각 다른 도구와 단계로 진행되는 구조가 일반적이다. MiniMax가 공개한 MiniMax H3는 이렇게 파편화된 작업 경계를 단일 모델로 통합하겠다는 설계 철학 아래 탄생했다. 이미지 생성, 비디오 생성, 오디오 생성 등 작업별로 분리되어 있던 기존 생성 모델의 경계를 허물고 모든 것을 하나로 묶어내는 범용 멀티모달 생성 모델이다.

모든 모달리티를 하나의 컨텍스트로 읽는다

MiniMax H3의 핵심은 통합된 컨텍스트 이해 능력이다. 텍스트, 이미지, 비디오, 오디오를 하나의 입력 컨텍스트로 동시에 받아들인다 ¹. 덕분에 사용자는 "비디오1의 카메라 움직임을 참조하고, 이미지2의 캐릭터가 오디오3에 맞춰 노래하게 하라" 같은 복합 명령을 자연어 하나로 전달할 수 있다.

기존에는 '텍스트→이미지 생성', '이미지→비디오 편집', '음향 효과 생성'이 각각 분리된 전문가 모델로 존재했다. MiniMax H3는 사전 훈�� 단계부터 이 모든 작업을 분리하지 않고 하나로 섞어 학습함으로써 이러한 파편화를 해소한다. 언어를 범용적인 해석 다리로 삼아 개별 작업을 열린 형식으로 통합하고 일반화한 것이다. 사전 훈련 데이터 및 작업에는 텍스트-이미지 변환, 텍스트-비디오 변환, 텍스트-오디오 변환은 물론 네이티브 스테레오 오디오 공동 생성과 일반화된 참조·편집 기능까지 포함된다 ¹.

출력 역시 통합되는 것이 특징이다. 영상과 네이티브 스테레오 사운드가 별도 생성 과정 없이 하나의 결과물로 함께 나온다. 음성, 효과음, 배경음악이 분리되지 않고 공동 모델링되었기 때문에 가능한 결과다.

2K 기본 출력, 가격 구조를 뒤집다

MiniMax H3는 2K 해상도를 기본 출력으로 제공하며, 2K 기준 초당 가격은 주류 모델의 3분의 1 미만이다. 768p 해상도에서는 주류 모델 720p 대비 절반 이하의 비용을 제시한다 ¹. 출력 영상 길이는 4초에서 15초 사이의 정수 단위로 제공되어 상업용 콘텐츠 제작에 실용적인 범위를 확보했다.

고해상도 구현 방식도 독특하다. 별도 슈퍼 레졸루션 모듈을 쓰는 대신, H3 베이스 모델이 자체 저해상도 출력을 컨텍스트 안에서 재생성하는 '인-컨텍스트 리제너레이션' 방식으로 해상도를 올린다. 작은 텍스트나 미세한 디테일을 복원할 때 기존 업스케일링보다 유리하다는 설명이다.

왜 하나로 묶었을까: 상업 제작을 겨냥한 실용 설계

MiniMax H3는 광고, 브랜딩, 이커머스, 제품 디자인, UI/UX, 게임 등 상업용 콘텐츠 제작을 주요 유스케이스로 설정하고 설계된 범용 모델이다 ¹. 영상 생성 도구가 '짧은 클립 하나 뽑는' 단계를 넘어 제작 파이프라인 전반에 참여하려면, 모델이 한 번에 이해해야 하는 컨텍스트의 범위가 훨씬 넓어져야 한다. MiniMax H3는 '작업 경계를 없애는 것'이 그 출발점이라는 관점을 모델 설계 자체로 실험한 결과물이다.

열어두고, 호환성을 염두에 둔 설계

MiniMax는 수일 내로 H3의 모델 가중치를 오픈소스로 공개할 계획이다. 설계 초기 단계부터 다양한 AI 하드웨어와의 호환성을 고려했다는 점도 주목할 만하다 ¹. 폐쇄적인 API 너머로 모델을 직접 다루고자 하는 개발자와 연구자들에게 실질적인 접근성을 열어두겠다는 의도로 읽힌다.

MiniMax H3는 단일 모델이 여러 모달리티를 얼마나 깊이 통합할 수 있는지를 보여주는 동시에, 상업적 제작 현장에서 요구하는 가격 효율과 해상도 기준을 함께 제시한다. 모델이 이해하는 컨텍스트의 범위를 넓히는 일은 곧 창작 도구의 활용 반경을 넓히는 일이다. MiniMax H3는 그 확장이 어디까지 가능한지를 가늠해볼 만한 전환점이 될 것이다.

¹MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities