MiniMax H3 替代方案：三大排行榜分別評出三個不同的 #1 模型。於是我讓一份簡報通過所有模型。

三台攝影機圍著一個狹小的午夜拉麵檯子，蒸氣在加熱燈下飄散

一個場景，一個鏡次號碼在場記板上，三台不同的攝影機對準它。這就是本文的全部方法。使用 openai/gpt-image-2/text-to-image 生成。

MiniMax H3 登上排行榜榜首四天後，搜尋其替代方案的人數增加了。這並不矛盾。

有兩類人在搜尋。一類人不耐煩：渲染佇列很長，帳單比預期的大，而且有個週二的截止日期。另一類人則完全不煩惱。他們喜歡 H3。他們只是記得，二月時他們投入的模型在三月被取代，四月又被取代，六月再次被取代。他們不是在找替代品。他們是在找一個不需要花費一週工程時間的退路。

我按照常規方式尋找答案，也就是閱讀排行榜。但排行榜不配合。截至 2026 年 8 月 4 日，影片領域有三個排行榜，而且它們分別推崇不同的模型。於是我停止閱讀，開始實際測試：用一個簡短、未經編輯、5 秒鐘的內容，直接對三個當前第一名模型進行測試。

關鍵要點

• MiniMax H3 沒有一個單一的最佳替代方案，因為有三個第一名。在 2026 年 8 月 4 日：H3 在含音訊的影片編輯項目領先（1,130 Elo），Gemini Omni Flash 在含音訊的文字轉影片項目領先（1,245），Seedance 2.0 720p 在含音訊的圖片轉影片項目領先（1,196）。
• 需要最佳畫質且無需音效？選擇 Gemini Omni Flash。它在無音訊的文字轉影片排行榜上也以 1,324 Elo 位居榜首，而且每秒計費比 H3 更低。
• 要讓靜態圖片動起來？Seedance 2.0 在該排行榜領先。但其 720p 的每秒費率實際上比 H3 的 2K 費率還要高，所以在確認「切換到更便宜的方案」之前，請先驗證。
• 畫面上的文字是真正能區分它們的測試。在我相同的測試條件下，H3 和 Gemini Omni Flash 都能清晰地呈現標題卡；Seedance 2.0 則在解析前會有一幀畫面文字亂掉。Elo 分數欄無法告訴你這一點。
• 預算底線是真實存在的，並非想像：Veo 3.1 Lite 仍然能維持一個場景。在公開排行榜上選擇更低的方案（LTX-2.3 Fast，每分鐘 2.40 美元，Elo 980），你買到的會是重複嘗試，而非節省成本。
• 切換的成本應該幾乎為零。透過一個 API、一個金鑰和一個 JSON body，遷移只需要更改一個字串。這才是搜尋這個詞的人真正需要的，而不是價格。

相同的 5 秒拉麵測試內容，逐字應用於三個當前的排行榜領先模型。左：MiniMax H3 2K。中：Gemini Omni Flash 720p。右：Seedance 2.0 720p。每個模型自己的完整片段在下方。觀察最後一秒，標題卡出現的時刻。

為什麼 MiniMax H3 替代方案在一週內打破所有候選清單

這就是問題所在。影片不是單一任務，而 Artificial Analysis 也不是用單一標準評分。它運行三個獨立的賽場，而在我查看的那天，每個賽場都有不同的贏家。

分數於 2026 年 8 月 4 日取自 Artificial Analysis 影片編輯排行榜、文字轉影片排行榜 和 圖片轉影片排行榜（Artificial Analysis，2026 年 8 月）。這些都是群眾外包的盲測投票，因此分數會隨投票量而波動。列表價格是指在創作者自有 API 上使用預設設定產生一分鐘 1080p 影片的成本，這並非你在任何端點上為每個完成片段實際支付的費用。將差距約 15 分以內視為平手，而非定論。

再看第三行。第一名、第二名和第三名之間僅相差 9 分，而 95% 信賴區間約為正負 9 分。這是一個被印刷成排名的三方平手局面。

而且這種變動並非新鮮事。過去半年來，榜首大約每四到八週就會換人：Kling 3.0，然後 Veo 3.1，然後 Seedance 2.0，然後 Gemini Omni Flash，然後 Wan 2.7，然後 Seedance 2.5，現在是 H3。在座沒有人是為了未來兩年挑選模型。他們是為了未來六週挑選，並在心裡默默估算改變主意的成本。

所以 Elo 無法解決這個問題。但有一件事可以，大約只需要觀看五秒鐘：你的畫面裡有文字嗎？

在動態中存活下來的字體排版是這個類別中最常見的失敗。字母搖晃、邊緣模糊、襯線在第 40 幀長出分支。而且它在畫質方面是二元對立的：要嘛每個幀的單字都拼寫正確，要嘛這個鏡次就報廢了。H3 自己的樣片正好大量使用這一點，這告訴你它認為自己的護城河在哪裡。這三個片段是 MiniMax 官方 H3 的輸出，不是我的，它們設定了任何替代方案都必須跨越的門檻。

一個完整的黑色電影片頭序列：一張又一張的拉丁文和日文字型卡片、工作人員名單、面板擦除。每個字母在整個運行過程中都保持形狀。這是決定你是否能切換的關鍵任務。

時尚動態字型。文字位於主體後方和周圍，而非浮在頂部，這就是設計與貼上的區別。

遊戲選單和裝備面板。標籤固定不動，高亮顯示落在應有的行上，然後鏡頭轉向街道。介面元素保持在原位。

按拍攝任務路由的 MiniMax H3 替代方案候選清單

停止排名模型。改為排名佇列。這是我實際使用的路由表，附帶 Atlas Cloud 上每個端點計費的每秒費率，與排行榜同一天讀取。

服務尖峰時段的餐廳出餐檯，三張訂單夾在軌道上，三碗完成的料理在加熱燈下等待

三張訂單，三碗料理，一隻手伸向正確的那一碗。路由，而非排名。使用 openai/gpt-image-2/text-to-image 生成。

這裡是真正重要的部分，而不是價格欄。 以常規方式切換影片供應商意味著新的註冊、新的計費實體、新的驗證機制、新的輪詢方式、新的錯誤訊息字串，以及需要核對的新發票。預留一週時間和一個糟糕的下午。透過一個 API、一個金鑰和一個 JSON body，同樣的遷移只是一個字串：

pythonCopy
1MODELS = {
2    "baseline":    "minimax/h3/text-to-video",
3    "max_picture": "google/gemini-omni-flash/text-to-video",
4    "from_still":  "bytedance/seedance-2.0/image-to-video",
5    "drafts":      "bytedance/seedance-2.0-mini/text-to-video",
6}
7# 同一個端點，同一個金鑰，同一個輪詢迴圈。更改值，而不是管線。
8

這就是第二種搜尋意圖的誠實答案。如果你不是對 H3 不滿，只是想要一個備用方案，那麼你要買的不是不同的模型。而是改變模型只需一行 diff 的這種特性。

關於市場低端的一個警告。Veo 3.1 Lite 每秒 $0.05 是一個實際的底線，它仍然能構成一個可觀看的場景。低於這個價格，畫質的下降是陡峭且可衡量的：在公開的文字轉影片排行榜上，LTX-2.3 Fast 列表價格為每分鐘 $2.40，Elo 分數為 980，比 Gemini Omni Flash 低了約 265 分。在那樣的差距下，你買的不是一個便宜的模型，而是額外的嘗試次數。

步驟 1：設定每個替代方案都必須超越的 MiniMax H3 基準

一個測試條件，四個難題堆疊在 5 秒內：在畫面中移動的字體排版、必須與嘴型匹配的口語台詞、液體和蒸氣物理效果，以及在同一次處理中生成的聲音。這四個難題中的三個，正是三個排行榜意見分歧的地方。

完全照貼這段文字。不要為了三個模型中的任何一個去改進它。如果你在不同次測試之間重寫了提示詞，那你就不再是在比較模型，而是在比較你自己的編輯修改。

textCopy
1A ramen chef slams a finished bowl onto a steel pass in a cramped midnight kitchen, steam exploding upward.
2
3Shot 1: low-angle push-in as the bowl hits the steel, broth trembling at the rim, steam catching the overhead heat lamp.
4Shot 2: lateral tracking shot as she wipes her hands on her apron, looks straight into the lens and says, "Twelve hours. One bowl."
5Shot 3: quick tilt up as a kinetic title card wipes across the frame, condensed white type reading "MIDNIGHT BROTH / NO. 07", letters snapping into position one beat after the ladle knocks the pot.
6
7Handheld energy, tungsten heat lamp against cold blue window light, wet brushed steel, volumetric steam, shallow depth of field, 35mm grain.
8
9Audio: bowl clacking onto steel, broth sloshing, extractor fan hum, her line clear over the top, one wooden ladle knock as the title lands.
10

MiniMax H3 文字轉影片端點的設定：

• 解析度： 2K。模型頁面記錄了 768P 層級，每秒 $0.10，但遊樂場只提供 2K，所以請按每秒 $0.14 規劃，並核對你自己的帳單。
• 畫面比例： 16:9。此欄位在純文字執行時為必填，且不接受 adaptive。留空會導致請求返回 400 錯誤。
• 持續時間： 明確輸入 5。不要留空。架構文件記錄預設值為 8，但省略持續時間的結果有時會是 5 秒的檔案，卻按 5 秒計費，所以請明確指定你想要的。

此執行的成本：5 x $0.14 = $0.70。這正是完成工作所計費的金額。

Atlas Cloud 上的 MiniMax H3 文字轉影片遊樂場，已填入拉麵測試內容，完成的 2K 片段在 OUTPUT 面板中

MiniMax H3 文字轉影片：左側為測試內容，解析度 2K，畫面比例 16:9，右側正在播放完成的片段。此截圖中持續時間滑桿仍在頁面預設值 8，因此執行按鈕報價 $1.12；將其拖曳到 5，報價會隨之變化。

基準結果：MiniMax H3，2560x1440，24 fps，在同一次處理中生成的 32 kHz 立體聲音效。

它用 5 秒實際做了什麼：三個不同的鏡頭，按順序。碗落下，廚師對著鏡頭說話，然後是標題卡。「MIDNIGHT BROTH」以真實卡片的形式出現，下方有較小的「NO. 07」行，正確的層級結構，清晰的邊緣，畫面移動時無晃動。這就是門檻。

步驟 2：對最強的 MiniMax H3 替代方案執行相同的測試內容

Gemini Omni Flash 是在含音訊的文字轉影片（1,245 對 1,234）和無音訊的（1,324 對 1,306）上直接擊敗 H3 的模型。而且它的每秒計費更低。書面上看，這就是切換的首選。

相同的文字。無添加，無「cinematic, 8k, masterpiece」。

textCopy
1A ramen chef slams a finished bowl onto a steel pass in a cramped midnight kitchen, steam exploding upward.
2
3Shot 1: low-angle push-in as the bowl hits the steel, broth trembling at the rim, steam catching the overhead heat lamp.
4Shot 2: lateral tracking shot as she wipes her hands on her apron, looks straight into the lens and says, "Twelve hours. One bowl."
5Shot 3: quick tilt up as a kinetic title card wipes across the frame, condensed white type reading "MIDNIGHT BROTH / NO. 07", letters snapping into position one beat after the ladle knocks the pot.
6
7Handheld energy, tungsten heat lamp against cold blue window light, wet brushed steel, volumetric steam, shallow depth of field, 35mm grain.
8
9Audio: bowl clacking onto steel, broth sloshing, extractor fan hum, her line clear over the top, one wooden ladle knock as the title lands.
10

Gemini Omni Flash 文字轉影片端點的設定：

• 持續時間： 5。範圍是 3 到 10，計費有 3 秒的最低門檻。
• 畫面比例： 16:9。另一個選項是 9:16。
• 解析度： 720p。這是此端點的全部枚舉值，因此沒有更高的設定可以嘗試。
• 思考層級： default。只有在複雜提示詞返回混亂結果時才將其提高到 high；它會以延遲換取品質。
• 種子： 留空以使用隨機種子，或如果你想對某個鏡次進行迭代，則固定一個整數。

此執行的成本：max(3, 5) x $0.125 = $0.625，計費到美分。這比 H3 基準低 11%。

Atlas Cloud 上的 Gemini Omni Flash 文字轉影片遊樂場，使用相同的拉麵測試內容，720p，結果在 OUTPUT 中

Gemini Omni Flash 文字轉影片：相同的測試內容，持續時間 5，720p，思考層級為預設值，執行報價 $0.625。

Gemini Omni Flash 在相同的 5 秒，1280x720，48 kHz 立體聲。

它也通過了文字測試，這倒是個驚喜。「MIDNIGHT BROTH / NO. 07」呈現清晰且保持清晰。不同之處在於導向：它將文字視為橫跨多個鏡頭的疊加層，而非在一個節拍上出現的標題卡，而且它在 5 秒內花了更多時間進行剪輯，H3 則較少。更便宜，文字比預期更清晰，鏡頭列表則較寬鬆。如果你的工作是包裝，標題是設計好的時刻，那麼這個差異很重要。如果是社群媒體，文字只需清晰可辨，則不重要。

步驟 3：嘗試圖片轉影片排行榜的領先者作為 MiniMax H3 替代方案

Seedance 2.0 在圖片轉影片排行榜上佔據主導地位，這使其成為整個類別中最受推薦的替代方案。它的文字轉影片端點運行相同的模型系列，因此用它進行一次相同的測試是公平的第三選擇。

textCopy
1A ramen chef slams a finished bowl onto a steel pass in a cramped midnight kitchen, steam exploding upward.
2
3Shot 1: low-angle push-in as the bowl hits the steel, broth trembling at the rim, steam catching the overhead heat lamp.
4Shot 2: lateral tracking shot as she wipes her hands on her apron, looks straight into the lens and says, "Twelve hours. One bowl."
5Shot 3: quick tilt up as a kinetic title card wipes across the frame, condensed white type reading "MIDNIGHT BROTH / NO. 07", letters snapping into position one beat after the ladle knocks the pot.
6
7Handheld energy, tungsten heat lamp against cold blue window light, wet brushed steel, volumetric steam, shallow depth of field, 35mm grain.
8
9Audio: bowl clacking onto steel, broth sloshing, extractor fan hum, her line clear over the top, one wooden ladle knock as the title lands.
10

Seedance 2.0 文字轉影片 端點的設定：

• 持續時間： 從 Auto 改為 5。留在 Auto 會將長度交由模型決定，而由於此端點按像素 x 秒計費，這也等於將帳單交給模型。
• 解析度： 720p。
• 畫面比例： 16:9，而不是 Auto，以與其他兩次執行匹配。
• 生成音訊： 開啟。測試內容要求聲音，而這是產生聲音的開關。
• 位元率模式： standard。浮水印： 關閉。

現在來看這個數字，它打破了整個搜尋詞的前提。Seedance 2.0 不是按固定每秒費率計費。模型頁面清楚說明：「每產生一秒 720p 影片，將收取 $0.2419/秒。你的請求將按每 1000 個 token 收取 $0.0112。token 數量由（輸出影片高度 x 輸出影片寬度 x（輸入持續時間 + 輸出持續時間）x 24）/ 1024 給出。」我的 5 秒 720p 執行計費了 $1.21968。這比 H3 基準的 2K 還要高，而這還是大多數人被告知為了省錢而切換的端點。排行榜自己的價格欄也同意這一點，列出 Seedance 2.0 720p 每分鐘 $9.07，而 H3 為 $7.80。

Atlas Cloud 上的 Seedance 2.0 文字轉影片遊樂場，持續時間設定為 5，生成音訊開啟，完成的片段在 OUTPUT 中

Seedance 2.0 文字轉影片：相同的測試內容，持續時間 5，720p，16:9，生成音訊開啟，浮水印關閉。token 公式印在 OUTPUT 面板下方，那裡才是真正的數字所在。

Seedance 2.0 在相同的 5 秒，1280x720，44.1 kHz 立體聲。

而這就是分界線出現的地方。畫面很美，蒸氣是三者中最好的，然後標題卡出現，字母亂掉了。逐幀查看最後一秒：一幀顯示為破碎的字形，大致是「MC. VNNUT10」，然後下一幀解析為「MIDNIGHT BROTH / NO. 07」。凍結在錯誤的幀上，你就會得到一個無法使用的鏡次。它也將大部分 5 秒時間花在廚師靜止站立上，而不是執行測試內容要求的三個鏡頭。

三次執行，一組相同的文字，總計 $2.54。兩個模型保持了文字，一個弄壞了它，而這個答案在任何一個 Elo 分數欄中都是看不見的。

在決定任何事情之前，值得進行的三種變化測試。 將畫面比例切換為 9:16 並重新執行相同的測試內容：帶有文字的垂直海報作品是廉價層級最快失效的地方，也是快速找到你自己底線的方法。其次，先在 Seedance 2.0 Mini 上以每秒 $0.056 進行草稿，直到構圖正確，然後只在保留的鏡次上花費好的費率。第三，如果視覺效果比文字更重要，請改用參考轉影片端點，並提供靜態圖片而非形容詞；H3 一次呼叫最多接受 9 張圖片、3 個影片和 3 個音訊片段，而 Gemini Omni Flash 在其自己的參考端點上最多接受 10 張參考圖片。

垂直、海報形狀、文字驅動，來自 MiniMax 自己的 H3 樣片。這是「更便宜的替代方案」不再是一個完整句子的層級。

MiniMax H3 替代方案每個完成片段的實際成本

每分鐘的排行榜價格是創作者自己的 1080p 列表費率。你實際支付的是端點費率乘以你要求的秒數。以下是短列表中相同 5 秒片段的成本，費率讀取於 2026 年 8 月 4 日。

現在將每一行乘以沒有人列出的欄位：每個可用鏡次的嘗試次數。一個 $0.25 的片段你重新執行四次，成本為 $1.00 加上你晚上的時間。一個 $0.70 的片段在第二次嘗試時成功，成本為 $1.40，而你已經在剪輯了。唯一重要的數字是每個可用片段的成本，而你無法從排行榜上讀取它。你只能透過在兩個端點上各執行兩次你自己的測試來獲得，這正是步驟 1 到 3 的用途。

在建立預算之前，有兩個值得了解的計費細節。在 Seedance 2.0 上，影片輸入會將 token 費率從每 1000 個 token $0.0112 降至 $0.00688，這在 720p 下約為每秒 $0.1486，因此編輯現有素材在那裡比從零生成要便宜得多。在任何端點上，輪詢完成的任務，然後之後再次檢查預測 ID。價格欄位在任務狀態變為完成的那一刻通常仍然是空的。

回答「替代方案的成本是多少」的另一種方法是停止按秒付費。H3 是這些排行榜中任何一個前三名內唯一的開放權重模型，而且權重已經發布。那條路是真實的，並且有其特定的形狀。

倉庫和授權：MiniMaxAI/MiniMax-H3 在 Hugging Face 上（Hugging Face，2026 年 8 月）。768px 原生畫布和第一天就有的 ComfyUI 整合在 ComfyUI 自己的發布說明中有記錄。

在計劃部署之前，請先閱讀授權條款。 2026 年 8 月 2 日生效的社群授權在第 I.5 節列出了排除區域：歐盟、英國、南韓和美國。第 V.4 節將此限制擴展到輸出，而不僅僅是權重。年收入超過 2000 萬美元需要 MiniMax 的書面授權。第 IV.2 節要求你在介面中顯示「MiniMax H3」，第 V.3 節禁止使用輸出來訓練競爭模型。倉庫還附帶一個 Q&A 文件，將區域範圍描述為尚未涵蓋而非永久排除，並提供申請途徑。另外，這適用於本文中的每個模型：沒有模型授權授予你使用某人臉部、某人商標或某人歌曲的權利。該清理工作始終是你的責任。

常見問題

目前最好的 MiniMax H3 替代方案是什麼？

這取決於任務，因為三個不同的模型佔據了三個 #1 的位置。最佳畫質且無音效：Gemini Omni Flash，無音訊文字轉影片排行榜 1,324 Elo。為靜態圖片加入動畫：Seedance 2.0 720p，圖片轉影片 1,196。修改你已有的素材：H3 本身仍以 1,130 位居第一，最接近的備用方案是 Gemini Omni Flash 影片編輯，落後八分。所有數據讀取於 2026 年 8 月 4 日。

是否有更便宜的 MiniMax H3 替代方案，但仍然能生成原生音訊？

是的，但請檢查端點，而不是只看標題。Gemini Omni Flash 文字轉影片每秒 $0.125 確實低於 H3 的 $0.14，並在同一次處理中包含音訊。Seedance 2.0 則不然：其 720p token 計費約為每秒 $0.2419，高於 H3 的 2K。如果你需要比兩者都便宜，並且可以接受品質下降，Seedance 2.0 Mini 每秒 $0.056 和 Veo 3.1 Lite 每秒 $0.05 仍然能產生聲音。

哪個 MiniMax H3 替代方案最適合圖片轉影片？

Seedance 2.0 720p 以 1,196 領先，其次是 Gemini Omni Flash 1,193，然後是 H3 1,187。相差九分，而信賴區間約為正負 9 分，這是一個平手，因此請根據行為而不是排名來選擇：透過前兩名運行你自己的原始幀，看看哪個尊重你的第一幀而不是重新繪製它。首先在 Seedance 2.0 Mini 上進行迭代，然後在你保留的鏡次上花費實際費率。

MiniMax H3 替代方案渲染螢幕文字是否同樣可靠？

有些可以。在上述相同的測試中，H3 和 Gemini Omni Flash 都清晰呈現了「MIDNIGHT BROTH / NO. 07」並在移動過程中保持清晰。Seedance 2.0 在解析前產生了一幀亂碼，這足以報廢一個鏡次。使用測試條件的第三個鏡頭自行測試，並逐幀檢查：字型是否保持其粗細，邊緣是否在擦除中存活，字母在鏡頭移動時是否變形。這一個檢查比任何 Elo 分數欄更能告訴你能否切換，因為對於包裝、UI 動態和音樂影片工作來說，這是通過或失敗，而不是更好或更差。

我可以自行託管 MiniMax H3 而不是切換到替代方案嗎？

技術上可以，而且它是這些排行榜前三名中唯一可以這樣做的模型。有三件事需要先檢查。本地推論是 768px 短邊，而非 2K，因為 2K 輸出是單獨的階段。最小單一任務檔案集約 42.5 GB，整個倉庫約 498.6 GB。社群授權目前排除歐盟、英國、南韓和美國，並有記錄的申請途徑而非永久禁止。

在 MiniMax H3 和替代方案之間切換有多難？

這完全取決於你如何整合。單獨的帳戶意味著每個供應商都有單獨的註冊、計費實體、驗證機制、輪詢方式和錯誤處理，這是一週的工作量，你會後悔的。透過一個 API，它只是一個模型 ID 字串，其他一切都不動，這就是在需要之前值得瀏覽完整模型列表的原因。在一切平靜時就接好備用方案。第二個模型的意義在於，當第一個模型無法使用時，它已經可以運作。