MiniMax H3 與 Veo 3.1：Elo 差距達 145，且大多數比較都是在測試一個被靜音的 Veo

一段8秒的Veo 3.1片段，價格是同樣8秒MiniMax H3的三倍。在Artificial Analysis的盲投票排行榜上，它落後145 Elo。文章到這裡就該結束了。

但Veo 3.1的API預設關閉了音訊生成。參數是 generate_audio，其架構預設值為 false，而且回應中沒有任何資訊告訴你片段是無聲的。MiniMax H3沒有這樣的開關，因為H3在同一次處理中同時生成畫面和32kHz立體聲，而且一直如此。因此，大量流傳的「Veo看起來更好」的評論，都是建立在將一個靜音的Google片段，放在一個自帶音軌的中國模型旁邊。

我想知道這145分的差距實際上是什麼樣子。於是我拿Veo目前最受歡迎的格式——玻璃水果ASMR剪輯——寫了一個提示詞，並在兩個模型上以各自能達到的最高設定來運行。音訊開啟。沒有絲毫妥協。

然後我繼續測試，直到找出Google仍然佔優勢的三個地方，因為這些優勢確實存在，而且沒有人在這些比較文章中提及。

關鍵要點

• 在Artificial Analysis的文字轉影片（含音訊）項目中，MiniMax H3得分1,238 Elo，Veo 3.1為1,093 Elo。在盲投票中差距為145分（快照日期：2026-08-06）。
• Veo 3.1的 generate_audio 參數在API架構中預設為 false。如果你呼叫API但從未設定它，你就是在拿一個靜音的Veo片段，與預設輸出立體聲的H3片段進行比較。
• H3接受4到15秒之間的任何整數秒數。Veo 3.1僅接受4、6或8秒。這是一個結構性的上限，而非設定問題。
• Veo 3.1根本沒有出現在Artificial Analysis的影片編輯排行榜上。H3在該排行榜上位列第一。
• Veo 3.1在4K輸出、以及使用 seed 和 negative_prompt 的可重現性方面仍然勝出。此外，如果720p對你來說足夠，Veo 3.1 Lite確實比H3提供的任何方案都便宜。

---

MiniMax H3 vs Veo 3.1，一個提示詞，三種結果連續對比

一個提示詞，三種結果，依序為：MiniMax H3 2K、Veo 3.1 1080p（明確開啟音訊）、Veo 3.1 Lite 720p。每個片段都保留其原生音軌，請開啟聲音。觀看每個片段的最後一秒，以及最便宜的模型對其最終畫格邊緣的處理方式。

一個微距電影場景，水晶玻璃西瓜放在濕黑石板上，兩個監看螢幕播放著相同的切片畫面_本文實際執行的設定：一個ASMR產品廣告，兩個模型，一個API金鑰。使用 openai/gpt-image-2/text-to-image 生成。_

---

為何MiniMax H3 vs Veo 3.1突然成為唯一值得進行的比較

MiniMax H3於2026年7月問世，並做到了排行榜上其他模型未曾做到的事。它在幾週內就進入了Artificial Analysis所有三個影片競技場的前三名，並且是唯一一個接近頂尖的開源權重參賽者。

以下是這兩個模型實際上的排名，資料直接從即時排行榜擷取，而非引用新聞稿（Artificial Analysis，2026年8月）：

表A：Artificial Analysis影片競技場，2026-08-06快照

該表格中有三件事值得更多關注。

145分的差距是在音訊排行榜上。 在文字轉影片（含音訊）項目中，僅有Gemini Omni Flash（1,243）領先H3，且兩者處於相同的統計誤差範圍內。Veo 3.1排名第十一。投票者在同時聽過兩個片段後，以壓倒性優勢選擇了H3。

Veo 3.1並未出現在影片編輯排行榜上。 該排行榜上有八個模型，H3排名第一，領先Gemini Omni Flash九分。Google並非輸了這場比較，而是根本沒有參賽。如果你的工作流程是「生成，然後修改畫面中的某個元素」，那麼這個區別對你來說沒有幫助。

MiniMax自己的公告誇大了一個數字，所以請不要重複引用。 官方說法指出H3在編輯排行榜上領先第二名93分。第二名是Gemini Omni Flash（1,123分），僅落後H3九分。93分的差距是相對於排名第五的Dreamina Seedance 2.0（1,037分）。這兩個數字都是真實的，只是它們屬於不同的行。

為何大多數的正面對決都搞錯了

三種常見的錯誤模式，依出現頻率高低排列：

1. 靜音的Veo。 generate_audio 在Veo 3.1的API架構中預設為 false。從未設定此參數的開發者會得到一個靜音片段，然後用它來與H3的立體聲混音進行比較。這不是模型比較，這是設定錯誤。值得注意：Atlas Cloud的網頁版遊樂場會為你預先啟用此開關，因此這個陷阱主要影響直接呼叫API的開發者，而這正是大多數發布基準測試的人。
2. 解析度不匹配。 H3的API預設解析度是 2K，但許多測試為了速度而將其設定為 768P，然後將結果與1080p的Veo畫面放在一起比較。
3. 為了公平而將H3限制在8秒。 這並不公平，它為了讓表格看起來整齊，而丟棄了H3將近一半的時長範圍。

為了保持誠實，H3自身的弱點也是真實存在的：塞滿參考素材欄位往往會降低提示詞的遵循度，而非提高；其2K等級確實很慢；而且MiniMax本身並未將其定位為電影或動畫模型。在此次運作中，H3也傾向於風格化，將提示詞解讀為拋光切割水晶的產品攝影，而非Veo所產生的超現實物體。

---

MiniMax H3 vs Veo 3.1：規格、音訊行為與每秒的價格

這裡的方法刻意保持簡單：一個提示詞，三個端點，一個API金鑰，無任何編輯。兩個家族模型並排託管在 Atlas Cloud 上，這是唯一能在同一個提示詞下進行比較，而無需兩個獨立計費帳戶和兩種不同參數語法的方式。這就是全部的產品提及。模型本身才是重點。

表B：能力矩陣，來自即時API架構

將最後兩行放在一起看，就能得到整個比較中最鮮明的一條界線：

開啟音訊的MiniMax H3，比關閉音訊的Veo 3.1更便宜。 每秒$0.14對比$0.20。

Google自己的價格表也確認了這個上限。根據Google的預設費率，Veo 3.1在720p和1080p（含音訊）的價格為每秒$0.40，4K則為$0.60（Google Gemini API 文件，2026年8月）。Atlas將其拆分為靜音層（$0.20）和音訊層（$0.40），因此當你將 generate_audio 設為 true 時，每秒成本就會翻倍。H3沒有類似的機制，因為根本沒有什麼需要開啟。

在進行測試之前，還有一個不對稱性值得指出：H3的 resolution 和 duration 在其三個端點上都是必填欄位，其文字轉影片的 ratio 預設值為 1:1。只發送一個提示詞，你會得到一個方形影片。而Veo則會愉快地預設出一個合理的16:9 720p影片。

---

MiniMax H3 vs Veo 3.1，相同提示詞，兩款模型：完整測試

三個模型使用同一個提示詞，一個字都沒改。這個提示詞設計來同時測試四個方面：Veo擅長的超現實玻璃物理學；與破碎動作同步的原生擬音；一句人類旁白；以及在最後一秒淡入的下三分之一文字卡，這是H3宣稱有優勢的地方。

請完全照抄以下內容。

PlainCopy
1極致微距ASMR鏡頭，16:9。一個由透明水晶玻璃雕刻而成的超寫實西瓜，放在一塊濕黑石板上。一把鏡面拋光的主廚刀向下壓，以一個緩慢的連續動作乾淨地切開它；玻璃分開時發出清脆的碎裂聲，並噴濺出細小的透明碎片，在石板上彈跳散開。左側是冷藍色邊緣光，後方有一盞暖色實用燈。100mm微距鏡頭，淺景深，緩慢推進。聲音：刀刃下清脆的玻璃破裂聲，碎片敲擊石板的滴答聲，低沉的環境音。一個平靜的女聲說：「每次切割，都乾淨俐落。」在最後一秒，純白色無襯線字體在畫面下方三分之一處淡入，顯示「CUT CLEAN」。

步驟 1：MiniMax H3 文字轉影片，2K解析度

打開 MiniMax H3 Text-to-Video，貼上提示詞，然後設定三個關鍵欄位：

• 解析度： 2K 。 必填欄位。這是最高等級，在16:9請求下輸出2560x1440。
• 時長： 8 。 必填欄位。與Veo的上限匹配，以便進行同規格比較。
• 比例： 16:9 。 這是人們常忽略的設定。預設值為 1:1，而文字轉影片會直接拒絕 adaptive 並回傳400錯誤。不做修改就會得到一個方形影片。

沒有種子欄位，也沒有負面提示詞欄位。你能得到的就是取樣器給出的結果，唯一的控制項就是提示詞。

費用：8秒 * $0.14 = $1.12，含音訊。也要有耐心的預算：這個作業總共花了455秒。我嘗試了四次想截取這個步驟完成的遊樂場畫面，但2K的佇列每次都比我瀏覽器會話的時間還長，所以這裡直接使用API的輸出，100%無重新取樣。

MiniMax H3 2K輸出的100%裁切，顯示清晰的下三分之一文字和解析的玻璃切面_MiniMax H3，2K，8秒，16:9，從輸出的2560x1440畫格中裁切為1:1。文字邊緣清晰，石板上的個別玻璃碎片保持其切面，這是排行榜投票所依據的等級。_

步驟 2：Veo 3.1 文字轉影片，開啟音訊

打開 Veo 3.1 Text-to-Video 並貼上相同的提示詞。設定：

• 解析度： 1080p 。 Veo的列舉也提供 4k，這是H3完全無法比擬的。順便一提：720p和1080p的計費費率相同，因此選擇1080p是免費的升級。
• 時長： 8 。 最大值。
• 畫面比例： 16:9 。 這裡只有16:9和9:16可選。
• generate_audio ： true 。 這是網路世界跳過的步驟。架構預設值為 false，而且回傳一個靜音片段看起來不像錯誤。
• negative_prompt ： 模糊、扭曲的文字、多餘的手指、文字上的動態模糊。H3無法提供的額外控制。
• seed ： 12345 。 H3同樣沒有此功能。Google提供了一個可重複性的控制碼。

費用：8秒 * $0.40 = $3.20，含音訊。將 generate_audio 關閉，相同的片段價格為$1.60且無聲。

Atlas Cloud上的Veo 3.1文字轉影片遊樂場，開啟了「Generate Audio」開關，完成的片段在輸出面板中播放_Veo 3.1，執行完成。「Generate Audio」開關已開啟，「Run」按鈕顯示$3.2，這是8秒鐘的音訊費率。此截圖使用頁面預設的720p，其計費與1080p相同；本文中的1080p片段是透過API從相同提示詞生成的。請注意兩個空白欄位「Negative Prompt」和「Seed」，這是MiniMax H3沒有對應功能的。_

步驟 3：Veo 3.1 Lite，經濟實惠的選擇

打開 Veo 3.1 Lite Text-to-Video，再次使用相同的提示詞。設定：720p，8 秒，16:9，seed 12345。

請注意此頁面上缺少什麼：沒有音訊開關，因為Lite總是生成音訊。也要注意其架構中的一個陷阱：Lite的1080p會強制時長為8秒，因此不存在4秒的1080p Lite片段。

費用：8秒 * $0.05 = $0.40。這是本文中所有包含聲音的完成片段中最便宜的，H3也包括在內。

Atlas Cloud上的Veo 3.1 Lite遊樂場，設定為720p，沒有音訊切換開關，完成的片段在輸出面板中_Veo 3.1 Lite 720p。此頁面上完全沒有_ generate_audio 控制項，這就是重點。

步驟 4：在五個軸線上為MiniMax H3 vs Veo 3.1評分

此步驟無模型呼叫，無成本。精確來說，這是每個模型的一次輸出，首次嘗試，無重新生成。這是三個片段的同規格比較，而非成功率研究。

表D：實際回傳的結果，每次一個片段

MiniMax H3和Veo 3.1片段中，下三分之一文字淡入時刻的匹配畫面

兩個片段中的相同節拍，「CUT CLEAN」淡入的畫面。左邊是MiniMax H3 2K，右邊是Veo 3.1 1080p（含音訊）。Veo的玻璃更接近被拍攝的物體；H3的文字更清晰且位置正確。

音訊軸線需要聆聽判斷，因此上述的影片片段可供你評判。可以量化的是：三個片段都回傳了連續的立體聲音軌，無超過0.6秒的空白區域。H3提供32kHz立體聲，混音較大聲，平均電平接近-18 dB，峰值觸及0 dBFS。Veo 3.1提供48kHz立體聲，平均電平較保守，約為-31 dB。H3的音軌大約大聲13 dB，聽起來像是模型直接輸出的更完成的混音，但也為你後續調整留下了更少的動態餘量。

步驟 5：Veo 3.1 結構上無法做到的15秒片段

與步驟1相同的頁面，相同的提示詞，更改兩個欄位：時長 15，解析度 768P，比例仍為 16:9。沒有新的截圖，因為是同一個遊樂場。

這個步驟沒有Veo的對應方案。Veo 3.1的 duration 列舉在其所有端點上都是 [4, 6, 8]，沒有任何計劃、等級或旗標可以提高它。Google對於想要更長時長的官方答案是使用一個獨立的影片擴展功能（Google video generation docs，2026年8月），這意味著需要生成8秒的區塊然後拼接，這就需要匹配接縫處的色調和音訊。H3則提供一個連續的單次拍攝和一個連續的音訊底層。

費用：15秒 * $0.10 = $1.50，這比一個8秒的Veo 3.1含音訊片段的一半價格還低。

MiniMax H3，768P，15秒，一個連續不間斷的拍攝，帶有一條連續不間斷的音訊底層。請開啟聲音。Veo 3.1沒有任何設定可以產生此檔案。請注意H3在刀片上憑空創造的雕刻文字：指定的文字它渲染得很清晰，但憑空創造的文字則是亂碼。

關於這個片段有兩個誠實的說明。它運行了485秒，是本文中最慢的作業，其音訊底層明顯比8秒版本稀疏，在3秒和11秒標記附近有實際的空白。更長的時長是可行的，但更長並非沒有代價。

四個教程步驟的總花費：$1.12 + $3.20 + $0.40 + $1.50 = $6.22，每個模型一次嘗試，無重新生成。下一節中使用的額外768P 8秒版本增加了$0.80，而遊樂場的截圖則是在此基礎上另外的付費運作。

---

MiniMax H3 vs Veo 3.1：H3超越Google限制之處

H3這邊有四項功能，它們不是Veo功能的較慢或較便宜版本，而是Veo根本沒有提供的功能。

21:9 寬銀幕。 H3的 ratio 列舉除了常見的16:9和9:16之外，還包括 21:9、4:3、1:1 和 3:4。Veo 3.1和Lite都只提供16:9或9:16。如果你要製作一個寬銀幕格式的預告片，其中一個模型可以原生取景，另一個則需要裁切。

不僅僅是圖片的參考素材。 H3的 reference-to-video 端點接受一個 refers[] 陣列，可以混合圖片、影片和音訊參考來錨定視覺風格，並且在這樣做時仍保持完整的4到15秒範圍。Veo 3.1的參考轉影片功能接受一個 images 陣列，最多3個條目，且其 duration 列舉會縮減為 [8]，因此使用參考功能會將你鎖定在8秒。一個從經驗中得出的提醒：將H3的參考素材欄位塞滿，往往會使輸出偏離提示詞而非更接近，所以請逐步增加。

2K是重新渲染，而不是放大。 這個結果讓我感到驚訝，而且我沒有在任何地方看到過相關描述。在H3的文字轉影片功能上，對相同的提示詞分別運行 768P 和 2K，你得到的不是同一部電影的兩種尺寸。你得到的是兩部不同的電影。在此次運行中，768P版本將西瓜保持完整直立，後面有一根燃燒的蠟燭，並在4秒時將文字橫跨畫面中央放置。而2K版本將西瓜打破成三塊，移動了背景燈光，並如提示所述，在最後一秒將文字以小字體放置在畫面下方三分之一處。相同的提示詞，相同的比例，相同的無種子取樣器。

在MiniMax H3上，相同提示詞分別在768P和2K下運行的並排畫面，顯示了不同的場景佈置，而非相同鏡頭的兩種尺寸_相同提示詞，相同模型，相同比例，左邊是768P，右邊是2K，都在相同的時間戳記。不同的場景佈置、不同的燈光、不同的文字處理。如果你需要構圖在不同等級之間保持一致，請改用_ image-to-video 來鎖定第一幀。

永遠沒有音訊附加費用。 說得清楚一點，因為這會改變你的預算規劃：沒有任何版本的H3片段可以因為靜音而更便宜，也沒有任何版本的Veo 3.1片段可以在靜音價格下擁有聲音。

為了保持帳目清楚，以下是Google真正勝出而H3無法匹敵的三個地方：

• 4K。 Veo 3.1的解析度列舉包含 4k。H3最高僅到2K。如果客戶合約要求4K母帶，這個比較到此為止。
• seed 和 negative_prompt 。 Veo允許你調整可重複性，並明確禁止失敗模式。H3兩者都沒有。在需要重新生成一個接近成功但略有瑕疵的片段，而又不想失去整體視覺效果的場景中，這個差距會很傷。
• 速度，某種程度上。 Veo 3.1的模型文件指出，一個8秒的1080p片段大約需要2到3分鐘。在此次同時提交的運行中，H3的2K版本花了455秒，Veo 3.1的1080p版本花了462秒，兩者實際上是持平的，且都遠超過其引用數字。Veo 3.1 Lite在237秒內完成，不到前兩者的一半時間。如果你需要在客戶面前即時迭代，Lite是三者中唯一跟得上速度的，這是一個真實的優勢，是每秒價格所無法體現的。

---

一個完成的廣告在MiniMax H3 vs Veo 3.1上的成本

每秒價格並不是你實際的花費。你實際的花費是每秒價格乘以你丟棄的片段數量。下面的30秒列應用了3:1的保留率，即每三個生成才能得到一個可用的片段，這是基於正常製作實務的工作假設，而非此次運行測量得出的結果。請將其視為一個縮放因子，而非基準。

表C：每個交付廣告的實際成本，Atlas Cloud 2026年8月定價，無任何有效折扣

兩個結論，第二個結論並非我預期要寫的。

如果你需要2K、或超過8秒的時長、或16:9和9:16以外的比例、或無附加費用的原生音訊，H3在成本上以大幅優勢勝出。 H3最高等級的30秒廣告成本，大約是Veo 3.1含音訊版本的3分之1。

如果720p和8秒確實足夠，那麼Veo 3.1 Lite是這裡最便宜的選擇，而且差距巨大。 每秒$0.05的價格是H3最便宜等級的一半，音訊包含在內且無需擔心忘記開啟開關，而且速度是兩款旗艦模型的兩倍。任何告訴你H3是無條件便宜選擇的人，都沒有考慮過Lite這一行。Google也在其價格表中列出了Veo 3.1 Fast，720p的價格為每秒$0.10，儘管Atlas的目錄和其模型頁面對此等級的報價不同，因此Fast的確切數字尚不確定。

問題在於這個折扣買到了什麼。這是Lite在首次嘗試時回傳的最後一個畫面：

Veo 3.1 Lite片段的最終畫面，畫面兩側邊緣出現了兩個相同的、被憑空創造的女性剪影_Veo 3.1 Lite，最終畫面，首次嘗試。提示詞中提到了一個女聲；Lite決定讓她現身，而且還出現了兩次，以相同的剪影呈現。它也賦予了西瓜三個模型中最逼真的綠色外皮和籽，這使得這個結果令人沮喪，而非單純的糟糕。_

這就是經濟實惠等級的真實面貌。它對物體的理解比兩款旗艦模型都好，然後以一種後期無法修復的方式破壞了畫面。如果失敗率發生變化，每秒便宜並不等於每個可用片段便宜，所以如果你選擇Lite，請為重新生成預留預算，而不是假設標價就是最終成本。

---

開源權重、排除地區與沒人讀的部分

權重確實已經發布。Hugging Face上的 MiniMaxAI/MiniMax-H3 是一個330億參數的密集單流全能Transformer，採用BF16格式，附帶兩個現成的檢查點、完整的Qwen3-VL-32B文字編碼器和兩個自動編碼器。全部下載大約需要499 GB。它是當前的旗艦模型，而非舊版，而且在Artificial Analysis每個影片排行榜的頂尖位置中，它是唯一的開源權重參賽者。

然後你閱讀授權條款，它所做的遠比「開源權重」這個詞暗示的要多（Hugging Face，2026年8月）：

• §I.5 定義了排除地區為歐盟、英國、韓國和美國。授權在全球範圍內有效，但上述地區除外。
• §V.4 比部署限制更進一步。你不得在「適用領土」之外使用、複製、修改、分發或展示這些作品或其任何輸出。
• §IV.1 要求如果你的商業產品年收入超過2000萬美元，需要事先獲得單獨的書面授權。
• §IV.2 要求你在基於其構建的商業產品的使用者介面中顯著顯示「MiniMax H3」。

MiniMax並沒有讓這個規定懸而未決。倉庫中提供了授權問答和申請表，授權條款指出公司將持續評估這些司法管轄區，並歡迎有興趣的各方提出申請。因此，準確的描述是「尚未開放，請聯繫我們」，而非「永久禁止」。在您圍繞當地權重規劃美國或歐盟產品之前，這仍然是一個需要交由法務部門處理的問題。

而當地權重並非API。自託管的H3-Base渲染的短邊為768像素；2K路徑需要通過API端的單獨重新生成階段。開源權重買到的是你控制的768p模型，而不是贏得那些投票的2K模型。

有一件事我無法確定：通過第三方API提供服務時，Veo 3.1的輸出是否帶有SynthID浮水印。請將其視為未經證實的資訊。本文中的H3檔案沒有可見的浮水印。

---

常見問題

MiniMax H3真的比Veo 3.1好嗎？

在含音訊的盲投票中，是的，在Artificial Analysis的文字轉影片項目中領先145 Elo，而且H3在Veo 3.1未出現的影片編輯排行榜上排名第一。它在含音訊情況下的每秒成本，也比Veo無音訊時更便宜。Veo 3.1在4K輸出以及seed加negative_prompt控制方面仍然勝出。

為什麼我的Veo 3.1影片是無聲的？

因為 generate_audio 在Veo 3.1和Veo 3.1 Fast上預設為 false。請明確將其設為 true。請注意，這會使你的每秒成本翻倍，在Atlas Cloud上從$0.20變為$0.40。MiniMax H3沒有這個參數，因為音訊是在生成畫面的同時生成的。Veo 3.1 Lite也總是生成音訊。

MiniMax H3能生成比Veo 3.1的8秒更長的片段嗎？

可以。H3接受4到15秒之間的任何整數秒數作為一個連續的單次拍攝，這兩個欄位在請求中都是必填的。Veo 3.1的時長列舉是固定的 [4, 6, 8]。要在Veo上獲得更高時長，需要生成8秒的區塊然後進行擴展或拼接，並匹配接縫處的色調和音訊。

MiniMax H3有開源權重。這是否意味著它是免費的？

並非大多數人理解的那樣。完整下載約需499 GB，自託管的H3-Base渲染的短邊為768像素，而2K需要API端的重新生成階段。社群授權條款還排除了歐盟、英國、韓國和美國，且此限制涵蓋了輸出，而不僅僅是部署，但為這些地區提供了一個正式授權管道。

對於一個完成的30秒廣告，MiniMax H3和Veo 3.1哪個更便宜？

在保留率3:1的情況下，H3的2K版本一個30秒廣告的成本約為$12.60，而Veo 3.1含音訊版本約為$36.00。但如果720p和8秒區塊是可接受的，Veo 3.1 Lite以約$4.50的價格勝過兩者。H3的成本優勢取決於你是否需要2K、更長的時長、更廣泛的畫面比例選擇或免費的音訊。

MiniMax H3能像Veo 3.1一樣生成4K嗎？

不能。H3的解析度列舉僅有 768P 和 2K。Veo 3.1的列舉包含 4k，根據Google自家定價為每秒$0.60，而Veo 3.1 Lite也明確不支援4K。如果合約要求4K母帶，那麼標準的Veo 3.1是三者中唯一能提供的。