MiniMax a lâché dans la nature les poids de H3, son modèle multimodal de génération vidéo, et l’événement ressemble furieusement à ce qu’a provoqué DeepSeek dans le monde des grands modèles de langage. Sauf qu’ici, on parle de vidéo 2K avec audio stéréo natif, générée en une seule passe, sur une carte graphique que l’on peut acheter chez n’importe quel revendeur gaming.
Le modèle digère simultanément du texte, des images, des clips vidéo et des pistes audio (jusqu’à 9 images, 3 vidéos et 3 bandes-son dans une même requête) pour recracher une séquence cohérente de 5 à 15 secondes à 24 images par seconde, son compris. Voix, bruitages, musique d’ambiance, tout est modélisé conjointement, pas collé après coup par un pipeline séparé. Les prompts peuvent atteindre 7 000 caractères, de quoi loger un découpage technique complet dans une seule génération. Et la résolution grimpe à 2K, soit environ 3,7 mégapixels en format 21:9, avec des ratios allant du cinémascope au portrait vertical.
Artificial Analysis, la plateforme de benchmarks qui fait référence, place déjà H3 au premier rang mondial en montage vidéo assisté par IA. Le modèle se retrouve toutefois derrière le Gemini Omni Flash de Google en text-to-video et cède aussi du terrain face au Seedance 2.0 de ByteDance en image-to-video. Mais voilà le paradoxe qui donne le vertige… Seedance 2.0 reste verrouillé derrière une API propriétaire, tandis que H3, lui, s’exécute en local, poids ouverts, personnalisable, fine-tunable.
La firme chinoise a explicitement conçu son architecture pour fonctionner sur du matériel grand public, citant la compatibilité hardware comme « une considération déterminante dans la conception de H3 ». Quatre briques technologiques rendent la chose possible. Le H3-VAE, d’abord, compresse les séquences avec un ratio si agressif qu’il quadruple la longueur effective de séquence traitée, rendant la génération native en 2K économiquement viable. Le H3-Omni Transformer, ensuite, sépare les charges de compréhension et de génération pour optimiser l’utilisation du GPU, avec un gain de débit d’entraînement de près de 30 %. La régénération en contexte, enfin, permet au modèle de ré-upscaler sa propre sortie basse résolution en relisant le contexte multimodal d’origine, récupérant ainsi typographies fines et détails que les upscalers classiques ne font que deviner.
Le profil matériel réel mérite qu’on s’y attarde, parce que « tourner sur un GPU domestique » peut vouloir dire beaucoup de choses. En version safetensors complète (diffusion de 21 Go, encodeur texte Qwen3-VL 32B de 15,7 Go, VAE vidéo de 5,2 Go, VAE audio de 0,6 Go, soit environ 42,5 Go au total), H3 exige une carte dotée de 32 Go de VRAM, typiquement une RTX 5090. Un testeur rapporte environ 2 minutes 30 pour générer 7 secondes de vidéo text-to-video en 736×416, et 7 minutes pour 5 secondes d’image-to-video en 768×1344 sur cette même carte. Les composants non actifs se déchargent vers la RAM système entre les phases.
A lire également
Pour les possesseurs de cartes à 24 Go de VRAM (RTX 4090, RTX 3090), des versions quantifiées au format GGUF existent déjà. La variante Q4_K_M du modèle de diffusion pèse 19,86 Go, celle de l’encodeur texte 14,58 Go, et le tout tient dans l’enveloppe mémoire d’une 4090 avec un compromis qualité-performance que la communauté juge très acceptable. Une quantification Q3_K_M descend même à 15,58 Go pour le diffuseur, offrant une marge confortable.
ComfyUI intègre nativement les nœuds H3 depuis sa version 0.30.0, avec trois workflows prêts à l’emploi (text-to-video, image-to-video, reference-to-video) que l’on peut glisser-déposer dans l’interface. L’écosystème a réagi en quelques heures, fal.ai se positionnant comme partenaire « Day 0 » avec une API serverless pour ceux qui préfèrent ne pas gérer de GPU.
La licence MiniMax Community autorise gratuitement l’usage non commercial et l’usage commercial pour les organisations générant moins de 20 millions de dollars de revenus annuels, avec obligation d’attribution. « Les modèles propriétaires ont longtemps dominé la génération vidéo, avec des cycles d’itération plus lents et un écosystème moins ouvert que celui des grands modèles de langage », a déclaré MiniMax dans son billet d’annonce, justifiant ainsi l’ouverture des poids pour « soutenir la communauté open source ».
Qu’un modèle capable de générer des films de marque, de l’animation stylisée, du gameplay et du montage vidéo avec remplacement d’arrière-plan, clonage vocal et typographie lisible puisse désormais être fine-tuné par n’importe quel studio indépendant sur une machine à 2 000 euros, voilà qui redistribue les cartes d’une manière que ni OpenAI avec Sora, ni Google avec Veo, ni ByteDance avec Seedance n’avaient anticipée. La vidéo générative vient de vivre son « moment LLaMA », et la suite appartient aux bidouilleurs.
