Das Shanghaier Unternehmen MiniMax hat am 31. Juli H3 veröffentlicht: ein Videomodell, das Text, Bilder, Video und Audio als eine kombinierte Eingabe liest und Clips von 5 bis 15 Sekunden mit bis zu 2K und 24fps liefert — Stimme, Soundeffekte und Musik entstehen dabei gemeinsam mit dem Bild als nativer Stereo-Ton statt nachträglich. Außerdem kann es vorhandenes Material bearbeiten und Bewegungen zwischen Videos übertragen. Laut MiniMax kostet 2K-Generierung weniger als ein Drittel der gängigen Konkurrenz; die Modellgewichte sollen 'in den kommenden Tagen' geöffnet werden.