MiniMax lancia Hailuo 3.0, il modello video AI che genera clip in 2K con audio nativo

Se segui il mondo della generazione video, l’estate 2026 ti ha già regalato una novità di peso. MiniMax, il laboratorio cinese che sviluppa la famiglia di modelli Hailuo, ha rilasciato il 31 luglio Hailuo 3.0, il modello che l’azienda chiama ufficialmente MiniMax H3. Non è il solito aggiornamento incrementale: per la prima volta un singolo modello genera il video e il suo audio nella stessa passata, con dialoghi, effetti e suono ambientale prodotti insieme alle immagini. Pochi giorni dopo, il 3 agosto, è arrivata una seconda mossa che pesa ancora di più, perché MiniMax ha pubblicato i pesi del modello su Hugging Face, rendendolo scaricabile. I dettagli tecnici e le condizioni d’uso sono raccolti sui canali ufficiali di MiniMax.

In un settore dominato dalle API chiuse, è un cambio di passo che ti riguarda da vicino, soprattutto se crei contenuti o gestisci la comunicazione di un brand.

Cosa è Hailuo 3.0 e perché l’audio nativo cambia le regole

MiniMax H3 è un modello omni modale. Significa che un’unica rete capisce testo, immagini, video e audio insieme, invece di trattarli come flussi separati. Gli dai un’istruzione scritta, magari accompagnata da una foto e da una traccia vocale, e in uscita ricevi una clip completa di colonna sonora. Il modello succede a Hailuo 2.3 e ne rappresenta un salto netto, non una semplice rifinitura.

Il punto che fa davvero la differenza è l’audio nativo. Fino a ieri quasi tutti gli strumenti di generazione video producevano immagini mute, e la voce, la musica o gli effetti andavano aggiunti in un secondo momento con software esterni. Con Hailuo 3.0 il suono nasce nello stesso passaggio dell’immagine: i dialoghi sincronizzati con il labiale, i rumori di scena e il riverbero dell’ambiente vengono generati contestualmente al video, senza una fase audio dedicata.

Tradotto in pratica, salti un intero passaggio di post produzione.

Sul piano tecnico il modello arriva fino alla risoluzione 2K, cioè 2560 per 1440 pixel, a 24 fotogrammi al secondo. Le clip durano dai 5 ai 15 secondi e possono essere estese fino a circa 30 secondi, con formati che vanno dal cinematografico 21:9 al verticale 9:16 pensato per i social. Rispetto a Hailuo 2.3, fermo a 1080p e a durate più corte senza audio integrato, la distanza è evidente e si sente soprattutto quando servono scene parlate.

Director Mode e riferimenti multipli, più controllo per chi crea

La seconda novità che vale la pena conoscere è il controllo della regia. MiniMax H3 introduce una funzione battezzata Director Mode, che ti permette di guidare la telecamera con il linguaggio naturale. Puoi chiedere una carrellata, un movimento a gru o un’inquadratura a mano libera, e il modello interpreta l’indicazione costruendo scene con più angolazioni. In una sola generazione riesce persino a stacchi tra prospettive diverse, un compito che di solito richiede montaggio manuale.

C’è poi un sistema di riferimenti pensato per la coerenza. Puoi fornire fino a nove immagini di riferimento, tre spezzoni video e tre tracce audio nello stesso prompt, così il personaggio, lo stile, il movimento e la voce restano coerenti da una scena all’altra. Il modello gestisce anche il controllo del primo e dell’ultimo fotogramma, utile quando devi far combaciare l’inizio e la fine di una sequenza o concatenare più clip.

È il tipo di controllo che separa un giocattolo da uno strumento di lavoro.

Le prestazioni, dove si colloca rispetto ai rivali

I numeri indipendenti, per ora, arrivano soprattutto da Artificial Analysis, che ha pubblicato le sue classifiche il giorno stesso del lancio. Hailuo 3.0 risulta primo nella categoria video editing, secondo nel text to video e terzo nell’image to video, in entrambi i casi con l’audio attivo. Nella graduatoria complessiva dedicata al video si piazza appena dietro Gemini Omni, il modello di Google, staccato di una manciata di punti.

È un posizionamento notevole per un sistema che, a differenza di molti concorrenti, non resta chiuso dietro un’API. Il confronto naturale è con i modelli che negli ultimi mesi hanno alzato l’asticella del video generativo, dai sistemi multimodali come FLUX 3 di Black Forest Labs fino alle proposte di Google. In quel gruppo, un modello che unisce pesi scaricabili e una classifica di testa nell’editing con audio è quasi una mosca bianca.

Vale però una precisazione di metodo. I benchmark automatici misurano la qualità percepita su prompt standardizzati, non l’esperienza reale con i tuoi contenuti. Prima di trarre conclusioni conviene mettere alla prova il modello sui casi che ti interessano davvero, perché un primo posto in classifica non garantisce lo stesso risultato su ogni tipo di scena.

Prezzi, pesi aperti e la questione della licenza

Sul fronte economico MiniMax propone un listino a consumo. Attraverso l’API paghi circa 0,13 dollari per secondo generato in 2K e 0,09 dollari per secondo a 768p. Per darti un’idea concreta, una clip di sei secondi in 2K con audio costa attorno a 0,78 dollari. È un prezzo che rende sostenibile la sperimentazione, soprattutto se produci molti contenuti brevi e devi iterare parecchie versioni.

La mossa più discussa resta però la pubblicazione dei pesi. Il 3 agosto MiniMax ha caricato il modello su Hugging Face con la sigla MiniMaxAI/MiniMax-H3, una versione omni modale che secondo la documentazione conta circa 33 miliardi di parametri. Chi ha l’hardware adatto può quindi eseguire Hailuo 3.0 in locale, con workflow già pronti per ambienti come ComfyUI e ottimizzazioni per ridurre la memoria richiesta dalla scheda grafica.

Qui però conviene fermarsi un attimo.

I pesi non arrivano con una licenza libera e senza condizioni. MiniMax li distribuisce sotto un accordo chiamato MiniMax H3 Community License, che consente l’uso commerciale alle organizzazioni sotto una certa soglia di ricavi e chiede un’attribuzione ben visibile. Diverse analisi segnalano inoltre che la licenza escluderebbe alcuni territori, tra cui l’Unione Europea e gli Stati Uniti. Se lavori dall’Italia, prima di costruirci sopra un progetto commerciale ti conviene leggere il testo ufficiale della licenza e non fermarti ai riassunti, perché la copertura dipende dalla tua area geografica e dalla fascia di fatturato.

Perché conta, e cosa aspettarti ora

La spinta cinese sul video generativo non è un dettaglio. Mentre negli Stati Uniti alcuni protagonisti hanno ridimensionato le loro ambizioni nel settore, i laboratori cinesi stanno rilasciando modelli sempre più capaci e, in questo caso, perfino aperti. Per chi produce contenuti il messaggio è chiaro: la generazione video con audio integrato sta diventando una funzione di base, non un lusso da fascia alta.

Le applicazioni pratiche sono immediate. Uno spot breve per i social, una scena di prodotto con voce fuori campo, un contenuto verticale per le storie: tutto questo può nascere da un prompt e da qualche immagine di riferimento, senza passare per una troupe. Se vuoi capire come inserire strumenti simili nel tuo flusso di lavoro, la nostra guida per creare video con l’intelligenza artificiale resta un buon punto di partenza.

Restano comunque alcune cautele da tenere a mente. Le classifiche indipendenti sono ancora poche e riguardano soprattutto i primi giorni dopo il lancio, la licenza pone limiti concreti per gli utenti europei, e l’audio generato, per quanto sorprendente, va sempre verificato prima della pubblicazione. Ma la direzione ormai è tracciata, e riguarda tutta la filiera dei contenuti.

Se crei video o lavori nel marketing, Hailuo 3.0 merita una prova, anche solo per misurare quanto tempo ti fa risparmiare rispetto al flusso attuale. Provalo su un progetto reale, confronta il risultato con gli strumenti che usi oggi e lascia un commento per raccontare come si comporta il modello di MiniMax sulle tue esigenze.