Sign in Subscribe
AI 科技新聞

FastH3 Omni 是什麼？MiniMax H3 影片最多快 11.9 倍的條件與授權

FastVideo 開源 FastH3 Omni，把 MiniMax H3 的參考圖、影片與聲音生成壓到 8 次評估，官方在八張 GB200 上量到 5.6 到 11.9 倍的端到端延遲改善。本文整理測試口徑、本機硬體、授權的地區限制與導入前檢查。

Philo

Philo

— 18 min read
Share
FastH3 Omni 官方封面圖：5.6 至 11.9 倍較低的端到端延遲，50 次評估降為 8 次，八張 GB200、27 組工作負載
FastVideo 官方部落格的 FastH3 Omni 封面圖，標示八張 GB200 上 27 組測試的 5.6 至 11.9 倍端到端延遲改善，數字為官方測試結果，非本站實測。 圖片來源：官方原文。

用一張人物照加一段提示詞，生成 10 秒帶人聲的影片，在八張 GB200 顯示卡上，MiniMax H3 原始版本平均要 78.53 秒，FastH3 Omni 只要 9.37 秒，比片長還短。

FastVideo 團隊在 2026 年 10 月 20 日公開這項成果，Hao AI Lab 的官方 X 帳號在台灣時間 10 月 21 日凌晨 3 點多發文，內容是在 NVIDIA Blackwell 上即時生成、快 12 倍。

這句話很容易被讀成所有 Blackwell 顯卡都能快 12 倍。但官方部落格把條件寫得很細：這個倍數來自八張 GB200 組成的伺服器，量的是端到端延遲，而且「約 12 倍」是 27 組測試裡的最高值。

我從官方表格重算，27 組倍數的簡單平均大約是 8.2 倍，中位數約 7.9 倍，最低 5.6 倍，最高 11.9 倍。

FastH3 Omni 是 MiniMax H3 影片模型的蒸餾版本，蒸餾是讓小而快的學生模型去模仿原模型的結果。它接受提示詞加上圖片、影片與聲音參考，一次生成帶同步聲音的影片，訓練程式碼也一起開源。

我的判斷是，有 Blackwell 伺服器、要做參考素材生成服務的團隊，值得現在就評估。想在家用顯卡上追求相同倍數的人，要先接受官方沒有給家用卡的速度數字，而且模型授權對使用地區有限制。

要判斷這個「12 倍」能不能用在你身上，得先弄清楚它比較的是什麼。

FastH3 Omni 是什麼？提示詞加參考素材，一次生成影片與聲音

FastH3 Omni 解決的是「參考素材生成」，也就是你提供人物照、動作影片或聲音樣本，模型照著生成新影片，並同步配音。

底層的 MiniMax H3 是 MiniMax 在 8 月 2 日釋出權重的影片模型，授權日期標在同一天。FastVideo 是加州大學聖地牙哥分校 Hao AI Lab 維護的開源影片加速框架。

FastH3 Omni 由 FastVideo 團隊與 Nuva Lab 合作完成，Reactor 提供運算資源，並採用 NVIDIA FastGen 團隊提出的方法。這些合作夥伴的名字，會在風險章節回頭說明，因為成果與推廣出自同一批人。

依 Hugging Face 上的模型說明，輸入是一段提示詞，加上最多 9 張圖片、3 段影片與 3 段聲音，總共不超過 12 項參考，其中至少要有一張圖或一段影片。

輸出是 24 幀每秒的影片，附 32 千赫的立體聲。片長為 124、243 或 362 幀，也就是約 5、10 與 15 秒，實際能做多長取決於執行環境與記憶體。

部落格的對照範例有廚房做早餐、對著鏡頭說話的場景。但這些影片是官方挑選的範例，部落格也註明它們用於直接檢視，並不是量化的品質評估。

本文附的 28 秒示範片來自官方部落格，官方說整支影片都由 FastH3 Omni 生成。它只能說明模型的輸出形式，不能代表你的素材也會有同樣的效果。

了解它做什麼之後，就能看那個備受討論的倍數是怎麼量出來的。

FastH3 Omni 官方封面圖：5.6 至 11.9 倍較低的端到端延遲，50 次評估降為 8 次，八張 GB200、27 組工作負載
FastVideo 官方部落格的 FastH3 Omni 封面圖，標示八張 GB200 上 27 組測試的 5.6 至 11.9 倍端到端延遲改善，數字為官方測試結果，非本站實測。 圖片來源：官方原文。
0:00
/0:28
FastVideo 官方部落格的 28 秒 FastH3 Omni 示範影片（官方稱整支影片由 FastH3 Omni 生成，含背景音樂），非本站實測。 來源：官方發布。

12 倍怎麼來的？27 組測試、八張 GB200 與比較口徑

「12 倍」其實是一個範圍的上緣，真正的結論是 5.6 到 11.9 倍，而且只在特定硬體與測試條件下成立。

官方設計了 9 種參考素材組合，各自搭配 5、10、15 秒三種片長，共 27 組。每組先暖機一次，再用三個隨機種子量三次，所以表格上的數字是三次的平均。

輸出規格是 1344×768、每秒 24 幀。量的時間從編碼參考素材開始，經過生成與解碼，直到完整的 MP4 產出，不含載入模型與啟動伺服器的時間。每次只送出一個請求，所以這是單一請求的延遲，並不代表同時服務很多人時的吞吐量。

下表摘出幾組官方數字，單位是秒。

條件 片長 原始 H3 FastH3 Omni 倍數
1 張圖 5 秒 35.44 5.67 6.25
1 張圖 10 秒 78.53 9.37 8.38
1 張圖 15 秒 139.69 14.14 9.88
1 段短影片 15 秒 140.29 11.76 11.93
9 張圖 5 秒 121.61 21.59 5.63
9 張圖加 3 段影片 15 秒 422.20 59.77 7.06

表格呈現了兩個規律。片長愈長，倍數愈高，例如 1 張圖從 6.25 倍升到 9.88 倍，我查過 27 組，每種參考組合都是如此。

圖片參考愈多，倍數愈低，5 秒片長時 1 張圖是 6.25 倍，3 張是 5.88 倍，9 張只有 5.63 倍。我推測是參考素材的編碼與前置處理占了較大比例，但官方表格沒有拆出這一段的時間。

比較對象也要看清楚。基準組是 MiniMax H3 的 Ref2VA 版本，做 50 次去噪評估，而且使用 SGLang 的 lossless 設定，不是更嚴格的 exact 設定，官方也說前者可能改變中間運算的捨入。

官方明確寫道，這比較的是完整的模型與服務方案，不是單獨量測蒸餾或核心運算的效果，也沒有證明兩者輸出完全一致。所以這是釋出團隊自己的測試，官方頁面沒有附第三方重現。

兩邊的模型權重、注意力方式與服務實作都不同，基準組用原始未量化權重與稠密注意力。八張 GB200 是研究團隊自己的環境，官方說 GB200 是 B200 的代用品，B200 並沒有另外量測。

「即時生成」的說法也要小心，因為官方的說法是「在特定的 FastH3 Omni 任務上，UniServe 對 768p 的 5、10、15 秒影片達到即時生成速度」。

我依官方表格檢查，生成時間短於片長的只有 6 組，都是 10 秒與 15 秒的單圖、圖加語音與單一短影片，其餘 21 組仍比片長長。

所以較合理的讀法是：在伺服器級硬體、較簡單的參考素材與較長的片長下，才接近即時。官方說的「特定任務」是哪些，部落格沒有逐一列出。

FastH3 Omni 為什麼快？用 8 次運算取代 50 次

它快的主因是把生成所需的運算次數從 50 次降到 8 次，再配上稀疏注意力。

影片生成模型多半靠反覆去噪，從雜訊逐步還原成畫面。原始 H3 要做 50 次完整的變換器評估，FastH3 Omni 只做 8 次，所以評估次數的減少，是速度提升最直接的來源。

官方說明，做法結合兩種技術。PDD 讓模型在一次評估裡預測好幾步的更新，輸出端從一個預測拓寬成 32 個時間區間，推論時以每 4 個區間為一組，共 8 組。

DMD 則是訓練時讓一個評審模型比對學生與原始老師模型的最終輸出，讓學生的成品分布接近老師，而不只是每一步的數值接近。

參考圖片、影片與聲音在整個過程中不加雜訊，始終當作乾淨的條件輸入。我的理解是，這樣參考素材的特徵就不會被雜訊蓋掉。

另外還用了影片稀疏注意力，也就是只計算畫面中比較重要的部分之間的關聯，訓練與推論使用同樣的稀疏設定，所以不是只在推論時才硬砍運算。

訓練成本官方也列了出來：64 張 NVIDIA B300，3,500 步，估計約 7,800 個 GPU 小時。我依官方數字相除，大約是每張卡跑 122 小時，約 5 天。

這個規模代表它屬於實驗室或企業級的訓練工作，個人團隊更可能是直接使用釋出的權重，而不是重現訓練。

看完訓練與推論的做法，要問的是不在機房的人能不能使用。

延伸閱讀：DMAD 是什麼？MiniMax-H3 影片生成壓到 4 步，24GB 顯示卡也有研究路線

在自己的機器能跑嗎？DGX Spark、RTX 5090 與 ComfyUI

能，但官方給的是「能跑」的設定，沒有給速度，預設解析度也只有 480p。

FastVideo 文件列了四種單機設定，差別主要在記憶體，因為記憶體大小決定模型能不能整個放進去。

DGX Spark 有 128 GB 統一記憶體，所有元件常駐，預設 480p。RTX 5090 有 32 GB，需要把文字編碼器移出顯示記憶體，並預先算好一張轉換表。

RTX PRO 6000 有 96 GB，可以跑 768p。RTX 4090 只有 24 GB，沒有 FP4 硬體，要用 FP8 版本，並讓模型逐層載入，文件還提醒要一個片段開一個程序。

這些設定的權重叫 NVFP4 QAD。NVFP4 是 Blackwell 世代顯示卡支援的 4 位元數值格式，QAD 是為了這種格式而訓練的量化感知蒸餾，用較少記憶體換取速度。它需要 Blackwell 的 FP4 硬體，所以 RTX 4090 不能用同一份權重。

官方部落格說得很清楚：八張 GB200 的時間，不能用來描述這些本機設定的速度。所以你在 5090 上能多快，需要自己量。

若你偏好圖形介面，官方也釋出 ComfyUI 用的權重。貼文說 ComfyUI 第一天就支援，我查 Hugging Face 的檔案列表，確實有 BF16、INT8 ConvRot、FP8 與 NVFP4 QAD 四種擴散模型檔，大小約 44、22、23 與 14 GB。

另外還要搭配文字編碼器與 VAE 檔，這些下載量也不小。官方提醒 ComfyUI 用自己的模型布局與運算核心，輸出可能和 FastVideo 不同。部落格則說本機版的完整文章排在 10 月 21 日。

要部署成服務，官方提供 UniServe，GitHub 說明寫它是預覽版的服務引擎，支援 GB200、B200、RTX PRO 6000 Blackwell，Hopper 系列則附需求與設定說明。

要特別注意安裝步驟。官方範例裡有用 curl 下載後直接交給殼層執行的指令，用來安裝 uv 與 Rust，因為這類指令會直接執行網路上的內容，所以我建議改成先下載、讀過內容再執行，或用作業系統的套件管理器。

授權與使用範圍：MiniMax H3 社群授權的地區限制

程式碼與權重的授權不同，權重適用 MiniMax H3 社群授權，其中對使用地區有明確限制。

FastVideo 與 UniServe 的程式碼是 Apache-2.0。但 Hugging Face 上的 FastH3 Omni 權重，授權欄寫的是 other，並指向 MiniMax H3 社群授權。

這份授權把「適用地區」定為全球，但排除歐盟、英國、南韓與美國。條文寫明在適用地區之外使用 MiniMax H3 的作品或其輸出，不在授權範圍內。

台灣不在被排除的名單裡，但團隊的客戶或發布對象若在這四個地區，就需要找法務判斷。我不是法律專業人士，這裡只是把條文標出來。

其他條件也影響商用。商業產品年營收超過 2,000 萬美元，要另外取得 MiniMax 的書面授權。商業產品的使用者介面要顯示「MiniMax H3」。

授權還禁止用這些作品或輸出去改善其他 AI 模型，所以拿生成的影片當訓練資料，也在禁止範圍內。再散布時要附上授權副本與 NOTICE 文字，並讓使用者受同等保護的使用限制約束。

可接受使用政策另外列了 20 項禁止用途，包括不得冒充他人，也不得在公開場合發布機器生成的內容而不清楚標示。這點對用聲音參考生成人物影片的團隊特別相關，因為成品常會公開發布。

爭議由香港法律管轄。MiniMax 聲明不主張輸出內容的權利，所以輸出內容出問題時，責任在使用者這一邊。

延伸閱讀：MiniMax H3 Max 是什麼？AI 影片生成快過播放，離即時直播還差什麼？

適合誰、不適合誰與導入前檢查

適合有 Blackwell 或 DGX Spark 等硬體、想評估參考素材生成速度的團隊，不適合期待在一般顯卡上達到官方倍數、或客戶主要在被排除地區的人。

如果你只是想偶爾做幾支短片，這個模型的門檻偏高，光是 RTX 4090 用的 FP8 變換器就約 47 GB，預設解析度又只有 480p。已經使用 ComfyUI 的創作者可以先照官方倉庫的說明試，但光是擴散模型檔就有 14 到 44 GB，要先留好硬碟與記憶體。

決定試用前，我會做這幾件事。先用自己的硬體實測一組最小任務，例如 1 張圖加 5 秒，記錄端到端時間，而不是引用官方倍數。

再把輸出和原始 H3 並排比對，看人物特徵與聲音有沒有走樣。因為官方只提供了質性對照，也說相同種子不保證兩個模型的輸出相同，所以只能自己比。

然後讀完授權與可接受使用政策，確認使用地區、營收門檻與標示義務。最後才考慮服務化，並規劃誰負責內容審核與舉報機制。

授權第 V 節要求，如果你提供讓第三方生成輸出的服務，就必須維護合理的技術與組織防護措施，並有可回報違規的管道。這不是小事，團隊要預留人力。

限制與風險：自家評測、合作利益與預覽狀態

最大的風險是目前所有數字都來自釋出團隊自己，沒有第三方重現，其次是服務引擎仍是預覽版。

部落格的聲明很直接：樣本使用同一個種子，是質性對照，不是輸出一致的證據。另外，基準組只量了官方選定的一種設定，也就是 lossless 數值策略加上特定的平行方式，換成別的設定會是什麼結果，官方沒有給數字。

合作關係也值得知道。Nuva Lab 與 FastVideo 共同開發模型，並定義與整理參考資料集，Hugging Face 說明頁還附了 Nuva Lab 的專屬部署與微調服務連結，看起來是它們的商業服務入口。

Reactor 提供運算，NVIDIA 的團隊貢獻了方法與核心運算。這些都是研究合作常見的安排，但讀者應該知道，推廣與技術成果由同一批人發布。

UniServe 在 GitHub 上的說明是「預覽版」，倉庫建立於 6 月底，所以正式環境要預留介面變動的空間。RTX 4090 與 5090 的設定也標明只用於特定硬體，服務設定尚未在每種裝置上驗證成伺服器。

UniServe 的 README 範例用 --host 0.0.0.0 啟動服務，也就是讓它監聽所有網路介面，我在 README 裡沒有看到驗證設定的說明。要對外開放之前，得自己加上驗證與防火牆。

還有一個不是技術的風險：聲音參考可以讓人物說出參考聲音的音色。授權禁止未經同意的冒充，所以任何使用真人聲音的流程，都應先取得本人同意。

FastH3 Omni 常見問題

FastH3 Omni 的 12 倍是在什麼硬體上？

在八張 NVIDIA GB200 上，比較對象是 50 次評估的原始 H3，結果是 5.6 到 11.9 倍。

官方說明 B200 沒有另外量測，本機顯卡也沒有給倍數。

一般家用顯卡能達到 12 倍嗎？

官方沒有給家用卡的速度數字，部落格也明說 GB200 的結果不描述本機設定。

可以確定的是，RTX 5090 與 DGX Spark 有 480p 預設設定，RTX 4090 需要 FP8 版與逐層載入。

FastH3 Omni 可以商用嗎？

程式碼是 Apache-2.0，權重適用 MiniMax H3 社群授權，允許商用，但有地區限制、營收門檻與標示義務。

在歐盟、英國、南韓與美國使用，不在授權範圍內，建議先請法務確認。

FastH3 Omni 和之前的 FastH3 有什麼不同？

之前的 FastH3 是從 MiniMax H3 蒸餾出的 4 步與 8 步模型，官方 README 就把它描述成能同步生成影片與聲音。Omni 這版的重點是加入圖片、影片與聲音參考。我沒有逐一核對舊版是否支援參考輸入。

官方 README 的更新紀錄列出 8 月 27 日的 FastH3 Preview v1、9 月 15 日的 8-Step V2 與 10 月 6 日的 Trim，Omni 則是 10 月 20 日部落格公告的新版本，短短兩個月已經陸續釋出多個變體。

先量自己的硬體，再決定要不要相信倍數

FastH3 Omni 讓 15 秒單圖影片的生成從 139.69 秒縮短到 14.14 秒，這是在特定伺服器、特定測試下的成果，值得認真評估。

如果你有 Blackwell 硬體，先用最小任務實測一次，把授權的地區與標示條件讀完，再決定要不要往服務化走。

想持續追蹤開源影片模型的實用更新，可以免費訂閱 AI 郵報，也建議回頭查看 FastVideo 官方部落格，確認本機版文章是否已經發布。

資料來源

Read more