3秒生成5秒视频！开源H3 Max登顶AI视频榜，0.9美元干翻Sora

昨天晚上我在fal上随手试了一下H3 Max，输入一句话prompt，点了生成，然后去倒水。

水还没倒满，视频已经出来了。

5秒钟的768p视频，生成时间不到3秒。我反应了好一会儿，因为这个体验跟我过去两年用视频生成工具的体验完全不一样。过去你点完生成，最快也要等个一两分钟，慢的话十几分钟，你甚至可以去刷会儿手机再回来看结果。但现在，生成一段视频比你播放这段视频还快。

这不是什么实验室里的demo数字，是真的可以花0.9美元跑通的商业化产品。

我是真的觉得这件事的意义被严重低估了。所以今天想认真聊聊，最近这一周在AI视频生成领域到底发生了什么，以及为什么我认为我们正在目睹一个临界点。

先说H3 Max本身。它是fal基于MiniMax开源的H3模型做的后训练版本。MiniMax在7月底把H3开源了，这个模型本身就很猛，支持2K分辨率、最长15秒、原生立体声音频、T2V和I2V全覆盖。但真正让H3 Max炸场的不是模型能力，而是速度。

fal这家公司很有意思，他们不做基础模型，专门做推理基础设施。你可以把他们理解成AI视频领域的「加速器厂商」，别人造发动机，他们造涡轮增压。他们拿到H3开源权重之后做了大量的后训练优化和推理加速，最终把生成速度压到了一个荒谬的水平，5秒视频不到3秒生成。

然后这个东西直接登顶了Artificial Analysis的视频生成排行榜，Elo评分1201，把之前所有的闭源模型全干下去了。

你想想这个画面。

一个开源模型的后训练版本，在商业化产品形态下，同时在质量和速度两个维度上打败了所有闭源竞品。。。这在半年前是不可想象的事情。半年前的视频生成领域，Sora还是那个不可逾越的质量标杆，大家讨论的核心问题是「闭源模型的画面质感，开源什么时候能追上」。

现在这个问题的答案是，不用追了，已经反超了。

但H3 Max的速度突破不是孤立事件。同一周，SGLang团队发布了一个叫SGLang Diffusion的推理加速方案，专门针对扩散模型做的。他们在MiniMax H3上跑出了非常夸张的数字。

无损加速1.85到1.95倍，注意是无损的，画面质量完全不变。如果你愿意接受一点质量损失，用上Cache-DiT加SubBlock稀疏注意力，8张H200上可以做到6.24倍加速。

我给你翻译一下这个数字的含义。原来用Diffusers跑一个10秒的视频要207秒，SGLang无损加速后变成112秒，开满加速后变成34.8秒。一个10秒的视频，34.8秒就能生成。fal的H3 Max走得更激进，5秒视频不到3秒，这个速度已经突破了一个心理阈值，视频生成从「等结果」变成了「看结果」，从异步工作流变成了近实时交互。

这个变化为什么重要？因为它改变了人和工具之间的关系。

怎么说呢，过去用视频生成工具，你的工作流是这样的，写prompt，点生成，等两分钟，看结果不满意，改prompt，再等两分钟，再看。每一次迭代的成本是分钟级的，你一个下午可能只能跑十几轮。这种节奏下，你会变得非常保守，每次改动都小心翼翼，因为试错的时间成本太高了。

但当生成速度快到秒级的时候，整个创作逻辑变了。你可以像调Photoshop滤镜一样调视频，改一个词看看效果，不行再改，三秒钟一轮。一个下午你能跑几百轮迭代。这种速度会催生出完全不同的创作方式和创作者群体。

坦率的讲，这让我想到了图像生成领域两年前发生的事情。

2024年初Stable Diffusion刚火的时候，出一张图也要十几秒甚至几十秒。后来SDXL Turbo和LCM把速度压到了一两秒，再后来Flux出现了实时预览，你拖动一个参数滑块，画面就跟着变。就是从那个时刻开始，AI图像生成才真正从「技术人的玩具」变成了「所有人的工具」。速度不是量变，是质变的触发器。

现在视频生成正在经历同样的拐点。

再说说这一周另一个让我挺兴奋的事情，Google在I/O开发者大会上发布的Gemini Omni 1.1 Flash。

这个产品的思路跟前面聊的H3 Max完全不一样，但从另一个方向指向了同一个结论。H3 Max解决的是「生成快不快」的问题，Gemini Omni解决的是「生成完了怎么改」的问题。

它有几个功能特别值得聊。第一个是场景扩展，你生成一段10秒的视频，觉得不够长，可以一次一次往后延伸，每次10秒，最长到40秒。你还可以指定首帧和尾帧，让AI自己去填中间的内容。第二个是对话式编辑，你可以用自然语言跟它说「把天空改成黄昏」「让人物走得更慢一点」，它就帮你改。第三个是4K输出，这是目前为数不多的原生支持4K的视频生成工具。

Gemini Omni的野心不是做一个最好的视频生成器，而是做一个视频编辑器。 它在赌一个判断，未来视频创作的核心体验不是「一句话出片」，而是「对话式修片」。你不需要一次写对prompt，你可以先出一个粗版，然后一点一点对话调整，像跟一个助手协作一样。

这个判断对不对，说实话我也不确定，但方向很有意思。因为目前市面上绝大多数视频生成工具都在卷「一次出片」的质量，很少有人认真做「出片之后怎么迭代」这件事。Gemini Omni和Runway Gen-4是少数在这个方向上投入的玩家。

说到竞争格局，其实吧，2026年的AI视频生成市场已经跟一年前完全不一样了。

一年前的格局很简单，Sora是质量天花板，大家都在追。Runway是最早商业化的，有先发优势。Kling在中文市场跑得快。Pika走平民路线。其他选手要么还在实验室里，要么刚出demo。

现在呢？Sora反而成了最尴尬的那一个。

OpenAI在今年上半年的动作挺奇怪的。他们先是在2月份把Sora的免费额度砍了，然后4月份推出了Sora Pro，定价200美元一个月，明确走高端路线。但问题是，当H3 Max用0.9美元就能跑出排行榜第一的质量时，Sora的200美元定价就显得非常微妙了。你不能说Sora的画面不好，它的画面质感确实还是顶尖的，但「顶尖」和「比别人好200倍」是两回事。

质量差距在缩小，但价格差距在拉大。 这对Sora来说是一个结构性的困境。

反观开源阵营，MiniMax开源H3是一个标志性事件。它证明了一件事，视频生成模型的开源，不再是「开源一个能用但比闭源差很多的版本」，而是「开源的基座模型经过第三方加速后，直接在商业化产品形态下登顶排行榜」。这跟LLM领域Llama带起来的那一波开源浪潮非常像，先有一个足够强的开源基座，然后社区和第三方公司基于它做各种优化和定制，最终在特定场景下超过闭源。

fal就是这个生态里的典型玩家。他们不做模型，做推理，做加速，做后训练。他们的商业模式建立在开源模型之上，反正就是开源越强，他们的生意越好。这是一个正循环。

说真的，2026年下半年的AI视频生成，正在从「谁的画面最好看」的军备竞赛，转向「谁的整体体验最顺滑」的体验竞赛。画面质量已经不是瓶颈了，至少对大多数创作场景来说不是。瓶颈变成了速度、可控性、编辑能力、价格，以及最重要的，迭代效率。

Midjourney也在这一周推了V8.2，正式进入图像编辑领域。指令编辑、img2img、inpainting、outpainting，一个做图像生成做了三年的公司终于开始做编辑了。这不是巧合。当生成的质量已经「够用」之后，所有玩家都在往「生成之后的事情」使劲。

回到文章开头的那杯水。

我倒水的时候视频已经生成完了，这个体验之所以值得写一篇文章，不仅是因为快，而是因为它改变了我对这个工具的心理定位。过去我把视频生成工具当成一个「提交任务然后等结果」的异步工具，跟你提交一个渲染任务差不多。但3秒出结果的时候，它变成了一个「实时反馈」的交互工具，跟你在Figma里拖一个元素差不多。

工具的速度决定了人和工具之间的关系模式。 慢的工具是「委托」关系，你把任务交出去，等它做完。快的工具是「协作」关系，你和它一起做，你动一下它动一下。

我一直觉得，技术的每一次质变都不是功能的增加，而是某个参数越过了一个阈值。视频生成正在从委托时代进入协作时代。而这个转变的起点，就是当生成速度快过播放速度的那一刻。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。