用 MiniMax M3，给无声视频，补上声音

MiniMax

先看一段视频

点击播放：14 秒，建议看完再往下翻

这段视频没有声音，来猜猜这是啥曲子？

揭晓答案

这是《小星星》，你猜对了吗？

我把这段无声视频丢给了 MiniMax M3，它给出了正确的判定：《小星星》

M3 的分析结果

然后，我追加了一个要求：

把这段的视频，做成一个有声的、能跟着弹的网页游戏

几分钟后，出来了这个东西：

跟弹《小星星》

视频嵌在上面当教学画面，键盘 A 到 H 对应 do re mi fa sol la，按对了电脑发出钢琴声，视频自动跳到下一个音的位置，等你按下一个键，错了则会提醒

在电脑上实际跟弹

整个过程就是：它拿到了一段的手指视频，给到了一个能发声、能互动、能教我弹琴的游戏

背后发生了什么

MiniMax M3 主打三大能力：原生多模态、百万级长上下文、前沿 Coding，而刚才的这个小星星任务，其实也正把这三个展示了出来

多模态。模型会逐帧分析手指和琴键的相对位置，标注每一帧按下的是哪个白键，然后翻译成位置信号，通过这种方法，在没有音频信号的前提下，推断出旋律

M3 思考过程

用 videos_understand 工具逐帧分析视频
音序列：C C G G A A G | F F E E D D C

判定：《小星星》前两句

长上下文。任务过程中，模型需要记录和分析每次手指移动的情况，并且不断推断音符的时间戳，然后对视频进行切片处理和打标，并在最后进行完整的交付

Coding。这个任务虽然看上去很小，但实际有着多种 tool call，还要通过如 Web Audio API 对工具进行实时音色合成、视频播放控制，按键判定，UI 动效。这里的所有声音，是 AI 控制震动频率合成的

M3 思考过程

用 Web Audio API 生成正弦波 + 三角波合成音色
A=C(do) S=D(re) D=E(mi) F=F(fa) G=G(sol) H=A(la)
按对推进，按错提示，做完打包

M3 在 MiniMax Code 里的工作过程，右边是产出的文件

讲道理，M3 能处理完这些，是超过我的预期的

MiniMax M3

昨天，6月1日，我在给酒吧开业的时候，看到了 MiniMax 发布了 M3，是国内第一个同时做到百万级上下文、前沿 Coding 和原生多模态开源模型，详细的信息如下：

官方 benchmark 对比

上下文

新架构MSA，把每个 token 的计算量压到上代模型的1/20。一百万 token 的上下文窗口，预填充快 9 倍，解码快 15 倍

直观理解：能一次读完一本 300 页的书，或者像小星星这样，把整段视频的逐帧分析 + 完整代码 + 调试日志全部放在一个对话里

Coding

SWE-Bench Pro59.0%，超 GPT-5.5 和 Gemini 3.1 Pro，接近 Opus 4.7

评测之外，M3 独立复现一篇 ICLR 2025 最佳论文，12 小时，18 次提交，23 张图表。另一个是优化 CUDA kernel，连续 24 小时，147次提交，性能提升 9.4 倍。中间卡壳了还知道换条路试

多模态

从训练第一步就混合了文字、图片、视频。能看图、看视频、操作电脑桌面。小星星那个「看无声视频识别旋律」就是这个能力的直接体现

MiniMax Code

桌面 Agent 产品，类似 Claude Code。支持多阶段并发执行，带 Computer Use。M3 在里面可以调用 MiniMax 全家的 API：文字、语音、视频分析，一个工具箱全装下

定价

Token Plan 三档：Plus49元/月 6 亿 token，Max119元/月 18 亿 token，Ultra469元/月 55 亿 token

M3 发布后，Token Plan 从时长制切换到了 token 计量制，部分老用户觉得权益缩水，反馈集中。MiniMax 当天发了补偿方案：3.22 前的老用户继续无周限额，其他老用户周限额加赠 50%，前 7 天额度翻倍，退款通道搭建中

官方权益调整说明

M3 API 上线 5 折，限时 7 天。技术报告和开源权重 10 天内发布

以及：这个模型还是不错的，可以试试