MiniMax H3 (Hailuo 03) para hacer un video musical con IA: si le das la canción al modelo, la imagen sigue el ritmo

En las últimas dos semanas, la frase que más se repite en Xiaohongshu es “llegó MiniMax H3 y el resultado de los MV quedó brutal”. Hasta el 31 de julio de 2026, todo este revuelo gira en torno a tres números: 2K nativo, 15 segundos por segmento y audio generado junto con el video.

Pero si alguna vez has hecho un video musical con IA de verdad, sabes que esos tres números no son lo que te tuvo despierto hasta las dos de la mañana anoche. La calidad de imagen ya es suficiente para publicar en cualquier plataforma; lo que realmente te frena son otras dos cosas: cuando llega el estribillo, la boca del personaje no coincide con nada; y los cortes de cámara y el golpe de batería van cada uno por su lado, como si le hubieran puesto a la canción un cortometraje que no tiene nada que ver.

La capacidad de H3 que de verdad resuelve estos dos problemas es, justamente, la que menos atención ha recibido. Este artículo no repite la lista de especificaciones del lanzamiento; solo responde qué parte de la producción de un MV resuelve H3 realmente, y cómo usarlo hoy mismo.

Uno: primero, los hechos claros sobre H3

MiniMax presentó Hailuo 03 públicamente por primera vez el 17 de julio de 2026 en el WAIC 2026; también se le conoce como MiniMax H3. Reunimos en una tabla lo que se ha dicho por distintas fuentes:

Capacidad	Situación real de H3
Resolución	2K nativo (2560×1440), no es un 720p escalado después
Duración por segmento	Hasta 15 segundos (a partir de 5 segundos)
Audio	Genera diálogo, efectos de sonido y ambiente al mismo tiempo que el video, sin necesidad de doblarlo aparte
Entradas de referencia	Texto, imagen de referencia, video de referencia y audio de referencia se pueden dar al mismo tiempo
Disponibilidad	Al inicio solo unos pocos creadores aliados tuvieron acceso beta; después se fue abriendo gradualmente en Hailuo y en plataformas asociadas

Para un resumen completo de especificaciones, puedes revisar la explicación del modelo Hailuo H3 y el análisis de MiniMax H3 (Hailuo 3.0) en 2K de terceros. Aquí no vamos a repetir esos parámetros.

Regla práctica: al ver un nuevo modelo de video, no mires primero la resolución -pregunta primero si puede tomar como entrada el material que ya tienes. La resolución determina dónde puedes publicar el resultado; la capacidad de referencia determina si vas a tener que rehacer todo diez veces.

Dos: el verdadero problema de los MV con IA no es la calidad de imagen, es que la imagen no sigue a la música

Lo que arruina un video musical no suele ser que la imagen se vea mal, sino que la imagen y la música son dos líneas de tiempo independientes.

Esto se manifiesta de tres formas concretas, y seguro te ha pasado alguna:

• La boca no coincide: el personaje en pantalla está cantando, pero claramente no está cantando esta canción. El espectador se desconecta en tres segundos.
• El corte no cae en el ritmo: justo cuando explota el estribillo, la imagen sigue en el plano vacío anterior; para cuando corta, el golpe de batería ya pasó medio segundo antes.
• Cambio de personaje: el mismo protagonista se ve distinto en el segundo 4 y en el segundo 12, y toda la narrativa del video se desarma.

La solución tradicional es dejarle esto a la posproducción: generar la imagen primero, y luego alinear a mano, corregir la boca a mano, cortar a mano según el ritmo. El problema es que una canción normalmente tiene decenas de planos, y el costo de alinearlos manualmente termina siendo más alto que el de generar la imagen misma -por eso tantos videos musicales con IA terminan reducidos a “una presentación de fotos con transiciones”.

Regla práctica: para saber si un MV con IA es profesional, no mires la calidad de un solo fotograma -mira cuántos cortes hay en esos 8 segundos del estribillo y si cada corte cae exactamente en el ritmo.

Tres: la función más subestimada de H3 -la canción misma puede ser una entrada

Entre las entradas de referencia de H3 hay una llamada audio de referencia: puedes darle al modelo un fragmento de audio directamente para que genere la imagen a partir de eso. En SunoMV, el límite es de hasta 3 fragmentos de audio de referencia.

Para quien hace videos musicales, el significado es directo: la canción que quieres musicalizar puede convertirse en la entrada misma.

• La boca del personaje puede moverse según la voz que le diste, en lugar de que el modelo invente su propia sincronización labial;
• El ritmo de la imagen tiene un ancla temporal de referencia, en vez de depender solo de una descripción de texto tipo “que corte al ritmo” y esperar suerte;
• En covers o planos con sensación de presentación en vivo donde importa conservar la textura vocal original, ya no hace falta corregir la boca cuadro por cuadro en posproducción.

Esta es también la diferencia más práctica frente a otros modelos de video populares del mismo periodo. Narrativa multiplano, duraciones más largas, generación más rápida -de eso ya hay varios modelos trabajando estos últimos años. Pero tratar la “canción” como una entrada de primer nivel sigue siendo algo que muy pocos modelos disponibles ofrecen.

Regla práctica: si quieres que la boca y la emoción sigan a la canción, da el audio en la etapa de generación; corregir la boca después en posproducción cuesta varias veces más.

Cuatro: 9 imágenes de referencia para fijar el rostro -que el protagonista siga siendo la misma persona en los 15 segundos

Otra función de H3 es la imagen de referencia; en SunoMV el límite es de hasta 9 imágenes. La diferencia que trae esta cantidad no es “que se parezca un poco más”, sino que se pueda sostener un personaje.

Una sola imagen de referencia solo puede fijar un ángulo. Nueve pueden cubrir de frente, perfil, medio cuerpo, distintas condiciones de luz y varios vestuarios -con esa información multifacética del personaje, el modelo no cambia de cara de golpe cuando hay un giro, un desplazamiento o un cambio de luz. Si a esto se le suma hasta 3 videos de referencia para marcar el movimiento y el trabajo de cámara, un plano de 15 segundos tiene la posibilidad de mantener a la misma persona actuando de principio a fin.

La consistencia del personaje es uno de los puntos más costosos en los videos musicales con IA; desarrollamos la metodología con más detalle en Método de consistencia de personaje para videos musicales con IA. H3 bajó el umbral de esto a “preparar unas cuantas imágenes más”.

Cinco: cuándo usar H3 y cuándo no

H3 es la gama alta: calidad de imagen elevada y costo también elevado; usarlo para todo el video la mayoría de las veces es un desperdicio. Conviene tratarlo como algo “reservado para los planos clave”:

Escenario	Recomendación
Estribillo, primeros planos del personaje, segmentos con boca visible	Usa H3, dando imagen de referencia y audio de referencia juntos
Planos vacíos, transiciones, ambientación	Usa un nivel más rápido y económico, y guarda el presupuesto para los planos clave
Etapa de borrador, para probar el montaje completo y encontrar el tono	Corre primero con un nivel de bajo costo, y una vez definida la estructura, sube a H3
Cortes de menos de 5 segundos	H3 parte de 5 segundos, así que estos planos déjaselos a otro modelo

Combinar distintos modelos en el mismo video musical es una práctica normal, no un compromiso. La actualización reciente de Seedance de ByteDance es un caso similar; hicimos el mismo análisis de decisiones en Lo que significa el 4K nativo de Seedance para los videos musicales con IA.

Regla práctica: el presupuesto de un video musical debería tener forma de pirámide -80% de los planos con un nivel económico para armar la estructura, 20% de planos clave con el modelo de gama alta para definir el resultado final.

Seis: usa H3 en SunoMV ahora mismo para hacer un video musical

No hace falta esperar al lanzamiento público. En la lista de modelos de video de SunoMV, Hailuo 03 ya está disponible como opción, y puedes usar directamente la fijación de rostro con imagen de referencia, la sincronización labial con audio de referencia y la salida en 2K nativo.

Cuatro pasos para lograrlo:

1. Define primero la canción: genera una con IA o sube directamente el audio que ya tienes -la música es la estructura temporal de todo el video.
2. Prepara el material del protagonista: consigue varias imágenes del mismo personaje en distintos ángulos, de frente, de perfil, con distintas condiciones de luz.
3. Elige Hailuo 03 para los planos clave: dale la imagen de referencia junto con el audio vocal de esa frase, y usa un nivel más económico para el resto de los planos.
4. Alinea las tres pistas y exporta: coloca la letra con marcas de tiempo palabra por palabra en la línea de tiempo, y exporta cuando la imagen, los subtítulos y el golpe de batería estén sincronizados.

Para ver cómo sincronizar con precisión la letra y la imagen palabra por palabra, revisa la Guía para hacer videos de letras sincronizadas palabra por palabra. Si primero quieres ver el proceso completo de otra persona, este tutorial para convertir una canción con IA en un video musical completo puede servirte como introducción.

Preguntas frecuentes

P: ¿H3 y Hailuo 03 son lo mismo? R: Sí. Este modelo de video que MiniMax presentó en el WAIC 2026 se llama oficialmente Hailuo 03, y en la difusión pública se suele escribir como MiniMax H3.

P: ¿Necesito tener la voz original del cantante para usar el audio de referencia? R: No es necesario. Una canción generada por IA también puede usarse como audio de referencia -lo importante es tener un fragmento de audio definido, sin importar de dónde venga.

P: ¿Alcanzan 15 segundos para hacer un video musical? R: Por segmento, sí alcanza. Un video musical de 3 minutos de por sí se arma con decenas de planos, así que 15 segundos por plano ya es bastante largo -la mayoría de los planos musicales deberían cortarse entre 3 y 8 segundos.

P: ¿Conviene usar solo H3 para todo el video? R: No conviene. Es la gama alta, y el costo es notablemente mayor que el de los niveles rápidos. Reservarlo para el estribillo y los primeros planos, usando niveles económicos para el resto, es la opción con mejor relación costo-beneficio.

P: ¿Por qué mi sincronización labial sigue sin quedar bien? R: Primero revisa si de verdad diste el audio de esa frase como referencia. Solo escribir “que cante siguiendo el ritmo” en el texto del prompt no funciona -el modelo necesita recibir el audio en sí. Para el método general de sincronización labial, la Guía de sincronización labial de Hailuo tiene un desglose más detallado.

Siete: siguiente paso

El revuelo del lanzamiento se apaga en una semana, pero la barrera para “convertir una canción que te gusta en un video musical decente” está bajando de verdad. El valor de H3 no está en esos números, sino en que convirtió el “audio” y el “personaje” -que antes eran un dolor de cabeza en posproducción- en entradas de la etapa de generación.

Ve ahora mismo al Generador de video con IA a partir de audio de SunoMV, elige Hailuo 03, sube esa canción que tienes en repeat últimamente y descubre en qué se puede convertir ese estribillo de ocho segundos.

– SunoMV Team