MiniMax H3 Prompting Guide
Dieser MiniMax H3 Prompting Guide basiert auf Generierungen mit dem live verfügbaren Modell. Getimte Abläufe, Text im Bild, der tatsächlich korrekt gerendert wird, Referenzbilder, Start- und Endframes, nicht umgesetzte Kameraanweisungen und gezielte Tonregie. Dazu die zwei Techniken, bei denen wir keinen Unterschied nachweisen konnten.
MiniMax H3 Prompting Guide: MiniMax H3 erzeugt Videos aus einem Textprompt, aus einem Startbild mit optionalem Endbild oder aus bis zu neun Referenzbildern. Bei MiniMax H3 wird alles in 2K mit 24 Bildern pro Sekunde ausgegeben, inklusive Stereo-Tonspur in derselben Datei. Die Variante H3 Max, die gegen Ende einen eigenen Abschnitt hat, rendert stattdessen in 768p oder 480p: für 2 Credits pro Sekunde bei 768p oder 1,5 bei 480p. Clips dauern 5 bis 15 Sekunden. Das Promptfeld fasst bis zu 7.000 Zeichen, eine komplette Shotliste samt Sounddesign passt also in eine Anfrage.
Dieser Guide basiert auf Generierungen mit dem Live-Modell, nicht auf einem Datenblatt. Jeder Clip unten stammt aus diesen Tests, in der Auflösung, die das Modell ausgegeben hat. Wo eine Technik ihre Worte wert ist, gibt es eine Vorlage. Wo eine oft empfohlene Technik in unseren Tests keinen messbaren Unterschied gemacht hat, sagen wir genau das.
Der Prompt verlangte eine Titelkarte mit „CHAPTER ONE“ in schmalen weißen Großbuchstaben. Genau das kam zurück: korrekt geschrieben und sauber gesetzt, in einer einzigen Generierung.
Der Modus ergibt sich aus deinen Anhängen, nicht aus einem Dropdown. Ohne Medien: Text-zu-Video. Mit Startbild und optionalem Endbild: Bild-zu-Video. Alles, was du als Referenz statt als konkretes Einzelbild verwendest: Referenz-zu-Video.
Was du dir mit Seedance und WAN angewöhnt hast, funktioniert größtenteils auch hier. Zwei dieser Techniken bewirkten allerdings weniger als erwartet. Jede Zeile unten wurde als Vergleichspaar getestet: gleiches Motiv, gleicher Seed, gleiche Dauer. Nur die jeweils geprüfte Technik wurde verändert.
| Technik | Ergebnis mit MiniMax H3 | Was wir beobachtet haben |
|---|---|---|
| Bildtext wortwörtlich vorgeben | Funktioniert, Textdarstellung ist eine echte Stärke | Beide Testvarianten lieferten eine saubere, korrekt geschriebene Titelkarte. Den Text genau vorzugeben sorgte nicht erst dafür, dass Text erschien. Es bestimmte, welche Wörter erschienen und wie sie gesetzt wurden: Die beschreibende Version erfand „CHAPTER I“ in einer Serifenschrift, die Version mit exakter Textvorgabe lieferte „CHAPTER ONE“ in den gewünschten schmalen Großbuchstaben. |
| Reihenfolge: Motiv, Szene, Handlung, Kamera, Audio | Funktioniert, bringt Kontrolle statt Qualität | Schon ein knapper Prompt mit vier Wörtern lieferte einen soliden Clip. Allerdings schrieb das Modell seinen eigenen Film: zwei Einstellungen und ein Schnitt. Die strukturierte Version blieb bei einer durchgehenden Einstellung und setzte genau die eine angeforderte Kamerafahrt nach vorn um. |
| Zeitlich definierte Beats in Klammern | Funktioniert und sichert die Endzustände | Bei 10 Sekunden brachte schon die einfache Version alle drei Aktionen in die richtige Reihenfolge. Die getimte Version erreichte zusätzlich die vorgegebenen Endzustände, einschließlich der leeren Bank nach dem ersten Abschnitt. |
| Eine Kameraanweisung in ein klares Verbot umformulieren | Funktioniert und ist die Worte wert | „Der Bildausschnitt bewegt sich nie“, ergänzt um die Kamerabewegungen, die ausbleiben sollen, hielt den Bildausschnitt über den gesamten Clip absolut stabil. |
| Sichtbares Verhalten statt Gefühlswörter | Funktioniert | Konkret benannte körperliche Signale wie ein starr nach unten gerichteter Blick, reglose Finger und hochgezogene Schultern wurden wörtlich umgesetzt und über den gesamten Clip gehalten. „Sie wirkt ängstlich und nervös“ führte stattdessen zu einem generischen Spiel in die Kamera. |
| Start- und Endframe | Funktioniert und trifft präzise | Mit beiden Frames startete der Clip auf dem vorgegebenen Startbild und endete exakt auf dem vorgegebenen Schlussbild, bis hin zum aufgerollten Seil auf dem leeren Steg. |
| Jedem Referenzbild eine Aufgabe geben | Optional: H3 fügt auch ohne Vorgaben sauber zusammen | Zwei Vergleichspaare, darunter ein bewusst schwieriges mit einer Person, einem Produkt auf Weiß und einem leeren Raum. Die Variante ohne Rollenzuweisung führte alles genauso gut zusammen: richtiges Gesicht, richtige Tasche, richtiger Raum. Der weiße Produkthintergrund wurde ohne entsprechende Anweisung weggelassen. |
| Negativlisten | Optional: zusätzliche Absicherung | Zwei Vergleichspaare. H3 ließ die verbotenen Elemente in beiden Fällen bereits von selbst weg. Eine kurze Negativliste bietet eine letzte Absicherung, zum Beispiel gegen unerwünschte Schriftzüge an Ladenfronten. |
Kurz gesagt: Struktur, Timing, Vorgaben gegen Kamerabewegung, beobachtbares Verhalten und wortwörtlich vorgegebener Text sind ihre Worte wert. Referenzrollen und Negativlisten bieten kostenlose Zusatzabsicherung: H3 führt Referenzen bereits selbstständig zusammen und hält Szenen frei von unerwünschten Elementen.
H3 kombiniert Referenzen auch ohne zugewiesene Rollen sauber und hält unerwünschte Elemente von selbst fern. Beide Techniken kosten nichts. Behalte sie deshalb als zusätzliche Absicherung bei, besonders wenn zwei Referenzen miteinander verwechselt werden könnten, etwa zwei Personen oder zwei Orte.
Motiv + Handlung + Szene und Umgebung + Bildstil + Kamera + Audio
H3 füllt Lücken selbstbewusst. Lässt du die Kamera offen, übernimmt es die Regie und schneidet oft innerhalb von fünf Sekunden zwischen zwei Einstellungen. Gut, wenn dein Clip direkt fertig wirken soll. Schlecht, wenn du eine ganz bestimmte Aufnahme brauchst. Benenne, was dir wichtig ist, und lass H3 den Rest erfinden.
<Subject> <performs the primary action> in <scene and environment>, at <time of day>. <Light direction, materials, colour, and texture>. Begin on <opening shot size and framing>, then <the one camera move you want>. Audio: <the sounds that belong to this action, in the order they happen>.
A barista in a narrow espresso bar tamps a portafilter, locks it into the group head, and starts the shot, at sunrise. Low warm sunlight comes through a window on the left, steam catches the light, brushed steel and matte ceramic surfaces. Begin on a medium shot of her hands at the machine, then slowly push in to a close-up of the espresso stream. Audio: the grind of the burr, the clack of the portafilter locking in, the hiss of the pump, and quiet morning room tone.
Solide, aber komplett der eigene Film des Modells. Es wählte eine Makroaufnahme vom Eingießen der Latte Art und schnitt dann auf eine weite Einstellung mit einem selbst erfundenen Barista.
Eine durchgehende Aufnahme. Die gewünschte Kamerafahrt nach vorn, Licht von der vorgegebenen Seite, zum Schluss der fließende Espresso. Gleicher Seed wie bei der Version ohne nähere Vorgaben.
Beide Clips sehen großartig aus. Genau das ist das Ergebnis. Der strukturierte Prompt bringt zusätzlich zu der Qualität, die H3 ohnehin liefert, präzise Umsetzung deiner Vorgaben. Nutze die Formel, wenn die Einstellung einem Bild in deinem Kopf entsprechen muss. Ein Einzeiler reicht, wenn du dich gern überraschen lässt.
Für alles, was über eine einzelne Aktion hinausgeht, schreibst du den Clip als lückenlose Folge getimter Abschnitte. Gib jedem Abschnitt eine zentrale Veränderung und sag, was an seinem Ende sichtbar sein soll. Der Endzustand macht den Unterschied: Er gibt dem Modell einen Kontrollpunkt, den es erreichen soll, statt einer Stimmung, die es halten muss.
<One line naming the setting and the overall event.> [0-3 seconds] <Opening shot. One primary change.> End with <a state a viewer could point at>. [3-7 seconds] <Next shot. One primary change.> End with <a state a viewer could point at>. [7-10 seconds] <Final shot. One primary change.> End with <the closing state>. Audio: <what runs underneath, and what happens at the specific moments>.
Die Sequenz läuft trotzdem in der richtigen Reihenfolge ab. H3 beherrscht implizite Abfolgen gut. Eine einfache Beschreibung ist hier also nicht das Desaster, das sie bei manchen Modellen ist.
Achte darauf, wie die vorgegebenen Endzustände eintreten: Die Werkbank ist sichtbar leer, sobald das Rad im Ständer sitzt, und nach der Arbeit an den Speichen hält er den Schraubenschlüssel noch immer in der Hand.
Wir haben das Limit von 15 Sekunden mit fünf zeitlich definierten Beats von jeweils drei Sekunden getestet. Die ersten vier kamen in der richtigen Reihenfolge und genau zur richtigen Zeit. Profi-Tipp: Plane vier Beats für fünfzehn Sekunden und gib dem Finale den meisten Raum.
Zentrieren, öffnen, die Wände hochziehen, den Rand formen: vier Abschnitte, jeder genau zum vorgegebenen Zeitpunkt.
Lesbarer Text ist die offensichtlichste Stärke von H3 und der größte praktische Unterschied zu den anderen Videomodellen, die wir getestet haben. Beide Varianten unseres Tests lieferten saubere, korrekt geschriebene Schrift. Mit dem Prompt steuerst du, welche Wörter erscheinen und wie sie gesetzt sind.
Sauber und korrekt geschrieben, aber Wortlaut und Schrift hat das Modell gewählt: „CHAPTER I“ in einer Serifenschrift.
Die exakte Zeichenfolge, in der gewünschten Schriftstärke und Groß- und Kleinschreibung, zentriert. Derselbe Seed wie bei der beschreibenden Version.
A title card reads "<THE EXACT STRING>" in <weight, case, and family>, <position in frame>. Do not misspell it, do not add any other text, do not add subtitles.
Füge bis zu neun Bilder hinzu, und H3 kombiniert sie zu einer Einstellung: ein Gesicht aus dem einen, ein Produkt aus dem anderen, einen Ort aus dem dritten. H3 erkennt selbst, wofür jedes Bild gedacht ist: In unseren beiden Tests brachte es das richtige Gesicht, Produkt und den richtigen Ort zusammen, ohne eine Anweisung dafür zu brauchen.
Image 1: die Frau, Image 2: die Umhängetasche, Image 3: die Lobby. Dazu klare Anweisungen, weder den weißen Produkthintergrund noch die Studiokulisse zu übernehmen.
Gleicher Seed, gleiche Bilder, ein schlichter Satz. Richtiges Gesicht, richtige Tasche, richtiger Raum. Beide unerwünschten Hintergründe verschwinden, ohne dass es verlangt wurde.
Der frühere Test mit zwei Bildern, einer Person und einem Ort, fiel genauso aus. Unsere Einschätzung: Wenn jede Referenz plausibel nur eine Rolle erfüllen kann, ordnet H3 sie selbst zu. Rollen zu benennen kostet nichts, und wir empfehlen es weiterhin. Sobald zwei Referenzen dieselbe Rolle erfüllen könnten, muss das Modell raten. Ein Satz ist günstiger als ein neuer Durchlauf.
Use Image 1 for <what it defines>: preserve <the specific features that must survive>. Use Image 2 for <what it defines>: preserve <the specific features that must survive>. Use Image 3 for <the location>: <the elements of the set that matter>. Do not use <the parts of any reference that should not appear, such as a studio backdrop>. <The action, the light, and the shot.>
Gesichter und Haare blieben in allen Referenztests konsistent. Profi-Tipp: Zeig jedes Kleidungsstück nicht nur, sondern benenne es auch im Prompt, etwa „eine marineblaue Canvasjacke“. So sitzt die Kleidung genauso zuverlässig.
Auf PixelDojo sind die Referenzen Bilder: der schnellste Weg, ein Gesicht, ein Produkt und einen Ort in einer Aufnahme festzulegen.
Alles bisher reicht für eine einzelne Einstellung mit einer oder zwei Referenzen. Sobald ein Prompt mehrere Assets und eine namentlich benannte Besetzung enthält, braucht er ein Token-System und einen festen Aufbau. Dieser Abschnitt zeigt die Struktur, die wir dafür nutzen. Sie basiert auf der Modelldokumentation, nicht auf unserer eigenen A/B-Testreihe.
Verweise mit kurzen Tokens auf angehängte Dateien: Image1, Video1, Audio1. Kein Leerzeichen vor der Zahl. Die Zahl steht für die Uploadposition. Ein Token bezeichnet also die Datei, die beim Anhängen auf diesem Platz lag. Lege die Reihenfolge fest, bevor du schreibst, und nummeriere niemals mitten im Prompt um. Wenn du eine Datei austauschst, ersetze die Datei, nicht das Token.
Entscheide vor dem ersten Wort, welcher klar begrenzte Auftrag für die Einstellung gilt. Jeder Auftrag legt anders fest, was die Referenzen steuern dürfen. Bleib bei einem Auftrag pro Prompt, dann erfüllt jede Referenz genau ihre Aufgabe.
| Auftrag | Was die Referenzen steuern | Was im Prompt stehen muss |
|---|---|---|
| Text zu Video | Keine Anhänge | Die gesamte Einstellung nach der grundlegenden Formel oben. |
| Start- und Endframe | Die beiden Begrenzungsbilder | Welches Bild den Anfang und welches das Ende bildet, plus eine Bewegung, die den Übergang zwischen beiden logisch herstellt. |
| Omni-Referenz | Identität, Outfit, Requisiten und Ort | Eine klar benannte Aufgabe pro Bild und die Merkmale, die beim Zusammenfügen erhalten bleiben müssen. |
| Schauspiel übertragen | Ein Quellvideo liefert nur die Bewegung | Welche Bewegung übernommen werden soll und dass Personen, Kleidung und Ort aus diesem Video nicht übernommen werden dürfen. |
| Stimmübertragung | Eine Audiodatei liefert eine Stimme | Welche Figur mit dieser Stimme spricht, dass die Lippensynchronität erhalten bleibt und welche Raumgeräusche darunterliegen. |
| Gezielte Bearbeitung | Ein Clip gibt den Takt vor | Dass das Master-Asset die einzige Quelle ist, welche Änderungen genau gewünscht sind und was unverändert bleiben muss. |
Die Regel hinter allen sechs: Ein Asset steuert genau eine Sache. Alles, was es nicht steuern soll, wird festgehalten. „Nutze die Referenzen“ ist keine Anweisung, sondern eine Hoffnung.
Alles, was über den gesamten Clip identisch bleiben muss, gehört oberhalb der Einstellungsliste in klar benannte Abschnitte. Die Einstellungsliste enthält dann nur noch das, was sich verändert. Anzahl der Personen, Gesichter, Kleidung, Requisiten, Stimmen und wer wo steht: Diese sechs Punkte legst du oben fest, damit sie für jeden Abschnitt gelten.
[REFERENCE USE] Image1 = <one job>. Keep <features>. Ignore <what must not travel>. Image2 = <one job>. Keep <features>. Ignore <what must not travel>. [IDENTITY / CONTINUITY LOCKS] <How many people are in frame, and no more.> <Each face, tied to its token.> <Each garment, described in words as well as shown.> <Each hero prop, and which hand or surface holds it.> [SCENE] <Location, time of day, weather, and the light.> [DIALOGUE] <Character>: "<the exact line>" [SCREEN GEOGRAPHY] <Who is on the left, who is on the right, and what they look at.>
Die räumliche Anordnung im Bild wird oft vergessen. Benenne, wer wo steht und wohin jede Person schaut. So bleiben die Blickachsen auch bei bewegter Kamera stimmig.
Für die Shotliste gelten dieselben Regeln für zeitlich definierte Beats wie weiter oben in diesem Guide: aufeinanderfolgende Zeitabschnitte ohne Überschneidung, jeweils ein Hauptereignis und ein festgelegter Endzustand. Gib jedem Abschnitt einen Bildausschnitt, ein Kameraverhalten, eine Handlung, mögliche Dialogzeilen und einen klaren Zustand am Ende. Für eine einzige durchgehende Handlung reicht weiterhin Fließtext. Klammern sind für Sequenzen da, nicht als Deko.
Schließe nach der Einstellungsliste mit den Abschnitten für die finale Gestaltung ab. Sie beschreiben den gesamten Clip statt eines einzelnen Abschnitts. Deshalb stehen sie unten, wo sie nicht als Handlungsschritt gelesen werden.
[REFERENCE USE] Image1 = Nadia, lead. Keep the face, the freckles, and the dark curls tied back. Ignore the grey studio backdrop. Image2 = Theo, second character. Keep the face, the beard, and the wire-rim glasses. Ignore the office behind him. Image3 = the record shop interior. Keep the wooden browsing bins, the yellow pendant lights, and the tiled floor. Video1 = motion source only. Copy the slow turn of the head and the reach across the bin. Do not use its actors, its clothing, or its location. Audio1 = Nadia's speaking voice. Nadia speaks in this voice. Keep her lip sync accurate to the line below. [IDENTITY / CONTINUITY LOCKS] Exactly two people are in frame for the whole clip. No extras, no passers-by. Nadia has the face from Image1. Theo has the face from Image2. Nadia wears a rust corduroy jacket over a cream tee. Theo wears a charcoal knit sweater. The hero prop is one sleeved vinyl record. It stays in Nadia's hands until she passes it to Theo. [SCENE] The record shop from Image3, late afternoon. Low sun comes through the front window on the right and the pendant lights are already on. [DIALOGUE] Nadia: "This is the pressing I told you about." [SCREEN GEOGRAPHY] Nadia stands on the left at the browsing bin. Theo stands on the right by the counter. They look at each other when they speak and at the record when it changes hands. [SHOT LIST] [0-4 seconds] Medium two-shot, locked off. Nadia turns her head toward Theo and reaches across the bin. End with the record lifted clear of the bin in her right hand. [4-8 seconds] Slow push in to a medium close-up on Nadia. She says her line and holds the record up. End with the sleeve fully readable in frame. [8-12 seconds] Hold the medium close-up, then reframe right as she passes the record. End with the record in Theo's hands and Nadia's hands empty. [ACTING] Nadia's gaze stays on Theo through the line and drops to the record as she passes it. Her thumbs stay on the sleeve edges. Theo's shoulders drop as he takes it and he exhales once. [LIGHT AND IMAGE] Warm low sun from the right, soft fill from the pendants, deep shadows in the bins. Muted rust and amber palette. Shallow depth of field on a 40mm lens, fine grain. [CAMERA] One slow push in and one reframe, both on a tripod head. No handheld, no zoom, no whip pan. [PRODUCTION SOUND] Quiet shop room tone, the rustle of sleeves in the bin, one soft card-stock slide as the record leaves its slot, and Nadia's line clean over the top. No music. [NEGATIVES] No identity drift between Nadia and Theo. No wardrobe changes. No third person entering frame. No broken eyelines. No subtitles or captions.
PixelDojo unterstützt aktuell Bildreferenzen. Image1 bis Image9 sind deshalb die Tokens, die du tatsächlich anhängen kannst. Die Aufgabenverteilung für Video1 und Audio1 ist hier dokumentiert, weil das Modell sie versteht und weil dieselbe Regel, eine Aufgabe pro Datei, auch reine Bildprompts zusammenhält.
Füge einen Startframe hinzu, und H3 animiert von dort aus weiter. Fügst du einen Start- und einen Endframe hinzu, erzeugt es die Bewegung dazwischen. Das ist die präziseste Steuerung, die das Modell bietet. In diesem Modus bestimmt das Bild das Seitenverhältnis. Die Auswahl für das Seitenverhältnis wird ignoriert.
Das vorgegebene Bild bleibt erhalten und wird animiert: Er bleibt am Pfosten und dreht den Kopf, das Seil bewegt sich im Wind.
Gleiches Startbild. Er geht nach links aus dem Bild und der Clip endet exakt auf dem vorgegebenen Schlussbild, inklusive leerem Steg und aufgerolltem Seil.
H3 versteht filmische Fachbegriffe direkt und liebt Bewegung: Ohne Vorgaben folgt es der Handlung mit einer lebendigen, sanft bewegten Kamera. Für eine statische Aufnahme listest du auf, welche Bewegungen ausbleiben sollen. Dann steht das Bild felsenfest.
Eine natürlich bewegte Kamera, die ihr bei der Arbeit folgt.
Ein fester Bildausschnitt über den gesamten Clip. Nur der Gärtner und der Sprühnebel bewegen sich. Gleicher Seed wie bei der stummen Version.
Locked-off static <wide / medium / close> shot. No push in, no handheld, no zoom, no dolly. The frame never moves.
Wenn du eine Kamerabewegung willst, benenne genau eine und beschreibe, was sich im Bild verändert. „Langsam nach vorn auf eine Nahaufnahme des Espressostrahls zufahren“ wurde genau so umgesetzt. Profi-Tipp: Verbinde jeden Kamerabegriff mit der gewünschten sichtbaren Veränderung, dann setzt H3 ihn um.
Gefühlswörter fassen eine Darstellung zusammen, beschreiben sie aber nicht. Schreib stattdessen, was eine Kamera sehen könnte: wohin die Augen blicken, was die Hände tun, wie sich die Atmung verhält, was still bleibt.
Ein beliebiger Auftritt direkt in die Kamera. Die Geige liegt auf ihrem Schoß, und die Regieanweisung wird zu einem Gesichtsausdruck statt zu einem Verhalten.
Blick fest auf den Boden gerichtet, die Finger umklammern den Geigenhals, die Schultern sind hochgezogen. Die Anweisung wird wörtlich umgesetzt und über den gesamten Clip gehalten.
<Subject> <is in the situation>. <What the hands do>, <where the eyes go>, <what the shoulders or posture do>, and <one breath or pause>. <Shot size>, <camera behaviour>.
Jeder Clip kommt mit einer Stereospur. Sound ist also etwas, das du inszenierst, nicht einfach nur mitbekommst. Benenne die Geräusche in ihrer zeitlichen Reihenfolge, sag, was darunterliegt und was nicht zu hören sein soll.
Eine durchgehende Klangfläche. Über den Clip gemessen liegt sie mit wenig Schwankung bei etwa −32 dB.
Dasselbe Bild, aber die Tonspur baut auf Ereignissen auf: leise Grundpegel um −45 dB mit Spitzen bis −23 dB bei den Schlägen und beim Abschrecken.
Audio: <what runs underneath for the whole clip>, <the specific event sounds in the order they happen>, and at <the moment> <the sound that marks it>. No music.
Die Pegel folgen der Szene. Ruhige Szenen liefern deshalb echte, natürliche Stille. Unsere Clips am See und hinter der Bühne lagen im Schnitt bei rund −44 dB, etwa 25 dB unter den belebten Szenen. Die finale Lautheit legst du im Schnitt fest.
Ausschlüsse gehören direkt in den Prompt, als einfache Sätze. H3 hält Szenen von selbst frei von unerwünschten Elementen. Eine kurze Ausschlusszeile ist deshalb eine letzte Absicherung, keine Voraussetzung.
Eine leere Terrasse, wie gewünscht.
Auch hier eine leere Terrasse: H3 hielt die Szene von selbst frei.
Das frühere Vergleichspaar mit dem Boot auf einem See verhielt sich genauso. Der praktische Rat ist also gezielter als „Negativvorgaben wirken ungewöhnlich gut“: Nutze sie für Dinge, die das Modell gern von selbst hinzufügt. In unseren Tests waren das Bildtext und Kamerabewegungen. Verlass dich nicht darauf, mit einer Negativvorgabe ein Motiv zu entfernen, das die Szene nahelegt. Soll keine Person im Bild sein, beschreibe einen leeren Ort statt eines Ortes, an dem eine Person verboten ist.
Sechs Seitenverhältnisse, auf H3 in 2K gerendert: 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16. Hochformat liefert echte 1440 mal 2560 statt eines zugeschnittenen Querformats. Es lohnt sich also, Social-Assets direkt im passenden Format zu generieren, statt sie später neu zuzuschneiden.
Ein Produktspot für den Smartphone-Screen: Die Kamera fährt hoch, Kondenswasser läuft herunter, und nichts wird aus einem breiteren Bild herausgeschnitten.
| Einstellung | Bereich | Hinweise |
|---|---|---|
| Dauer | 5 bis 15 Sekunden | Ganze Sekunden. Die Kosten steigen mit der Länge. |
| Auflösung | H3: 2K oder 768p. H3 Max: 768p oder 480p | Bei H3 erzwingt ein Startbild 2K. Bei H3 Max bleibt deine Auswahl in jedem Modus erhalten. |
| Credits | 5 pro Sekunde bei 2K, 2,5 bei 768p. H3 Max: 2,5 bei 768p, 2 bei 480p | 20 Credits für einen 5-Sekunden-Clip in 2K, 10 mit H3 Max bei 768p. 60 für die vollen 15 Sekunden in 2K. Ein Referenzvideo kostet zusätzlich 4,5 Credits pro Clipsekunde, jedes Referenzbild nach dem fünften zusätzlich 1. |
| Promptlänge | Bis zu 7.000 Zeichen | Eine komplette Einstellungsliste samt Sounddesign passt problemlos hinein. |
| Seitenverhältnis | Sechs Formate | Wird im Startbild-Modus ignoriert. Dort gibt das Bild das Format vor. |
Bei H3 wird jede Generierung in 2K ausgegeben. Ein verworfener Clip kostet also genauso viel wie ein guter. Teste Look und Ton mit 5 Sekunden und starte den überzeugenden Prompt danach erneut in der benötigten Länge. H3 Max ist der günstigere Ort für diese Tests, solange 768p zur Beurteilung reichen.
H3 Max ist eine auf Tempo optimierte Variante von MiniMax H3. Es versteht dieselbe Prompt-Sprache wie oben beschrieben und erzeugt weiterhin eigenes synchrones Audio. Es akzeptiert einen Startframe mit optionalem Endframe, läuft 5 bis 15 Sekunden in denselben sechs Seitenverhältnissen und rendert schnell für 2 Credits pro Sekunde bei 768p oder 1,5 bei 480p.
Eine durchgehende Aufnahme mit der angeforderten Kamerafahrt nach vorn. Sie beginnt bei ihren Händen und endet beim fließenden Espresso. 2560 mal 1440.
Derselbe Prompt. Auch hier blieb es bei einer durchgehenden Einstellung mit Kamerafahrt nach vorn, die bei ihren Händen beginnt und beim Espressostrahl endet. Der sichtbare Unterschied ist die Bildgröße: 1344 mal 768 gegenüber 2560 mal 1440.
Ein Startframe schiebt H3 Max nicht in eine teurere Preisstufe, wie es bei H3 der Fall ist. Dieser Durchlauf inszenierte das Öffnen des Etuis: In den ersten zwei Sekunden schloss sich der Deckel, während die Kamera das Etui umkreiste, dann öffnete er sich aus einem neuen Blickwinkel wieder. Der 480p-Durchlauf mit demselben Standbild und demselben Prompt inszenierte das überhaupt nicht. Betrachte diesen Effekt also als etwas, das das Modell kann, nicht als etwas, das es immer macht.
| Einstellung | MiniMax H3 | H3 Max |
|---|---|---|
| Auflösung | 2K oder 768p | 768p oder 480p |
| Credits pro Sekunde | 5 bei 2K, 2,5 bei 768p, plus 4,5 pro Sekunde Referenzvideo und 1 pro Referenzbild nach dem fünften | 2,5 bei 768p, 2 bei 480p |
| 5-second clip | 20 Credits bei 2K, 12,5 bei 768p | 10 Credits bei 768p, 7,5 bei 480p |
| Einfluss des Startbilds auf die Abrechnung | Erzwingt 2K, Bild-zu-Video kostet daher 20 Credits für 5 Sekunden | Keine. Die gewählte Auflösung bleibt erhalten |
| Referenzbilder, Videos, Audio | Bis zu neun Bilder, drei Videos, drei Audiodateien | Nicht unterstützt. Nur Einzelbilder |
| Dauer | 5 bis 15 volle Sekunden | 5 bis 15 volle Sekunden |
| Seitenverhältnisse | Sechs, von 21:9 bis 9:16 | Sechs, dieselbe Auswahl |
| Gemessene Generierungszeit | Etwa 205 Sekunden für einen 5-Sekunden-Bild-zu-Video-Clip am 2026-08-26 | 24 to 33 seconds across three 5-second runs on 2026-09-01 |
Nutze H3 Max, um einen Prompt zu testen, bevor du dafür den 2K-Preis zahlst. Ebenso für Social- und Produktclips, bei denen 768p reichen, und für Bild-zu-Video-Aufgaben, bei denen der 2K-Preis ins Gewicht fällt. Bleib bei MiniMax H3, wenn du in 2K auslieferst oder die Aufnahme Referenzbilder, Referenzvideo oder Referenzaudio braucht.
Am 2026-08-03 mit dem Live-Modell auf PixelDojo getestet: 24 Generierungen, jeweils als Vergleichspaare mit demselben Seed und nur einer geänderten Variable. Wenn eine Technik keinen messbaren Unterschied gemacht hat, sagt dieser Guide das, statt sie einfach weiterzuempfehlen.