Skip to main content

Guía de prompts para MiniMax H3

MiniMax H3.
2K, con sonido, probado prompt a prompt.

Una guía de prompts para MiniMax H3 basada en generaciones con el modelo en producción. Acciones por tiempos, texto en pantalla que sí se genera bien, imágenes de referencia, fotogramas inicial y final, movimientos de cámara que el modelo no sigue y sonido dirigido. Incluye las dos técnicas con las que no pudimos demostrar ninguna diferencia.

Resumen

En esta guía de prompts para MiniMax H3 verás cómo generar video a partir de texto, de un fotograma inicial con un fotograma final opcional o de hasta nueve imágenes de referencia. En MiniMax H3, todo se genera a 2K y 24 fotogramas por segundo, con una pista de audio estéreo en el mismo archivo. La variante H3 Max, que tiene su propia sección hacia el final, genera a 768p o 480p, por 2 créditos por segundo a 768p o 1,5 a 480p. Los clips duran de 5 a 15 segundos y el campo de prompt admite hasta 7.000 caracteres, así que puedes incluir una lista completa de planos con diseño de sonido en una sola solicitud.

Esta guía se basa en generaciones con el modelo en producción, no en una ficha técnica. Cada clip que ves a continuación forma parte de esas pruebas y conserva la resolución que devolvió el modelo. Cuando una técnica justifica las palabras que ocupa, incluimos una plantilla. Cuando una técnica muy repetida no aportó diferencias medibles en nuestras pruebas, lo decimos.

Texto solicitado de forma concreta, escrito tal cual en el prompt

El prompt pedía una pantalla de título con el texto «CHAPTER ONE» en mayúsculas blancas y tipografía condensada. Eso fue lo que devolvió: sin errores y con una composición limpia, en una sola generación.

  • De 5 a 15 segundos en una sola generación a 24fps con cualquiera de los dos modelos: 2K en H3, 768p o 480p en H3 Max.
  • Audio estéreo nativo en el mismo archivo: sonido ambiente, efectos de sala, música y voz.
  • Seis relaciones de aspecto, de 21:9 a 9:16, en ambos modelos y en todos los niveles.
  • Hasta nueve imágenes de referencia, las primeras cinco están incluidas y cada imagen adicional suma 1 crédito, o un fotograma inicial y uno final para un plano. H3 Max trabaja a partir de fotogramas.
  • Prompts de hasta 7.000 caracteres. 4 créditos por segundo a 2K y 2,5 a 768p, más 4,5 por segundo de video de referencia. H3 Max cuesta 2 a 768p y 1,5 a 480p.

El modo lo determina lo que adjuntas, no un menú desplegable. Sin archivos, generas de texto a video. Con un fotograma inicial y, si quieres, uno final, generas de imagen a video. Todo lo que uses como referencia en lugar de como fotograma literal activa la generación de referencias a video.

Qué puedes aplicar de otros modelos

Los hábitos que has adquirido con Seedance y WAN sirven en gran medida aquí, aunque dos de ellos resultaron aportar menos de lo esperado. Cada fila de abajo se probó por pares: mismo sujeto, misma semilla, misma duración y un único cambio, la técnica que se estaba evaluando.

TécnicaResultado en MiniMax H3Qué observamos
Indicar el texto exacto en pantallaFunciona, y generar texto es uno de sus puntos fuertesLas dos variantes de la prueba produjeron una tarjeta de título limpia y sin errores de escritura. Escribir el texto exacto no hizo que apareciera texto: determinó qué palabras aparecían y cómo se presentaban. La versión descriptiva inventó "CHAPTER I" con una tipografía con serifas; la versión con el texto exacto devolvió "CHAPTER ONE" en mayúsculas condensadas, tal como se pidió.
Orden: sujeto, escena, acción, cámara y audioFunciona: aporta control, no calidadUn prompt de apenas cuatro palabras ya produjo un clip bien resuelto, pero el modelo se inventó su propia película: dos puestas en escena y un corte. La versión estructurada mantuvo un plano continuo y ejecutó el único acercamiento de cámara solicitado.
Bloques temporizados entre corchetesFunciona y permite fijar estados finalesA los 10 segundos, la versión simple ya había encadenado correctamente las tres acciones. La versión con tiempos también alcanzó los estados finales indicados, incluido el banco vacío tras el primer tramo.
Convertir una indicación de cámara en una prohibición concretaFunciona y merece esas palabras"El encuadre no se mueve nunca", con una lista de los movimientos que se deben evitar, mantuvo un encuadre totalmente fijo durante todo el clip.
Comportamiento observable en vez de emocionesFuncionaLas señales físicas concretas, como mantener la mirada baja, los dedos quietos o los hombros elevados, se siguieron al pie de la letra durante todo el clip. En cambio, «parece ansiosa y nerviosa» produjo una interpretación genérica mirando a cámara.
Fotograma inicial y finalFunciona con precisiónCon ambos fotogramas, el clip arrancó en el fotograma inicial proporcionado y terminó exactamente en el fotograma final indicado, hasta el detalle de la cuerda enrollada sobre el muelle vacío.
Una función para cada imagen de referenciaOpcional: H3 integra las referencias limpiamente por sí soloDos pares, incluido uno difícil a propósito: una persona, un producto sobre fondo blanco y una habitación vacía. La variante sin roles asignados combinó los elementos igual de bien: el rostro correcto, el bolso correcto, la habitación correcta y sin el fondo blanco del producto, sin necesidad de pedirlo.
Listas de exclusiónRefuerzo opcionalDos pares. H3 evitó por su cuenta los elementos prohibidos en ambos. Una lista negativa breve añade una última barrera, por ejemplo, frente a letras sueltas en los escaparates.

En resumen: la estructura, los tiempos, las restricciones de cámara, la conducta observable y el texto escrito tal cual justifican cada palabra. Asignar roles a las referencias y añadir listas negativas aporta protección extra sin coste: H3 ya combina referencias y mantiene las escenas limpias por su cuenta.

H3 combina las referencias con precisión sin necesidad de asignarles funciones en el prompt y excluye por sí solo los elementos no deseados. Ambas técnicas no cuestan nada, así que úsalas como protección adicional, sobre todo cuando dos referencias puedan confundirse entre sí, como dos personas o dos ubicaciones.

La fórmula base del prompt

Sujeto + Acción + Escena y entorno + Estilo visual + Cámara + Audio

H3 rellena los huecos con seguridad. Si no defines la cámara, toma las riendas y a menudo alterna entre dos encuadres en cinco segundos. Eso juega a tu favor si buscas un clip con acabado final, pero en tu contra si necesitas un plano concreto. Define lo que te importa y deja que invente el resto.

Plantilla básica
<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>.
Ejemplo probado
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.
Mínimo: "Una barista preparando café."

Bien resuelto, pero una película totalmente inventada por el modelo. Eligió un vertido de latte art en macro y después cortó a un plano general de una barista que se inventó.

Estructurado: la plantilla anterior

Una sola toma continua. El acercamiento de cámara solicitado, la luz desde el lado indicado y un cierre sobre el chorro de espresso. Misma semilla que la versión básica.

Los dos clips se ven muy bien, y ese es el hallazgo. El prompt estructurado añade precisión al seguir instrucciones a la calidad que H3 ya ofrece siempre. Usa la fórmula cuando el plano deba encajar con lo que tienes en mente, y una sola línea cuando quieras dejarte sorprender.

Bloques temporizados y clips más largos

Para cualquier secuencia que vaya más allá de una sola acción, escribe el clip como una serie de tramos consecutivos con tiempos. Asigna a cada tramo un cambio principal e indica qué debe verse al terminar. El estado final es lo que marca la diferencia: le da al modelo un objetivo que alcanzar, no un ambiente que mantener.

Plantilla de bloques temporizados
<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>.
Diez segundos, tres acciones en una frase

La secuencia sigue desarrollándose en el orden correcto. H3 resuelve bien las secuencias implícitas, así que una descripción sencilla no provoca el desastre que causa en algunos modelos.

Diez segundos, las mismas acciones en bloques temporizados

Fíjate en cómo se cumplen los estados finales indicados: el banco queda visiblemente vacío cuando la rueda está en el soporte, y la llave sigue en su mano al terminar el trabajo con los radios.

Cómo marcar el ritmo de los quince segundos

Probamos el límite de 15 segundos con cinco bloques temporizados de tres segundos cada uno, y los primeros cuatro se ejecutaron en orden y justo a tiempo. Consejo pro: planifica cuatro bloques para quince segundos y deja más espacio para el final.

Quince segundos, cinco tramos con tiempos

Centrar, abrir, levantar las paredes, dar forma al borde: cuatro tramos, cada uno resuelto a tiempo.

  • Reserva unos cuatro segundos para cada tramo que implique cambiar un objeto o pasarlo de una mano a otra. Tres bastan para un cambio de cámara, pero se quedan cortos para una acción.
  • Dale más margen al último tramo y coloca en el medio el plano que más te importa.
  • Un cambio principal por momento de la secuencia, para que cada uno quede claro.
  • Describe los estados finales como cosas que el espectador pueda señalar: una superficie vacía, una herramienta en una mano concreta, una puerta que ahora está cerrada.

Texto en pantalla

El texto legible es el punto fuerte más evidente de H3 y la mayor diferencia práctica frente a los otros modelos de video que hemos probado. Las dos versiones de nuestra prueba generaron texto limpio y sin faltas. El prompt controla qué palabras aparecen y cómo se presentan.

Descriptivo: "una tarjeta de título con el nombre del capítulo"

Limpio y sin errores de escritura, pero el modelo eligió el texto y la tipografía: "CHAPTER I", con serifas.

Texto indicado letra por letra: «CHAPTER ONE», en mayúsculas blancas y tipografía condensada

El texto exacto, centrado y con el grosor y el uso de mayúsculas y minúsculas solicitados. La misma semilla que en la versión descriptiva.

Plantilla para texto
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.
  • Si una palabra tiene que leerse, escríbela. Describirla genera texto, pero no el tuyo.
  • Define el tratamiento tipográfico: condensada, en mayúsculas, con serifa, con espaciado amplio. Respeta estas indicaciones.
  • Indica dónde va en el encuadre. Tanto «centrado» como «tercio inferior» funcionan.
  • Añade la línea con lo que no debe hacer. No cuesta nada y es el único caso en el que una instrucción negativa se ganó su sitio en nuestras pruebas.

Imágenes de referencia

Adjunta hasta nueve imágenes y H3 las combina en un solo plano: el rostro de una, el producto de otra, la ubicación de una tercera. H3 deduce por sí solo para qué sirve cada imagen: en nuestras dos pruebas reunió el rostro, el producto y el lugar correctos sin que se lo indicáramos.

Tres referencias, cada una con su rol

Image1 para la mujer, Image2 para el bolso, Image3 para el vestíbulo, más instrucciones directas para no usar el fondo blanco de producto ni el fondo de estudio.

Las mismas tres referencias, sin asignar roles

Misma semilla, mismas imágenes, una frase sencilla. El rostro, el bolso y la habitación correctos, y los dos fondos no deseados desaparecen sin pedirlo.

La prueba anterior con dos imágenes, una persona y una ubicación, dio el mismo resultado. Nuestra lectura es que, cuando cada referencia solo puede encajar en un papel, H3 las asigna por su cuenta. Indicar los roles no cuesta nada y seguimos recomendándolo: en cuanto dos referencias puedan cumplir el mismo papel, el modelo tendrá que adivinar, y una frase sale más barata que volver a generar.

Plantilla de referencias
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.>

Los rostros y el cabello se mantuvieron en todas las pruebas con referencias. Consejo pro: además de mostrar cada prenda, nómbrala en el prompt ("una chaqueta de lona azul marino") para fijar el vestuario con la misma precisión.

En PixelDojo, las referencias son imágenes: la forma más rápida de fijar un rostro, un producto y un lugar en un mismo plano.

Prompts avanzados con referencias

Todo lo anterior basta para un solo plano con una o dos referencias. Cuando un prompt incluye varios recursos y un reparto con nombres, necesita un sistema de identificadores y una estructura fija. Esta sección recoge la estructura que usamos en esos casos, basada en la documentación del modelo y no en nuestra propia batería de pruebas A/B.

Identificadores de referencia

Haz referencia a los archivos adjuntos con identificadores compactos: Image1, Video1, Audio1. Sin espacio antes del número. El número indica la posición de carga, así que cada identificador apunta al archivo que ocupaba ese lugar al adjuntarlo. Fija el orden antes de escribir y no cambies la numeración a mitad del prompt. Si sustituyes un recurso, cambia el archivo, no el identificador.

  • Asigna cada personaje y cada voz por separado. «Las dos mujeres, respectivamente» es la vía más rápida para que se confundan.
  • Usa el token cada vez que te refieras a ese recurso. Volver a «la foto de referencia» a mitad de un prompt largo obliga al modelo a adivinar de nuevo.
  • Una función por archivo. Si una sola imagen debe aportar tanto un rostro como una habitación, indica qué parte aporta cada cosa.
  • Di qué excluir y qué conservar. Un fondo de estudio, un fondo blanco continuo de producto o una marca de agua forman parte del archivo y debes descartarlos por su nombre.

Define primero la función de cada archivo

Antes de escribir una palabra, decide qué contrato concreto rige el plano. Cada uno tiene una regla distinta sobre qué pueden controlar las referencias. Usa un solo contrato por prompt y cada referencia cumplirá exactamente su función.

ContratoQué controlan las referenciasQué debe indicar el prompt
De texto a vídeoSin archivos adjuntosEl plano completo, con la fórmula base anterior.
Fotograma inicial y finalLas dos imágenes de inicio y cierreQué imagen abre y cuál cierra, más un movimiento que conecte una con la otra de forma causal.
Referencia OmniIdentidad, vestuario, objetos y ubicaciónUna función definida por imagen y los rasgos que deben conservarse en la composición.
Transferencia de interpretaciónUn video de origen aporta solo el movimientoEl movimiento concreto que debe copiar y una prohibición clara de usar las personas, la ropa y la ubicación de ese vídeo.
Transferencia de vozUn archivo de audio aporta una vozQué personaje habla con esa voz, que se mantenga la sincronización labial y cómo suena el ambiente de la habitación de fondo.
Edición puntualUn clip sirve de referencia principalQue el original es la única fuente, la lista exacta de cambios y la lista de elementos que no deben moverse.

La regla que comparten los seis casos: cada recurso controla una sola cosa, y todo lo que no debe controlar se deja por escrito. «Usa las referencias» no es una instrucción, es un deseo.

Fija lo que no cambia antes de listar los planos

Todo lo que deba mantenerse idéntico durante el clip va antes de la lista de planos, en secciones con título. Así, la lista solo recoge lo que cambia. Deja fijados arriba estos seis elementos: número de sujetos, rostros, vestuario, accesorios, voces y posición de cada persona. Así se mantienen en cada tramo.

Estructura de la sección
[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.>

La distribución en pantalla es lo que suele pasarse por alto. Indicar dónde está cada personaje y hacia dónde mira es lo que mantiene la coherencia de las miradas cuando se mueve la cámara.

Después, la lista de planos y el acabado

La lista de planos sigue las mismas reglas de bloques temporizados que vimos antes: intervalos consecutivos sin solaparse, un evento principal por intervalo y un estado final definido. Asigna a cada intervalo un encuadre, un comportamiento de cámara, una acción, cualquier frase de diálogo y lo que debe cumplirse al terminar. Para una sola acción continua, la prosa sencilla sigue funcionando. Los corchetes son para las secuencias, no para decorar.

Después de la lista de planos, cierra con las secciones de acabado. Describen el clip completo, no un momento concreto, así que van al final para que no se interpreten como un paso más.

  • [INTERPRETACIÓN]: la conducta observable, escrita como en la sección de interpretación anterior.
  • [LUZ E IMAGEN]: dirección de la luz, contraste, paleta, carácter de la óptica y grano.
  • [CÁMARA]: el único movimiento que quieres o las prohibiciones que mantienen el encuadre fijo.
  • [SONIDO DE ESCENA]: el ambiente de fondo, los sonidos de cada evento en orden y todo lo que queda prohibido.
  • [INSTRUCCIONES NEGATIVAS]: indica fallos concretos, no términos genéricos de calidad. Cambios de identidad, cambios de vestuario, personas de más, miradas que no encajan.
Ejemplo práctico con la estructura completa
[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.

Revísalo antes de gastar créditos

  • ¿Cada recurso adjunto tiene una única función definida y se nombran los elementos que quieres excluir?
  • ¿Cada identidad, voz, accesorio y elemento que editar tiene un único responsable? Si hay dos, el modelo elige.
  • ¿Los intervalos de tiempo son consecutivos, no se solapan y dejan tiempo suficiente para la acción que contienen?
  • ¿Las secciones de cámara, iluminación e interpretación contradicen algo que las referencias ya establecen?
  • ¿Las instrucciones negativas señalan fallos reales en lugar de usar palabras como "malo" o "baja calidad"?

PixelDojo admite actualmente imágenes de referencia, así que Image1 a Image9 son los identificadores que puedes adjuntar. Aquí documentamos las funciones de Video1 y Audio1 porque el modelo las interpreta y porque esa misma disciplina de asignar una función a cada archivo es lo que da coherencia a los prompts que solo usan imágenes.

Fotograma inicial y final

Adjunta un fotograma inicial y H3 lo anima. Adjunta un fotograma inicial y otro final, y genera el movimiento entre ambos: es el control más preciso que ofrece el modelo. En este modo, la relación de aspecto viene dada por la imagen, así que se ignora el selector de formato.

Solo fotograma inicial

El fotograma aportado se conserva y se anima: él permanece junto al poste y gira la cabeza, mientras la cuerda se mueve con el viento.

Fotograma inicial y final

Mismo fotograma inicial. Él sale por la izquierda y el clip termina exactamente en el fotograma final proporcionado, con el muelle vacío y la cuerda enrollada incluidos.

  • Escribe el prompt como el movimiento entre los dos fotogramas, no como una descripción de ninguno de ellos. Los fotogramas ya muestran qué aspecto tiene todo.
  • Úsalo para transiciones en las que conoces ambos extremos: un póster que cobra movimiento, un producto que gira hasta mostrar su mejor ángulo o un personaje que sale de un decorado.
  • Los fotogramas y las imágenes de referencia no se pueden combinar. Elige una opción u otra.

Lenguaje de cámara

H3 entiende directamente el vocabulario cinematográfico y le encanta el movimiento: si lo dejas a su aire, sigue la acción con una cámara viva que se mueve con suavidad. Para un plano fijo, enumera los movimientos que debe evitar y mantendrá el encuadre completamente estable.

Sin indicaciones de cámara

Una cámara con movimiento natural que la sigue mientras trabaja.

"El encuadre no se mueve nunca", con los movimientos indicados

Un único encuadre fijo durante todo el clip. Solo se mueven el jardinero y el agua pulverizada. Misma semilla que la versión sin sonido.

Plantilla de plano fijo
Locked-off static <wide / medium / close> shot.
No push in, no handheld, no zoom, no dolly. The frame never moves.

Cuando quieras un movimiento, indica uno y describe qué cambia en pantalla. «Acércate lentamente hasta un primer plano del chorro de espresso» se ejecutó tal como estaba escrito. Consejo pro: acompaña cada término de cámara con el cambio visible que buscas, y H3 lo clava.

Interpretación y emoción

Las palabras que expresan emociones resumen una interpretación, no la describen. Escribe lo que una cámara puede ver: adónde van los ojos, qué hacen las manos, cómo es la respiración, qué permanece inmóvil.

"Se la ve ansiosa y nerviosa"

Una interpretación genérica a cámara. El violín descansa sobre su regazo y la indicación se traduce en una expresión, no en una conducta.

El mismo momento descrito como una conducta observable

Mirada fija en el suelo, dedos aferrados al mástil del violín, hombros elevados. La instrucción se sigue al pie de la letra y se mantiene durante todo el clip.

Plantilla de interpretación
<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>.

Dirige el sonido

Cada clip incluye una pista estéreo, así que el sonido se dirige, no solo se recibe. Nombra los sonidos en el orden en que aparecen, indica qué suena de fondo y qué no debe oírse.

Sin indicaciones de audio

Una base sonora continua. Medida a lo largo del clip, se mantiene en torno a −32 dB con poca variación.

Sonidos indicados en orden, con «sin música»

La misma imagen, pero con una pista construida a partir de eventos: un fondo silencioso cerca de −45 dB, con picos transitorios de hasta −23 dB en los golpes y el enfriamiento.

Plantilla de audio
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.

Los niveles se adaptan a la escena, así que las escenas tranquilas tienen un silencio real y natural. Nuestros clips junto al lago y entre bastidores registraron una media de unos −44 dB, aproximadamente 25 dB por debajo de las escenas con más actividad. Ajusta el volumen final en la edición.

Indicaciones de exclusión

Las exclusiones van dentro del propio prompt, como frases normales. H3 mantiene las escenas despejadas por sí solo, así que una línea breve de exclusiones es una última protección, no un requisito.

Con una lista negativa: sin personas, sin palomas, sin coches, sin texto

Una terraza vacía, tal como se pidió.

Misma escena, misma semilla, sin lista de exclusión

También una terraza vacía: H3 mantuvo la escena despejada por sí solo.

El par anterior del barco en un lago se comportó igual. Así que el consejo práctico es más concreto que «las instrucciones negativas son especialmente eficaces»: úsalas para lo que el modelo tiende a añadir por su cuenta, que en nuestras pruebas fue texto en pantalla y movimiento de cámara. No confíes en una instrucción negativa para eliminar un sujeto que la escena da por hecho. Si no debe aparecer una persona en el plano, describe un lugar vacío en vez de un lugar donde se prohíbe su presencia.

Encuadre, duración y costo

Seis relaciones de aspecto, generadas a 2K en H3: 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16. El formato vertical tiene una resolución real de 1440 por 2560, no es un recorte horizontal. Por eso merece la pena generar el contenido para redes directamente en su formato, en lugar de reencuadrarlo después.

9:16 a 2K, generado en vertical

Un anuncio de producto pensado para la pantalla del móvil: la cámara sube, las gotas de condensación se deslizan y no hay recortes de un encuadre más ancho.

AjusteRangoNotas
DuraciónDe 5 a 15 segundosSegundos enteros. El coste aumenta con la duración.
ResoluciónH3: 2K o 768p. H3 Max: 768p o 480pEn H3, un fotograma inicial obliga a generar a 2K. En H3 Max, se mantiene la resolución que elijas en todos los modos.
Créditos5 por segundo a 2K, 2.5 a 768p. H3 Max: 2.5 a 768p, 2 a 480p20 créditos por un clip de 5 segundos a 2K, 10 con H3 Max a 768p. 60 por los 15 completos a 2K. Un video de referencia añade 4.5 créditos por segundo de clip, y cada imagen de referencia a partir de la sexta añade 1.
Longitud del promptHasta 7.000 caracteresCabe sin problema una lista completa de planos con diseño sonoro.
Relación de aspectoSeis formatosSe ignora en el modo de fotograma inicial, donde la imagen define el formato.

En H3, todas las generaciones son a 2K, así que un clip descartado cuesta lo mismo que uno bueno. Prueba el aspecto y el sonido con 5 segundos y después vuelve a generar con el prompt que te guste y la duración que necesites. H3 Max es la opción más económica para estas pruebas siempre que 768p sea suficiente para evaluar el resultado.

H3 o H3 Max

H3 Max es una variante de MiniMax H3 optimizada para rendir con rapidez. Entiende el mismo lenguaje de prompts que hemos usado arriba y también crea su propio audio sincronizado. Admite un fotograma inicial y otro final opcional, genera de 5 a 15 segundos en las mismas seis relaciones de aspecto y renderiza rápido por 2 créditos por segundo a 768p o 1.5 a 480p.

MiniMax H3 a 2K, probado el 2026-08-03 a 25 créditos por 5 segundos (20 al precio actual)

Una sola toma continua con el acercamiento de cámara que pedía el prompt, desde las manos de ella hasta el chorro de espresso. 2560 por 1440.

H3 Max a 768p, unos 24 segundos, probado el 2026-09-01 por 10 créditos (también el precio actual)

El mismo prompt. También mantuvo una toma continua con el acercamiento, empezando en sus manos y terminando en el chorro de espresso. La diferencia visible está en las dimensiones del fotograma: 1344 por 768 frente a 2560 por 1440.

La generación de imagen a video en H3 Max mantiene los 768p, 10 créditos

Un fotograma inicial no hace que H3 Max pase a una tarifa más cara, como sí ocurre con H3. En esta generación, el modelo preparó la revelación de la tapa: cerró el estuche durante los primeros dos segundos mientras la cámara orbitaba y lo volvió a abrir desde un ángulo nuevo. La generación a 480p con la misma imagen y el mismo prompt no preparó esa revelación en absoluto, así que considérala algo que el modelo puede hacer, no algo que haga siempre.

AjusteMiniMax H3H3 Max
Resolución2K o 768p768p o 480p
Créditos por segundo5 a 2K, 2.5 a 768p, más 4.5 por segundo de video de referencia y 1 por cada imagen de referencia a partir de la sexta2.5 a 768p, 2 a 480p
5-second clip20 créditos a 2K, 12.5 a 768p10 créditos a 768p, 7.5 a 480p
Efecto del fotograma inicial en el costeObliga a usar 2K, así que generar de imagen a video cuesta 20 créditos por 5 segundosNinguno. Se mantiene la resolución elegida
Imágenes, videos y audio de referenciaHasta nueve imágenes, tres vídeos y tres audiosNo compatible. Solo fotogramas
DuraciónDe 5 a 15 segundos completosDe 5 a 15 segundos completos
Relaciones de aspectoSeis, de 21:9 a 9:16Seis, la misma lista
Tiempo de generación medidoUnos 205 segundos para un clip de imagen a video de 5 segundos el 2026-08-2624 to 33 seconds across three 5-second runs on 2026-09-01

Usa H3 Max para validar un prompt antes de pagar la tarifa de 2K, para clips de redes sociales y producto donde baste con 768p y para cualquier trabajo de imagen a video en el que el coste de 2K sea el problema. Quédate con MiniMax H3 cuando vayas a entregar a 2K o cuando el plano necesite imágenes, video o audio de referencia.

Lista de control antes de generar

  • ¿Has definido la cámara? Para un encuadre fijo, enumera los movimientos que debe evitar.
  • ¿Has escrito el texto en pantalla tal cual debe aparecer, con su estilo y posición?
  • ¿Has descrito la interpretación con comportamientos que la cámara pueda captar, en vez de con una emoción?
  • ¿Cada tramo con tiempos tiene un cambio principal y un estado final que el espectador pueda señalar?
  • ¿El último tramo tiene margen? Dale más tiempo al cierre.
  • ¿Has definido el audio en orden y descartado los sonidos que no quieres?
  • Si adjuntas referencias, ¿has descrito también con palabras los rasgos que deben conservarse?
  • ¿La duración es la adecuada? Pagas por segundo en cualquier caso, 5 a 2K o 2,5 en H3 Max a 768p. Prueba primero el prompt con 5 segundos y plantéate validarlo en H3 Max antes de generar a 2K.

Probado el 2026-08-03 con el modelo en producción en PixelDojo: 24 generaciones, realizadas por pares con la misma semilla y una sola variable modificada. Cuando una técnica no aportó diferencias medibles, esta guía lo dice en lugar de repetirla.