Guida ai prompt MiniMax H3
Guida ai prompt di MiniMax H3 basata su generazioni con il modello in produzione. Sequenze temporizzate, testo a schermo che viene davvero riprodotto, immagini di riferimento, frame iniziale e finale, movimenti di camera da escludere e audio guidato. Include le due tecniche per cui non siamo riusciti a dimostrare alcuna differenza.
Guida ai prompt MiniMax H3: il modello genera video da un prompt testuale, da un fotogramma iniziale con un fotogramma finale facoltativo, oppure da un massimo di nove immagini di riferimento. Su MiniMax H3 ogni video viene generato a 2K e 24 fotogrammi al secondo, con una traccia audio stereo nello stesso file. La variante H3 Max, trattata in una sezione dedicata verso la fine, genera invece a 768p o 480p, a 2 crediti al secondo a 768p o 1.5 a 480p. Le clip durano da 5 a 15 secondi e il campo del prompt accetta fino a 7.000 caratteri: puoi inserire una lista completa delle riprese con il sound design in un'unica richiesta.
Questa guida nasce dalle generazioni sul modello live, non da una scheda tecnica. Ogni clip qui sotto è uno di quei test, alla risoluzione prodotta dal modello. Quando una tecnica vale le parole che richiede, trovi un modello di prompt per usarla. Quando una tecnica molto citata non ha prodotto differenze misurabili nei nostri test, lo diciamo.
Il prompt chiedeva un cartello con la scritta "CHAPTER ONE", in bianco, tutto maiuscolo e con caratteri condensati. Il risultato è stato proprio quello: testo corretto e impaginazione pulita, in una sola generazione.
La modalità dipende da ciò che alleghi, non da un menu a tendina. Nessun contenuto allegato significa text-to-video. Un fotogramma iniziale, con eventuale fotogramma finale, significa image-to-video. Qualsiasi contenuto usato come riferimento anziché come fotogramma effettivo significa reference-to-video.
Le abitudini maturate con Seedance e WAN funzionano in gran parte anche qui, ma due si sono rivelate meno incisive del previsto. Ogni riga qui sotto è stata testata con una coppia di generazioni a confronto: stesso soggetto, stesso seed, stessa durata. A cambiare era solo la tecnica da verificare.
| Tecnica | Risultato su MiniMax H3 | Cosa abbiamo osservato |
|---|---|---|
| Scrivere per esteso il testo a schermo | Funziona, e la resa del testo è un vero punto di forza | Entrambe le varianti del test hanno prodotto un cartello pulito e senza errori nel testo. Indicare la scritta parola per parola non ha fatto comparire il testo: ha stabilito quali parole usare e come impaginarle. La versione descrittiva ha inventato "CHAPTER I" con un carattere con grazie; quella con il testo indicato ha restituito "CHAPTER ONE" nel maiuscolo condensato richiesto. |
| Ordine: soggetto, scena, azione, camera, audio | Funziona: dà più controllo, non più qualità | Anche un prompt essenziale di quattro parole ha prodotto una buona clip, ma il modello ha girato il suo film: due inquadrature e uno stacco. La versione strutturata ha mantenuto una ripresa continua ed eseguito il singolo avvicinamento di camera richiesto. |
| Passaggi temporizzati tra parentesi | Funziona: il vantaggio sono gli stati finali | A 10 secondi, la versione semplice aveva già eseguito correttamente tutte e tre le azioni in sequenza. Quella temporizzata ha raggiunto anche gli stati finali indicati, compresa la panchina vuota dopo il primo momento. |
| Trasformare un'istruzione di camera in un divieto netto | Funziona e vale le parole che richiede | "L'inquadratura non si muove mai", con l'elenco dei movimenti da evitare, ha mantenuto un'inquadratura perfettamente fissa per tutta la clip. |
| Comportamenti osservabili, non parole emotive | Funziona | Le indicazioni fisiche precise, sguardo fisso verso il basso, dita ferme, spalle sollevate, sono state seguite alla lettera e mantenute per tutta la clip. "Sembra ansiosa e nervosa" ha invece prodotto una recitazione generica rivolta alla camera. |
| Frame iniziale e finale | Funziona, con risultati precisi | Con entrambi i frame forniti, la clip è partita da quello iniziale ed è arrivata esattamente a quello finale, fino alla corda arrotolata sul molo vuoto. |
| Assegnare un ruolo a ogni immagine di riferimento | Facoltativo: H3 combina già bene gli elementi da solo | Due coppie, inclusa una volutamente difficile con una persona, un prodotto su fondo bianco e una stanza vuota. La variante senza indicazioni sui ruoli ha combinato i riferimenti altrettanto bene: viso giusto, borsa giusta, stanza giusta e sfondo bianco del prodotto escluso senza doverlo chiedere. |
| Liste di esclusione | Vincolo aggiuntivo facoltativo | Due coppie. In entrambe, H3 ha escluso da solo gli elementi vietati. Un breve elenco di esclusioni aggiunge un'ultima protezione, per esempio contro scritte indesiderate sulle vetrine. |
In breve: struttura, tempi, divieti sui movimenti di camera, comportamenti osservabili e testo scritto per esteso valgono ogni parola. Ruoli dei riferimenti ed elenchi di esclusioni sono una sicurezza in più a costo zero: H3 sa già combinare i riferimenti e mantenere pulite le scene da solo.
H3 combina i riferimenti in modo pulito anche senza assegnare ruoli e tiene fuori da solo gli elementi indesiderati. Entrambe le tecniche non costano nulla: usale come sicurezza in più, soprattutto quando due riferimenti potrebbero essere confusi tra loro, come due persone o due location.
Soggetto + Azione + Scena e ambiente + Stile visivo + Camera + Audio
H3 colma i vuoti con sicurezza. Se non specifichi la camera, decide da solo come girare, spesso alternando due inquadrature in cinque secondi. Ottimo se vuoi una clip dall'aspetto già rifinito, meno se cerchi una ripresa precisa. Definisci gli elementi che ti interessano e lascia che inventi il resto.
<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.
Ben realizzato, ma il film è tutto del modello. Ha scelto una macro della latte art mentre viene versata, poi ha staccato su un campo largo con un barista inventato da lui.
Un'unica ripresa continua. L'avvicinamento richiesto, la luce dal lato indicato, la chiusura sul flusso di espresso. Stesso seed della versione essenziale.
Entrambe le clip sono ottime: è proprio questo il risultato. Il prompt strutturato aggiunge un'esecuzione precisa delle istruzioni alla qualità che H3 offre sempre. Usa la formula quando l'inquadratura deve corrispondere a ciò che hai già in testa, e una sola riga quando vuoi lasciarti sorprendere.
Per tutto ciò che va oltre una singola azione, scrivi la clip come una sequenza di momenti temporizzati consecutivi. Assegna a ciascuno un cambiamento principale e indica cosa deve essere visibile alla fine. È lo stato finale a fare il lavoro: dà al modello un traguardo da raggiungere, non un'atmosfera da mantenere.
<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>.
La sequenza si svolge comunque nell'ordine giusto. H3 gestisce bene le sequenze implicite, quindi una descrizione semplice non è il disastro che può essere su altri modelli.
Guarda come vengono rispettati gli stati finali dichiarati: il banco è visibilmente vuoto quando la ruota è sul supporto, e la chiave è ancora nella sua mano al termine del lavoro sui raggi.
Abbiamo testato il limite di 15 secondi con cinque passaggi temporizzati di tre secondi ciascuno: i primi quattro sono arrivati nell'ordine giusto e al momento esatto. Consiglio pratico: pianifica quattro passaggi per quindici secondi e lascia più spazio al finale.
Centrare, aprire, alzare le pareti, modellare il bordo: quattro momenti, ciascuno al tempo previsto.
Il testo leggibile è il punto di forza più evidente di H3 e la maggiore differenza pratica rispetto agli altri modelli video che abbiamo testato. Entrambe le versioni del nostro test hanno prodotto caratteri nitidi e parole scritte correttamente. Il prompt controlla quali parole compaiono e come vengono impaginate.
Pulito e senza errori, ma parole e carattere li ha scelti il modello: "CHAPTER I", con un font con grazie.
La stringa esatta, centrata, con il peso e le maiuscole richiesti. Stesso seed della versione descrittiva.
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.
Allega fino a nove immagini e H3 le combina in un'unica inquadratura: un volto da una, un prodotto da un'altra, una location da una terza. H3 capisce da solo a cosa serve ogni immagine: in entrambi i nostri test ha abbinato volto, prodotto e luogo corretti senza ricevere indicazioni.
Image 1 la donna, Image 2 la borsa a tracolla, Image 3 la hall, con istruzioni precise per escludere lo sfondo bianco del prodotto e il fondale da studio.
Stesso seed, stesse immagini, una frase semplice. Volto giusto, borsa giusta, stanza giusta ed entrambi gli sfondi indesiderati eliminati senza chiederlo.
Anche il precedente test con due immagini, una persona e un luogo, ha dato lo stesso risultato. La nostra lettura è che, quando ogni riferimento può plausibilmente occupare un solo ruolo, H3 capisce da solo come assegnarli. Specificare i ruoli non costa nulla e continuiamo a consigliarlo: appena due riferimenti possono occupare lo stesso ruolo, il modello deve tirare a indovinare, e una frase costa meno di una nuova generazione.
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.>
Volti e capelli sono rimasti coerenti in tutti i test con riferimenti. Consiglio pro: oltre a mostrarlo, nomina ogni capo nel prompt ("una giacca di tela blu navy"), così anche l'abbigliamento resta altrettanto stabile.
Su PixelDojo i riferimenti sono immagini: il modo più rapido per fissare un volto, un prodotto e un luogo nella stessa ripresa.
Quanto visto fin qui basta per una singola inquadratura con uno o due riferimenti. Quando un prompt include più risorse e un cast con nomi assegnati, servono un sistema di token e una struttura fissa. Questa sezione presenta la struttura che usiamo in questi casi, basata sulla documentazione del modello e non sulla nostra serie di test A/B.
Richiama le risorse allegate con token compatti: Image1, Video1, Audio1. Nessuno spazio prima del numero. Il numero indica la posizione di caricamento: un token rimanda quindi al contenuto presente in quello slot al momento dell'inserimento. Fissa l'ordine prima di scrivere e non cambiare la numerazione a metà prompt. Se sostituisci una risorsa, cambia il file, non il token.
Prima di scrivere una parola, scegli lo schema preciso a cui deve rispondere l'inquadratura. Ogni schema ha una regola diversa su ciò che i riferimenti possono controllare. Usa un solo schema per prompt e ogni riferimento farà esattamente il suo lavoro.
| Schema | Cosa controllano i riferimenti | Cosa deve dire il prompt |
|---|---|---|
| Da testo a video | Nessun allegato | L'intera inquadratura, nella formula base qui sopra. |
| Frame iniziale e finale | Le due immagini di inizio e fine | Quale immagine apre e quale chiude, più un movimento causale che porta dall'una all'altra. |
| Riferimento Omni | Identità, abbigliamento, oggetti e ambientazione | Un compito preciso per ogni immagine e le caratteristiche da preservare nella composizione. |
| Trasferimento della recitazione | Un video sorgente fornisce solo il movimento | Il movimento preciso da copiare e il divieto netto di riprendere persone, abiti e ambientazione di quel video. |
| Trasferimento vocale | Un file audio fornisce la voce | Quale personaggio parla con quella voce, che il labiale resti sincronizzato e quali suoni d'ambiente si sentano in sottofondo. |
| Modifica mirata | Una clip fa da master | Che il master è l'unica fonte, l'elenco esatto delle modifiche e quello degli elementi che non devono muoversi. |
La regola alla base di tutti e sei: ogni risorsa controlla un solo elemento, e tutto ciò che non deve controllare va messo per iscritto. "Usa i riferimenti" non è un'istruzione, è una speranza.
Tutto ciò che deve restare identico per l'intera clip va prima della scaletta delle inquadrature, in sezioni con un titolo. Nella scaletta inserisci solo ciò che cambia. Numero di soggetti, volti, abiti, oggetti di scena, voci e posizioni: sono i sei elementi da fissare in apertura, così ogni momento li eredita.
[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 disposizione nella scena è l'aspetto che tutti trascurano. Specificare chi sta dove e dove guarda ciascuno mantiene coerenti le direzioni degli sguardi quando la camera si muove.
La lista delle inquadrature segue le stesse regole temporali viste prima in questa guida: intervalli consecutivi che non si sovrappongono, un evento principale per ciascuno e uno stato finale dichiarato. Per ogni intervallo indica inquadratura, comportamento della camera, azione, eventuali battute di dialogo e situazione al termine. Per una singola azione continua, va ancora benissimo la prosa semplice. Le parentesi servono alle sequenze, non a decorare.
Dopo la scaletta delle inquadrature, chiudi con le sezioni di finitura. Descrivono l'intera clip, non un singolo momento, quindi vanno in fondo, dove non possono essere interpretate come un passaggio della sequenza.
[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.
Oggi PixelDojo mette a disposizione riferimenti immagine, quindi i token che puoi effettivamente allegare vanno da Image1 a Image9. Qui documentiamo anche i ruoli di Video1 e Audio1 perché il modello li interpreta e perché la stessa regola, un compito per ogni risorsa, è ciò che rende coerenti i prompt basati solo su immagini.
Allega un frame iniziale e H3 lo anima. Allega un frame iniziale e uno finale e genera il movimento che li collega: è il controllo più preciso offerto dal modello. In questa modalità il formato dipende dall'immagine, quindi il selettore del formato viene ignorato.
Il fotogramma fornito viene mantenuto e animato: lui resta al palo e gira la testa, la corda si muove al vento.
Stesso fotogramma iniziale. Lui esce verso sinistra e la clip si chiude esattamente sul fotogramma finale fornito, con il pontile vuoto e la corda arrotolata.
H3 interpreta direttamente il linguaggio cinematografico e ama il movimento: se lo lasci fare, segue l'azione con una camera viva, in leggero movimento. Per una ripresa fissa, elenca i movimenti da evitare e manterrà un'inquadratura perfettamente stabile.
Una camera dal movimento naturale, che la segue mentre lavora.
Un'inquadratura fissa per tutta la clip. Si muovono solo il giardiniere e il getto d'acqua. Stesso seed della versione senza audio.
Locked-off static <wide / medium / close> shot. No push in, no handheld, no zoom, no dolly. The frame never moves.
Quando vuoi un movimento, indicane uno e descrivi cosa cambia a schermo. "Avvicinati lentamente fino a un primo piano del flusso dell'espresso" è stato eseguito alla lettera. Consiglio pratico: abbina ogni termine di camera al cambiamento visivo che vuoi ottenere, e H3 lo realizza.
Le parole che esprimono emozioni riassumono un'interpretazione, non la descrivono. Scrivi invece ciò che una camera può vedere: dove va lo sguardo, cosa fanno le mani, come cambia il respiro, cosa resta immobile.
Una generica interpretazione rivolta alla camera. Il violino resta sulle sue gambe e la regia si traduce in un'espressione, non in un comportamento.
Sguardo fisso sul pavimento, dita strette intorno al manico del violino, spalle sollevate. L'istruzione viene seguita alla lettera e mantenuta per tutta la clip.
<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>.
Ogni clip arriva con una traccia stereo: il suono è qualcosa da dirigere, non da ricevere e basta. Indica i suoni nell'ordine in cui si susseguono, specifica cosa resta in sottofondo e cosa non deve esserci.
Un sottofondo continuo. Misurato sull'intera clip, resta intorno a −32 dB con variazioni minime.
Stessa immagine, ma la traccia è costruita su eventi sonori: fondo silenzioso intorno a −45 dB, con transienti fino a −23 dB in corrispondenza dei colpi e della tempra.
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.
I livelli seguono la scena: le scene silenziose restituiscono una quiete vera e naturale. Le nostre clip in riva al lago e nel backstage hanno registrato una media di circa −44 dB, circa 25 dB sotto le scene più movimentate. Regola il volume finale in montaggio.
Le esclusioni vanno nel prompt stesso, come frasi normali. H3 tiene già le scene pulite da solo, quindi una breve riga di esclusioni è una protezione finale, non un requisito.
Una terrazza vuota, come richiesto.
Anche qui una terrazza vuota: H3 ha tenuto la scena libera da solo.
La precedente coppia di test con la barca sul lago si è comportata allo stesso modo. Il consiglio pratico è quindi più circoscritto di "i prompt negativi sono particolarmente efficaci": usali per gli elementi che il modello tende ad aggiungere da solo, che nei nostri test erano testo a schermo e movimenti di camera. Non contare su un prompt negativo per eliminare un soggetto implicito nella scena. Se una persona non deve comparire nell'inquadratura, descrivi un luogo vuoto, non un luogo in cui quella persona è vietata.
Sei formati, renderizzati a 2K su H3: 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16. Il verticale è un vero 1440 per 2560, non un orizzontale ritagliato: conviene quindi generare i contenuti social direttamente nel formato giusto, senza reinquadrarli dopo.
Uno spot di prodotto pensato per lo schermo del telefono: la camera sale, la condensa scorre e nulla viene ritagliato da un'inquadratura più ampia.
| Impostazione | Intervallo | Note |
|---|---|---|
| Durata | Da 5 a 15 secondi | Secondi interi. Il costo cresce con la durata. |
| Risoluzione | H3: 2K o 768p. H3 Max: 768p o 480p | Su H3 un fotogramma iniziale impone il 2K. Su H3 Max la risoluzione scelta viene mantenuta in ogni modalità. |
| Crediti | 5 al secondo a 2K, 2,5 a 768p. H3 Max: 2,5 a 768p, 2 a 480p | 20 crediti per una clip di 5 secondi a 2K, 10 con H3 Max a 768p. 60 per tutti i 15 secondi a 2K. Un video di riferimento aggiunge 4,5 crediti per secondo di clip e ogni immagine di riferimento oltre la quinta aggiunge 1. |
| Lunghezza del prompt | Fino a 7.000 caratteri | C'è spazio per una scaletta completa delle inquadrature, sound design incluso. |
| Formato | Sei formati | Ignorato nella modalità con fotogramma iniziale, dove è l'immagine a definire il formato. |
Su H3 ogni generazione è a 2K, quindi una clip da scartare costa quanto una riuscita. Testa resa visiva e suono a 5 secondi, poi rilancia il prompt che ti convince con la durata che ti serve. H3 Max è l'opzione più economica per questi test quando 768p bastano per valutare il risultato.
H3 Max è una variante di MiniMax H3 ottimizzata per le prestazioni e pensata per la velocità. Interpreta lo stesso linguaggio dei prompt descritto fin qui e genera anche il proprio audio sincronizzato. Accetta un frame iniziale e un eventuale frame finale, genera da 5 a 15 secondi negli stessi sei formati e produce rapidamente video a 2 crediti al secondo a 768p o 1,5 a 480p.
Un'unica ripresa continua con l'avvicinamento richiesto dal prompt: parte dalle sue mani e termina sul flusso di espresso. 2560 per 1440.
Lo stesso prompt. Anche qui ha mantenuto un'unica ripresa continua con avvicinamento, partendo dalle mani di lei e chiudendo sul flusso dell'espresso. La differenza visibile è la dimensione del fotogramma: 1344 per 768 contro 2560 per 1440.
Un frame iniziale non fa passare H3 Max a una fascia di prezzo più alta, come accade con H3. In questa generazione il modello ha messo in scena l'apertura del coperchio: ha chiuso la custodia nei primi due secondi mentre la camera le girava intorno, poi l'ha riaperta da una nuova angolazione. La generazione a 480p, con la stessa immagine e lo stesso prompt, non l'ha fatto affatto. Considera quindi questa apertura una possibilità del modello, non un risultato garantito.
| Impostazione | MiniMax H3 | H3 Max |
|---|---|---|
| Risoluzione | 2K o 768p | 768p o 480p |
| Crediti al secondo | 5 a 2K, 2,5 a 768p, più 4,5 per secondo di video di riferimento e 1 per ogni immagine di riferimento oltre la quinta | 2,5 a 768p, 2 a 480p |
| 5-second clip | 20 crediti a 2K, 12,5 a 768p | 10 crediti a 768p, 7,5 a 480p |
| Impatto del fotogramma iniziale sul costo | Impone il 2K: da immagine a video costa quindi 20 crediti per 5 secondi | Nessuno. La risoluzione scelta viene mantenuta |
| Immagini, video e audio di riferimento | Fino a nove immagini, tre video, tre audio | Non supportato. Solo fotogrammi |
| Durata | Da 5 a 15 secondi interi | Da 5 a 15 secondi interi |
| Formati | Sei, da 21:9 a 9:16 | Sei, lo stesso elenco |
| Tempo di generazione rilevato | Circa 205 secondi per una clip da immagine a video di 5 secondi, il 2026-08-26 | 24 to 33 seconds across three 5-second runs on 2026-09-01 |
Scegli H3 Max per testare un prompt prima di pagare la tariffa 2K, per clip social e di prodotto a cui bastano 768p e per qualsiasi lavoro image-to-video in cui il costo del 2K pesa. Resta su MiniMax H3 quando devi consegnare a 2K o quando la ripresa richiede immagini, video o audio di riferimento.
Testato il 2026-08-03 sul modello live di PixelDojo: 24 generazioni, eseguite a coppie con lo stesso seed e una sola variabile modificata. Quando una tecnica non ha prodotto differenze misurabili, questa guida lo dice, invece di riproporla.