MiniMax H3 promptguide
MiniMax H3 promptguide basert på genereringer med modellen slik den er tilgjengelig nå. Tidsstyrte sekvenser, tekst i bildet som faktisk gjengis riktig, referansebilder, første og siste bilde, kamerabevegelser modellen ikke følger, og regissert lyd. Inkluderer de to teknikkene vi ikke kunne påvise noen effekt av.
MiniMax H3 genererer video fra en tekstprompt, fra et startbilde og et valgfritt sluttbilde, eller fra opptil ni referansebilder. På MiniMax H3 leveres alt i 2K og 24 bilder per sekund, med et stereolydspor i samme fil. Varianten H3 Max, som har en egen seksjon mot slutten, rendrer i stedet i 768p eller 480p, for 2 kreditter per sekund ved 768p eller 1.5 ved 480p. Klippene varer fra 5 til 15 sekunder, og promptfeltet tar opptil 7,000 tegn. Dermed får du plass til en full opptaksliste med lyddesign i én forespørsel.
Denne guiden bygger på genereringer med den aktive modellen, ikke på et spesifikasjonsark. Hvert klipp nedenfor er fra en av disse testene, i oppløsningen modellen leverte. Når en teknikk er verdt ordene, får du en mal. Når en mye gjentatt teknikk ikke ga noen målbar forskjell i testene våre, sier vi det.
Prompten ba om en tittelplakat med teksten «CHAPTER ONE» i smale, hvite versaler. Det var det vi fikk, riktig stavet og pent satt, på én generering.
Modusen bestemmes av det du legger ved, ikke av en nedtrekksmeny. Ingen mediefiler betyr tekst til video. Et startbilde, eventuelt med et sluttbilde, betyr bilde til video. Alt du bruker som referanse i stedet for som et faktisk bilde i klippet, betyr referanse til video.
Vanene fra Seedance og WAN fungerer stort sett her også, men to av dem viste seg å ha mindre effekt enn forventet. Hver rad nedenfor ble testet parvis: samme motiv, samme seed, samme varighet. Bare teknikken som ble testet, ble endret.
| Teknikk | Resultat på MiniMax H3 | Dette så vi |
|---|---|---|
| Skriv skjermteksten helt ut | Fungerer, og tekstgjengivelse er en klar styrke | Begge testvariantene ga et rent tittelkort med riktig stavemåte. Å skrive ut den nøyaktige teksten var ikke det som fikk teksten til å dukke opp. Det avgjorde hvilke ord som kom, og hvordan de ble satt: Den beskrevne versjonen fant på "CHAPTER I" med en seriffskrift, mens versjonen med nøyaktig tekst ga "CHAPTER ONE" i smale versaler, som bestilt. |
| Rekkefølgen motiv, scene, handling, kamera, lyd | Fungerer, gir kontroll fremfor kvalitet | En enkel prompt på fire ord ga fortsatt et solid klipp, men modellen laget sin egen film: to oppsett og et klipp mellom dem. Den strukturerte versjonen holdt seg til ett sammenhengende opptak og utførte den ene kamerabevegelsen innover som var bestilt. |
| Tidsstyrte sekvenser i hakeparenteser | Fungerer, og gir kontroll over sluttilstanden | Ved 10 sekunder hadde den enkle versjonen allerede utført alle tre handlingene i riktig rekkefølge. Den tidsstyrte versjonen traff i tillegg de angitte sluttilstandene, inkludert den tomme benken etter første sekvens. |
| Gjør en kamerainstruks om til et tydelig forbud | Fungerer, og er verdt ordene | "Bildeutsnittet beveger seg aldri", med en liste over bevegelser som skal unngås, holdt utsnittet helt stabilt gjennom hele klippet. |
| Synlig atferd fremfor følelsesord | Fungerer | Konkrete fysiske signaler, som blikket festet nedover, fingre i ro og hevede skuldre, ble fulgt bokstavelig og beholdt gjennom hele klippet. «Hun ser engstelig og nervøs ut» ga i stedet et generisk spill rett mot kamera. |
| Første og siste bilde | Fungerer, og treffer presist | Med begge bildene startet klippet på det vedlagte åpningsbildet og endte nøyaktig på det vedlagte sluttbildet, helt ned til det oppkveilede tauet på den tomme brygga. |
| Gi hvert referansebilde én oppgave | Valgfritt: H3 kombinerer bildene sømløst på egen hånd | To par, inkludert et bevisst krevende med en person, et produkt på hvit bakgrunn og et tomt rom. Testvarianten uten angitte roller kombinerte dem akkurat like godt: riktig ansikt, riktig veske, riktig rom, og den hvite produktbakgrunnen ble utelatt uten beskjed. |
| Lister over det som skal unngås | Valgfri ekstra sikring | To par. H3 holdt de uønskede elementene ute på egen hånd i begge. En kort negativliste gir et siste sikkerhetsnett, for eksempel mot tilfeldig tekst på butikkfasader. |
Kortversjonen: Struktur, timing, instrukser mot kamerabevegelse, synlig atferd og tekst skrevet helt ut er alle verdt ordene. Referanseroller og negativlister gir ekstra trygghet uten ekstra kostnad: H3 kombinerer allerede referanser og holder scenene ryddige på egen hånd.
H3 setter referanser rent sammen uten at du må angi roller, og holder uønskede elementer ute på egen hånd. Begge teknikkene koster ingenting, så behold dem som ekstra sikring, særlig når to referanser kan forveksles, som to personer eller to steder.
Motiv + Handling + Scene og omgivelser + Visuell stil + Kamera + Lyd
H3 fyller selvsikkert inn det du utelater. Lar du kameraet være uspesifisert, tar modellen regien selv, ofte med klipp mellom to kameraoppsett i løpet av fem sekunder. Det er en fordel når du vil ha et klipp som ser ferdig ut, og en ulempe når du trenger et bestemt opptak. Beskriv det som betyr noe, og la modellen finne på resten.
<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.
Solid utført, og helt modellens egen film. Den valgte et makroopptak av lattekunst som helles, og klippet så til et totalbilde av en barista den fant på selv.
Én sammenhengende tagning. Innkjøringen som ble bestilt, lys fra angitt side og avslutning på espressostrålen. Samme seed som versjonen uten detaljer.
Begge klippene ser flotte ut, og det er nettopp funnet. Den strukturerte prompten gir presis lydighet i tillegg til kvaliteten H3 alltid leverer. Bruk formelen når opptaket må matche det du allerede ser for deg, og en énlinjer når du gjerne lar deg overraske.
For alt som varer lenger enn én enkelt handling, skriv klippet som tidsstyrte sekvenser som følger rett etter hverandre. Gi hver sekvens én hovedendring, og beskriv hva som skal være synlig når den slutter. Det er sluttilstanden som gjør jobben: Den gir modellen et kontrollpunkt å treffe i stedet for en stemning å opprettholde.
<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>.
Sekvensen spilles fortsatt av i riktig rekkefølge. H3 er god på underforstått rekkefølge, så en enkel beskrivelse er ikke den katastrofen den kan være i enkelte modeller.
Se hvordan de angitte sluttilstandene treffer: Benken er synlig tom når hjulet står i stativet, og skiftenøkkelen er fortsatt i hånden hans når arbeidet med eikene er ferdig.
Vi testet maksgrensen på 15 sekunder med fem tidsstyrte sekvenser på tre sekunder hver. De første fire kom i riktig rekkefølge og nøyaktig til rett tid. Profftips: Planlegg fire sekvenser for femten sekunder, og gi finalen mest plass.
Sentrering, åpning, opptrekking av veggene, forming av kanten: fire sekvenser som alle treffer på riktig tidspunkt.
Lesbar tekst er det H3 aller tydeligst mestrer, og den største praktiske forskjellen fra de andre videomodellene vi har testet. Begge variantene i testen vår ga ren tekst med riktig stavemåte. Prompten styrer hvilke ord som vises, og hvordan de settes.
Rent og riktig stavet, men modellen valgte ordlyd og skrifttype: "CHAPTER I", satt med seriffer.
Nøyaktig den angitte teksten, sentrert, med ønsket skriftvekt og store og små bokstaver. Samme seed som versjonen beskrevet over.
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.
Legg ved opptil ni bilder, så setter H3 dem sammen til ett opptak: et ansikt fra ett, et produkt fra et annet, et sted fra et tredje. H3 finner selv ut hva hvert bilde skal brukes til. I begge testene våre kombinerte den riktig ansikt, produkt og sted uten å få beskjed.
Image 1 er kvinnen, Image 2 er skuldervesken, Image 3 er lobbyen, pluss tydelige instrukser om ikke å bruke den hvite produktbakgrunnen eller studiobakgrunnen.
Samme seed, samme bilder, én enkel setning. Riktig ansikt, riktig veske, riktig rom, og begge de uønskede bakgrunnene ble fjernet uten beskjed.
Den tidligere testen med to bilder, en person og et sted, ga samme resultat. Vi tolker det slik at H3 fordeler rollene selv når hver referanse bare passer naturlig i én rolle. Det koster ingenting å angi roller, og vi anbefaler fortsatt å gjøre det. Så snart to referanser kan fylle samme rolle, må modellen gjette, og en setning er billigere enn en ny generering.
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.>
Ansikter og hår holdt seg konsistente i alle referansetestene. Profftips: Navngi hvert plagg i prompten i tillegg til å vise det ("en marineblå jakke i kanvas"), så låses antrekket like godt.
På PixelDojo er referansene bilder: den raskeste måten å låse et ansikt, et produkt og et sted til samme opptak.
Alt over er nok for ett enkelt opptak med én eller to referanser. Når en prompt inneholder flere ressurser og navngitte roller, trenger den et system med identifikatorer og et fast oppsett. Denne delen viser strukturen vi bruker til dette, basert på modelldokumentasjonen, ikke vår egen serie med A/B-tester.
Vis til vedlagte mediefiler med korte referansekoder: Image1, Video1, Audio1. Ingen mellomrom før tallet. Tallet angir plasseringen i opplastingsrekkefølgen, så en kode viser til filen som lå på den plassen da du la den ved. Fastsett rekkefølgen før du begynner å skrive, og bytt aldri nummer midt i prompten. Skal du bytte en mediefil, bytt filen, ikke koden.
Før du skriver et eneste ord, bestem hvilken av de avgrensede avtalene opptaket skal følge. Hver avtale har sin egen regel for hva referansene får styre. Hold deg til én avtale per prompt, så gjør hver referanse akkurat sin jobb.
| Avtale | Dette styrer referansene | Dette må prompten si |
|---|---|---|
| Tekst til video | Ingen vedlegg | Hele opptaket, med grunnformelen over. |
| Første og siste bilde | De to bildene som definerer start og slutt | Hvilket bilde som åpner og hvilket som avslutter, pluss én bevegelse som logisk fører fra det ene til det andre. |
| Omni-referanse | Identitet, klær, rekvisitter og sted | Én tydelig oppgave per bilde, pluss egenskapene som må bevares når bildene kombineres. |
| Overføring av skuespill | Én kildevideo leverer kun bevegelse | Hvilken bevegelse som skal kopieres, og en tydelig instruks om å utelate personene, klærne og stedet fra den videoen. |
| Stemmeoverføring | Én lydfil leverer en stemme | Hvilken karakter som snakker med den stemmen, at leppesynkroniseringen skal holde, og hvordan rommet høres ut i bakgrunnen. |
| Målrettet redigering | Ett klipp er hovedreferansen | At originalen er eneste kilde, nøyaktig hvilke endringer som skal gjøres, og hva som ikke skal flyttes. |
Regelen bak alle seks: En ressurs styrer én ting, og alt den ikke skal styre, skrives ned. «Bruk referansene» er ikke en instruks, det er et håp.
Alt som skal være identisk gjennom hele klippet, hører hjemme over opptakslisten, i egne deler med tydelige navn. Da inneholder opptakslisten bare det som endrer seg. Antall personer, ansikter, antrekk, rekvisitter, stemmer og hvem som står hvor, er de seks tingene du låser øverst, slik at de gjelder for hver sekvens.
[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.>
Plasseringen i bildet er det folk glemmer. Beskriv hvem som står hvor, og hvor hvert blikk er rettet. Det holder blikkretningene sammen når kameraet beveger seg.
Opptakslisten følger de samme reglene for tidsstyrte sekvenser som tidligere i guiden: fortløpende tidsintervaller uten overlapp, én hovedhendelse i hvert og en angitt sluttilstand. Gi hvert intervall et bildeutsnitt, en kameraføring, en handling, eventuell dialog og en beskrivelse av situasjonen når intervallet slutter. For én sammenhengende handling fungerer vanlig prosa fortsatt fint. Hakeparenteser er til sekvenser, ikke til pynt.
Avslutt med de overordnede delene etter opptakslisten. De beskriver hele klippet, ikke én enkelt sekvens, så de hører hjemme nederst der de ikke kan tolkes som et steg.
[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 tilbyr bildereferanser i dag, så Image1 til Image9 er referansekodene du faktisk kan legge ved. Oppgavereglene for Video1 og Audio1 er dokumentert her fordi modellen forstår dem, og fordi den samme disiplinen med én oppgave per mediefil får prompter med bare bilder til å henge sammen.
Legg ved et startbilde, så animerer H3 videre fra det. Legg ved både et startbilde og et sluttbilde, så fyller modellen inn bevegelsen mellom dem. Det er den mest presise kontrollen modellen tilbyr. I denne modusen bestemmes bildeformatet av bildet, så formatvelgeren ignoreres.
Det innsendte bildet beholdes og animeres: Han blir ved stolpen og snur hodet, tauet beveger seg i vinden.
Samme åpningsbilde. Han går ut til venstre, og klippet ender nøyaktig på det vedlagte sluttbildet, inkludert den tomme bryggen og det oppkveilede tauet.
H3 forstår filmfaglige begreper direkte og elsker bevegelse: På egen hånd følger modellen handlingen med et levende kamera i rolig bevegelse. Vil du ha et helt statisk opptak, lister du opp bevegelsene den skal droppe. Da holder den bildet fjellstøtt.
Et kamera som beveger seg naturlig og følger henne mens hun jobber.
Ett fast bilde gjennom hele klippet. Bare gartneren og vannspruten beveger seg. Samme seed som versjonen uten lyd.
Locked-off static <wide / medium / close> shot. No push in, no handheld, no zoom, no dolly. The frame never moves.
Når du faktisk vil ha kamerabevegelse, navngi én og beskriv hva som endrer seg i bildet. «Kjør sakte inn til et nærbilde av espressostrømmen» ble utført som skrevet. Profftips: Knytt hvert kamerabegrep til den synlige endringen du ønsker, så treffer H3.
Følelsesord oppsummerer en prestasjon, de beskriver den ikke. Skriv heller det et kamera kan se: hvor blikket går, hva hendene gjør, hvordan pusten går, og hva som holder seg i ro.
Et generisk spill mot kamera. Fiolinen ligger i fanget hennes, og regien blir til et ansiktsuttrykk i stedet for en handling.
Blikket festet i gulvet, fingrene knuger fiolinhalsen, skuldrene holdes hevet. Instruksen følges bokstavelig og holder gjennom hele klippet.
<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>.
Hvert klipp leveres med et stereospor, så lyd er noe du regisserer, ikke bare noe du får. Navngi lydene i rekkefølgen de kommer, beskriv hva som ligger under, og si hva som ikke skal være med.
Et sammenhengende lydteppe. Målt over hele klippet ligger det rundt −32 dB med liten variasjon.
Samme bilde, men lydsporet er bygd opp av hendelser: stille partier rundt −45 dB, med transienter opp til −23 dB ved slagene og bråkjølingen.
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.
Lydnivåene følger scenen, så stille scener får ekte, naturlig stillhet. Klippene våre ved innsjøen og bak scenen målte rundt −44 dB i gjennomsnitt, omtrent 25 dB under de travle scenene. Sett det endelige lydnivået i redigeringen.
Det du vil utelukke, skriver du rett i prompten som vanlige setninger. H3 holder scenene fri for uønskede elementer på egen hånd, så en kort linje med utelatelser er en ekstra sikring, ikke et krav.
En tom terrasse, som bestilt.
Også en tom terrasse: H3 holdt scenen fri for uønskede elementer på egen hånd.
Det tidligere testparet med båten på innsjøen oppførte seg på samme måte. Det praktiske rådet er derfor mer avgrenset enn «negative instrukser er uvanlig effektive»: Bruk dem mot ting modellen gjerne legger til på egen hånd. I testene våre gjaldt det skjermtekst og kamerabevegelse. Ikke regn med at en negativ instruks fjerner et motiv som scenen legger opp til. Hvis en person ikke skal være med i bildet, beskriv et tomt sted i stedet for et sted der personen er forbudt.
Seks bildeformater, rendret i 2K på H3: 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Stående format er ekte 1440 x 2560, ikke et beskåret liggende bilde. Derfor lønner det seg å generere innhold til sosiale medier i riktig format fra start, i stedet for å endre utsnittet etterpå.
En produktreklame skrevet for mobilskjermen: Kameraet løfter seg, kondensen renner, og ingenting er beskåret fra et bredere utsnitt.
| Innstilling | Spenn | Merknader |
|---|---|---|
| Varighet | 5 til 15 sekunder | Hele sekunder. Prisen følger lengden. |
| Oppløsning | H3: 2K eller 768p. H3 Max: 768p eller 480p | På H3 tvinger et startbilde frem 2K. På H3 Max beholdes valget ditt i alle moduser. |
| Kreditter | 5 per sekund ved 2K, 2,5 ved 768p. H3 Max: 2,5 ved 768p, 2 ved 480p | 20 kreditter for et 5-sekunders klipp i 2K, 10 med H3 Max ved 768p. 60 for hele 15 sekunder i 2K. En referansevideo legger til 4,5 kreditter per sekund av klippet, og hvert referansebilde utover det femte legger til 1. |
| Promptlengde | Opptil 7 000 tegn | Det er god plass til en full opptaksliste med lyddesign. |
| Bildeformat | Seks formater | Ignoreres i førstebildemodus, der bildet bestemmer formatet. |
På H3 er hver generering i 2K, så et forkastet klipp koster det samme som et godt. Test uttrykket og lyden med 5 sekunder, og kjør så prompten du liker, på nytt med lengden du trenger. H3 Max er det rimeligere stedet å teste når 768p er nok til å vurdere resultatet.
H3 Max er en ytelsesoptimalisert variant av MiniMax H3, bygget for fart. Den forstår det samme promptspråket som alt over, og lager fortsatt sin egen synkroniserte lyd. Den tar et første bilde med et valgfritt siste bilde, lager klipp på 5 til 15 sekunder i de samme seks bildeformatene og rendrer raskt til 2 kreditter per sekund ved 768p eller 1,5 ved 480p.
Én sammenhengende tagning med innkjøringen prompten ba om. Den åpner på hendene hennes og slutter på espressostrålen. 2560 × 1440.
Samme prompt. Her ble det også én sammenhengende tagning med innkjøring, fra hendene hennes til espressostrømmen. Den synlige forskjellen er bildestørrelsen: 1344 x 768 mot 2560 x 1440.
Et startbilde flytter ikke H3 Max opp på et dyrere prisnivå slik det gjør med H3. I denne kjøringen iscenesatte modellen avsløringen under lokket: Den lukket etuiet i løpet av de første to sekundene mens kameraet gikk i bane rundt, og åpnet det igjen fra en ny vinkel. Kjøringen ved 480p med samme stillbilde og samme prompt gjorde ikke dette i det hele tatt. Se derfor på avsløringen som noe modellen kan få til, ikke noe den alltid gjør.
| Innstilling | MiniMax H3 | H3 Max |
|---|---|---|
| Oppløsning | 2K eller 768p | 768p eller 480p |
| Kreditter per sekund | 5 ved 2K, 2,5 ved 768p, pluss 4,5 per sekund med referansevideo og 1 per referansebilde utover det femte | 2,5 ved 768p, 2 ved 480p |
| 5-second clip | 20 kreditter ved 2K, 12,5 ved 768p | 10 kreditter ved 768p, 7,5 ved 480p |
| Startbildets effekt på prisen | Krever 2K, så bilde-til-video koster 20 kreditter for 5 sekunder | Ingen. Oppløsningen du velger, beholdes |
| Referansebilder, video og lyd | Opptil ni bilder, tre videoer, tre lydfiler | Støttes ikke. Kun start- og sluttbilder |
| Varighet | 5 til 15 hele sekunder | 5 til 15 hele sekunder |
| Bildeformater | Seks, fra 21:9 til 9:16 | Seks, samme liste |
| Målt genereringstid | Omtrent 205 sekunder for et 5-sekunders bilde-til-video-klipp den 2026-08-26 | 24 to 33 seconds across three 5-second runs on 2026-09-01 |
Velg H3 Max for å teste en prompt før du betaler 2K-prisen, for klipp til sosiale medier og produktklipp der 768p er nok, og for alle bilde-til-video-jobber der 2K-prisen svir. Hold deg til MiniMax H3 når du skal levere i 2K, eller når opptaket trenger referansebilder, referansevideo eller referanselyd.
Testet 2026-08-03 med den aktive modellen på PixelDojo: 24 genereringer, kjørt som sammenlignbare par med samme seed og én endret variabel. Når en teknikk ikke ga noen målbar forskjell, sier guiden det rett ut i stedet for å gjenta rådet.