Promptowanie MiniMax H3: poradnik
Poradnik promptowania MiniMax H3 oparty na generacjach z działającego modelu. Sekwencje z czasami, tekst w kadrze, który faktycznie się renderuje, obrazy referencyjne, pierwsza i ostatnia klatka, ignorowane polecenia ruchu kamery oraz reżyseria dźwięku. Są też dwie techniki, dla których nie udało nam się wykazać żadnej różnicy.
Promptowanie MiniMax H3 pozwala generować wideo z opisu tekstowego, z pierwszej i opcjonalnie ostatniej klatki lub z maksymalnie dziewięciu obrazów referencyjnych. W MiniMax H3 każdy materiał powstaje w 2K przy 24 klatkach na sekundę, ze ścieżką stereo w tym samym pliku. Wariant H3 Max, opisany w osobnej sekcji pod koniec poradnika, generuje w 768p lub 480p: za 2 kredyty na sekundę przy 768p albo 1.5 przy 480p. Klipy trwają od 5 do 15 sekund, a pole promptu mieści do 7,000 znaków, więc pełną listę ujęć wraz z udźwiękowieniem zmieścisz w jednym zleceniu.
Ten poradnik powstał na podstawie generacji z działającego modelu, a nie specyfikacji. Każdy klip poniżej pochodzi z tych testów i jest pokazany w rozdzielczości, w której wygenerował go model. Jeśli technika jest warta miejsca w prompcie, znajdziesz dla niej szablon. Jeśli popularna technika nie dała w naszych testach mierzalnej różnicy, piszemy to wprost.
Prompt prosił o planszę tytułową z napisem „CHAPTER ONE”, białymi wersalikami wąskim krojem. Dokładnie to otrzymaliśmy: poprawną pisownię i czysty skład już w jednej generacji.
Tryb zależy od tego, co dodasz, a nie od opcji na liście. Bez mediów uruchamiasz text-to-video. Klatka początkowa, opcjonalnie z końcową, oznacza image-to-video. Materiały, które mają być inspiracją, a nie dosłowną klatką, uruchamiają reference-to-video.
Nawyki z Seedance i WAN w większości sprawdzają się też tutaj, ale dwie techniki dały mniej, niż zakładaliśmy. Każdy wiersz poniżej to test porównawczy: ten sam temat, ten sam seed i ta sama długość. Zmienialiśmy tylko testowaną technikę.
| Technika | Wynik w MiniMax H3 | Co zaobserwowaliśmy |
|---|---|---|
| Dokładny zapis tekstu na ekranie | Działa, a generowanie tekstu to mocna strona modelu | Oba warianty testu dały czystą planszę tytułową bez błędów w pisowni. Podanie dokładnego tekstu nie sprawiło, że tekst się pojawił. Zdecydowało, jakie słowa się pojawiły i jak wyglądał ich skład: wersja opisowa wymyśliła „CHAPTER I” krojem szeryfowym, a wersja z podanym tekstem zwróciła „CHAPTER ONE” zwężonymi wersalikami, zgodnie z poleceniem. |
| Kolejność: temat, scena, akcja, kamera, dźwięk | Działa: daje kontrolę, nie wyższą jakość | Prosty, czterowyrazowy prompt też dał udany klip, ale model nakręcił własny film: dwa ustawienia kamery i cięcie. Wersja ze strukturą utrzymała jedno ciągłe ujęcie i wykonała dokładnie jeden zadany najazd. |
| Etapy w nawiasach z podanym czasem | Działa i daje kontrolę nad stanami końcowymi | Przy 10 sekundach już prosta wersja poprawnie wykonała wszystkie trzy działania po kolei. Wersja z czasami dodatkowo osiągnęła wskazane stany końcowe, w tym pustą ławkę po pierwszym etapie. |
| Zamiana instrukcji dla kamery na jednoznaczny zakaz | Działa i warto to zapisać | „Kadr pozostaje nieruchomy”, z listą ruchów do pominięcia, utrzymało jeden absolutnie stabilny kadr przez cały klip. |
| Widoczne zachowanie zamiast nazw emocji | Działa | Konkretne sygnały fizyczne, takie jak wzrok wbity w dół, nieruchome palce czy uniesione ramiona, zostały odwzorowane dosłownie i utrzymane przez cały klip. „Wygląda na zaniepokojoną i zdenerwowaną” dało za to standardową grę do kamery. |
| Pierwsza i ostatnia klatka | Działa i trafia precyzyjnie | Po dodaniu obu klatek klip zaczął się od dostarczonej klatki początkowej i zakończył dokładnie na dostarczonej klatce końcowej, aż po zwiniętą linę na pustym pomoście. |
| Przypisz zadanie każdemu obrazowi referencyjnemu | Opcjonalnie: H3 sam dobrze łączy materiały | Dwie pary, w tym jedna celowo trudna: osoba, produkt na białym tle i pusty pokój. Wariant bez przypisanych ról połączył je równie dobrze: właściwa twarz, właściwa torba, właściwy pokój, a białe tło produktu zostało pominięte bez takiej instrukcji. |
| Listy wykluczeń | Dodatkowe zabezpieczenie | Dwie pary. W obu H3 sam pominął zakazane elementy. Krótka lista wykluczeń to dodatkowe zabezpieczenie, na przykład przed przypadkowymi napisami na witrynach. |
W skrócie: struktura, rozpiska czasowa, zakazy ruchu kamery, widoczne zachowanie i dokładny zapis tekstu są warte miejsca w prompcie. Role referencji i listy wykluczeń to dodatkowe zabezpieczenie bez kosztu: H3 już sam łączy referencje i nie zaśmieca scen.
H3 sprawnie łączy referencje bez opisywania ich ról i samo eliminuje niechciane elementy. Obie techniki nic nie kosztują, więc zostaw je jako dodatkowe zabezpieczenie, zwłaszcza gdy dwie referencje łatwo ze sobą pomylić, na przykład dwie osoby lub dwie lokalizacje.
Temat + Akcja + Scena i otoczenie + Styl wizualny + Kamera + Dźwięk
H3 pewnie wypełnia luki. Nie określisz kamery? Sam przejmie reżyserię, często przechodząc między dwoma ustawieniami w ciągu pięciu sekund. To świetne, gdy chcesz dostać gotowy klip, ale nie wtedy, gdy zależy ci na konkretnym ujęciu. Nazwij to, na czym ci zależy, a resztę pozwól mu wymyślić.
<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.
Sprawnie, ale to w całości film wymyślony przez model. Wybrał nalewanie latte art w makro, po czym zrobił cięcie do szerokiego ujęcia wymyślonego przez siebie baristy.
Jedno ciągłe ujęcie. Najazd zgodny z poleceniem, światło z podanej strony, finał na strumieniu espresso. Ten sam seed co w wersji bez dodatkowych wskazówek.
Oba klipy wyglądają świetnie i to jest wniosek. Ustrukturyzowany prompt daje precyzyjne wykonanie instrukcji ponad jakość, którą H3 dostarcza zawsze. Używaj schematu, gdy ujęcie ma odpowiadać temu, co masz w głowie. Wybierz jedno zdanie, gdy chcesz dać się zaskoczyć.
Jeśli klip zawiera więcej niż jedno działanie, rozpisz go na kolejne etapy z czasami. Każdemu przypisz jedną główną zmianę i określ, co ma być widoczne na końcu. To właśnie stan końcowy robi robotę: daje modelowi punkt kontrolny do osiągnięcia zamiast nastroju do podtrzymania.
<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>.
Sekwencja nadal rozgrywa się we właściwej kolejności. H3 dobrze odczytuje kolejność z opisu, więc zwykły opis nie kończy się tu katastrofą, jak w niektórych modelach.
Zobacz, jak realizują się zadane stany końcowe: blat jest wyraźnie pusty, gdy koło trafia do stojaka, a po zakończeniu pracy przy szprychach klucz nadal pozostaje w jego dłoni.
Sprawdziliśmy limit 15 sekund z pięcioma etapami po trzy sekundy. Pierwsze cztery pojawiły się we właściwej kolejności i dokładnie na czas. Pro tip: na piętnaście sekund zaplanuj cztery etapy, a finałowi daj najwięcej miejsca.
Centrowanie, otwieranie, wyciąganie ścianek, formowanie rantu: cztery etapy, każdy trafia w swój moment.
Czytelny tekst to najmocniejsza, od razu widoczna strona H3 i największa praktyczna różnica względem innych testowanych przez nas modeli wideo. W obu wariantach testu napisy były wyraźne i bez błędów. Prompt decyduje o tym, jakie słowa się pojawią i jak zostaną złożone.
Czysto i bez błędów, ale treść i krój wybrał model: „CHAPTER I” szeryfami.
Dokładnie podany tekst, z żądaną grubością pisma i wielkością liter, wyśrodkowany. Ten sam seed co w wersji opisowej.
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.
Dodaj do dziewięciu obrazów, a H3 połączy je w jedno ujęcie: twarz z jednego, produkt z drugiego, lokalizację z trzeciego. H3 samo rozpoznaje rolę każdego obrazu: w obu naszych testach połączyło właściwą twarz, produkt i miejsce bez dodatkowych instrukcji.
Image1 to kobieta, Image2 to torba, Image3 to lobby. Do tego jasne polecenie, by nie używać białego tła produktowego ani tła studyjnego.
Ten sam seed, te same obrazy, jedno proste zdanie. Właściwa twarz, właściwa torba, właściwe pomieszczenie. Oba niechciane tła zniknęły bez osobnego polecenia.
Wcześniejszy test z dwoma obrazami, osobą i lokalizacją, dał ten sam wynik. Odczytujemy to tak: gdy każda referencja pasuje tylko do jednej roli, H3 sam rozpoznaje przypisanie. Opisanie ról nic nie kosztuje i nadal je polecamy. Gdy tylko dwie referencje mogą pełnić tę samą rolę, model musi zgadywać, a jedno zdanie kosztuje mniej niż ponowna generacja.
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.>
Twarze i włosy pozostały spójne we wszystkich testach referencji. Wskazówka: oprócz pokazania stroju nazwij w prompcie każdą jego część, np. „granatowa kurtka z płótna”, żeby ubiór trzymał się równie mocno.
W PixelDojo materiałami referencyjnymi są obrazy: to najszybszy sposób, by ustalić twarz, produkt i miejsce w jednym ujęciu.
Wszystko powyżej wystarczy do pojedynczego ujęcia z jedną lub dwiema referencjami. Gdy prompt zawiera kilka materiałów i nazwaną obsadę, potrzebuje systemu oznaczeń i stałego układu. Ta sekcja pokazuje strukturę, której wtedy używamy. Powstała na podstawie dokumentacji modelu, a nie naszej własnej serii testów A/B.
Odwołuj się do załączników krótkimi tokenami: Image1, Video1, Audio1. Bez spacji przed numerem. Numer oznacza pozycję przesłanego pliku, więc token wskazuje materiał umieszczony w danym slocie podczas dodawania. Ustal kolejność przed pisaniem i nie zmieniaj numeracji w trakcie promptu. Gdy podmieniasz materiał, zamień plik, nie token.
Zanim napiszesz choć słowo, wybierz konkretny zakres kontroli dla ujęcia. Każdy ma inne zasady dotyczące tego, czym mogą sterować referencje. Trzymaj się jednego zakresu na prompt, a każda referencja wykona dokładnie swoje zadanie.
| Zakres kontroli | Co kontrolują referencje | Co musi zawierać prompt |
|---|---|---|
| Tekst na wideo | Bez załączników | Całe ujęcie według podstawowej formuły powyżej. |
| Pierwsza i ostatnia klatka | Dwa obrazy graniczne | Który obraz otwiera klip, a który go zamyka, oraz jeden ruch, który logicznie prowadzi od pierwszego do drugiego. |
| Referencje Omni | Tożsamość, strój, rekwizyty i miejsce | Jedno jasno nazwane zadanie dla każdego obrazu i cechy, które muszą przetrwać połączenie. |
| Przenoszenie gry postaci | Jedno źródłowe wideo dostarcza tylko ruch | Konkretny ruch do skopiowania oraz jednoznaczne wykluczenie osób, ubrań i lokalizacji z tego wideo. |
| Przenoszenie głosu | Jeden plik audio dostarcza głos | Która postać mówi tym głosem, że synchronizacja ust ma zostać zachowana i jakie dźwięki pomieszczenia słychać w tle. |
| Precyzyjna edycja | Jeden klip jest nadrzędny | Że materiał bazowy jest jedynym źródłem, co dokładnie zmienić i co ma pozostać bez zmian. |
Zasada wspólna dla wszystkich sześciu: jeden materiał kontroluje jedną rzecz, a wszystko, czego nie powinien kontrolować, zapisujesz wprost. „Użyj referencji” to nie instrukcja, tylko nadzieja.
Wszystko, co ma pozostać identyczne przez cały klip, umieść nad listą ujęć, w nazwanych sekcjach. Sama lista zawiera wtedy tylko to, co się zmienia. Na górze ustal sześć rzeczy: liczbę postaci, twarze, stroje, rekwizyty, głosy i rozmieszczenie postaci. Wtedy każdy etap przejmie te ustalenia.
[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.>
Rozmieszczenie postaci w kadrze to najczęściej pomijany element. Określ, kto gdzie stoi i dokąd patrzy każda osoba, a kierunki spojrzeń pozostaną spójne przy ruchu kamery.
Lista ujęć podlega tym samym zasadom rozpiski czasowej co wcześniej w poradniku: kolejne, nienakładające się przedziały, po jednym głównym zdarzeniu w każdym i określony stan końcowy. Dla każdego przedziału podaj kadrowanie, zachowanie kamery, akcję, ewentualną kwestię dialogową oraz to, co ma być widoczne na końcu. Przy jednej ciągłej akcji zwykły opis nadal wystarczy. Nawiasy służą sekwencjom, nie dekoracji.
Po liście ujęć dodaj sekcje końcowe. Opisują cały klip, a nie pojedynczy etap, dlatego trafiają na dół, gdzie nie zostaną odczytane jako kolejny krok.
[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 udostępnia dziś obrazy referencyjne, więc Image1 do Image9 to tokeny, do których faktycznie możesz podpiąć pliki. Zasady użycia Video1 i Audio1 opisujemy tutaj, bo model je rozumie, a reguła jednego zadania na materiał pomaga też utrzymać spójność promptów opartych wyłącznie na obrazach.
Dodaj klatkę początkową, a H3 ją ożywi. Dodaj początkową i końcową, a model wypełni ruchem przestrzeń między nimi. To najprecyzyjniejsza kontrola, jaką oferuje. W tym trybie proporcje wynikają z obrazu, więc wybór proporcji w interfejsie jest ignorowany.
Podana klatka zostaje zachowana i ożywiona: mężczyzna pozostaje przy słupku i odwraca głowę, lina porusza się na wietrze.
Ta sama klatka początkowa. Mężczyzna wychodzi w lewo, a klip kończy się dokładnie na dostarczonej klatce końcowej, z pustym pomostem i zwiniętą liną.
H3 rozumie terminologię operatorską i uwielbia ruch: bez dodatkowych wskazówek podąża za akcją żywą, delikatnie poruszającą się kamerą. Chcesz nieruchome ujęcie? Wymień ruchy, których ma unikać, a utrzyma kadr bez drgnięcia.
Naturalny ruch kamery, która podąża za nią podczas pracy.
Jeden nieruchomy kadr przez cały klip. Poruszają się tylko ogrodnik i strumień wody. Ten sam seed co w wersji bez dźwięku.
Locked-off static <wide / medium / close> shot. No push in, no handheld, no zoom, no dolly. The frame never moves.
Gdy chcesz ruchu kamery, nazwij jeden i opisz, co zmienia się na ekranie. „Powolny najazd do zbliżenia na strumień espresso” został wykonany zgodnie z opisem. Pro tip: każde określenie ruchu kamery połącz z widoczną zmianą, której oczekujesz, a H3 ją zrealizuje.
Słowa określające emocje podsumowują grę aktorską, ale jej nie opisują. Zamiast tego napisz, co zobaczy kamera: gdzie kieruje się wzrok, co robią dłonie, jak zmienia się oddech i co pozostaje nieruchome.
Typowa gra do kamery. Skrzypce spoczywają na jej kolanach, a wskazówka przekłada się na wyraz twarzy zamiast na zachowanie.
Wzrok wbity w podłogę, palce zaciskają się na szyjce skrzypiec, ramiona uniesione. Instrukcja została wykonana dosłownie i utrzymana przez cały klip.
<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>.
Każdy klip ma ścieżkę stereo, więc dźwięk reżyserujesz, a nie tylko dostajesz. Wymień dźwięki w kolejności, w jakiej się pojawiają. Określ, co słychać w tle i czego ma nie być.
Ciągłe tło dźwiękowe. Pomiar całego klipu pokazuje poziom około −32 dB z niewielkimi wahaniami.
Ten sam obraz, ale ścieżka dźwiękowa składa się ze zdarzeń: ciche tło w okolicach −45 dB i transjenty sięgające −23 dB przy uderzeniach i hartowaniu.
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.
Poziom dźwięku dopasowuje się do sceny, więc ciche sceny brzmią naprawdę cicho i naturalnie. W naszych klipach znad jeziora i zza kulis średni poziom wyniósł około −44 dB, czyli mniej więcej 25 dB poniżej głośnych scen. Docelową głośność ustaw w montażu.
Wykluczenia wpisuj bezpośrednio w prompt, zwykłymi zdaniami. H3 samo utrzymuje sceny bez zbędnych elementów, więc krótka lista zakazów to dodatkowe zabezpieczenie, nie konieczność.
Pusty taras, zgodnie z poleceniem.
Tu też pusty taras: H3 samo utrzymało scenę bez zbędnych elementów.
Wcześniejsza para z łodzią na jeziorze zachowała się tak samo. Praktyczna rada jest więc bardziej konkretna niż „wykluczenia są wyjątkowo skuteczne”: używaj ich do rzeczy, które model lubi dodawać sam. W naszych testach były to tekst na ekranie i ruch kamery. Nie licz na to, że wykluczenie usunie postać, której obecność wynika ze sceny. Jeśli w kadrze nie ma być człowieka, opisz puste miejsce, zamiast opisywać miejsce z zakazem obecności ludzi.
Sześć proporcji renderowanych w 2K na H3: 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16. Pion to prawdziwe 1440 na 2560, a nie przycięty kadr poziomy. Dlatego materiały do social mediów warto od razu generować w docelowym formacie, zamiast później zmieniać kadrowanie.
Reklama produktu rozpisana pod ekran telefonu: kamera unosi się, krople kondensacji spływają, a nic nie jest przycięte z szerszego kadru.
| Ustawienie | Zakres | Uwagi |
|---|---|---|
| Czas trwania | Od 5 do 15 sekund | Pełne sekundy. Koszt rośnie wraz z długością. |
| Rozdzielczość | H3: 2K lub 768p. H3 Max: 768p lub 480p | W H3 klatka początkowa wymusza 2K. W H3 Max wybrana rozdzielczość zostaje zachowana w każdym trybie. |
| Kredyty | 5 za sekundę przy 2K, 2,5 przy 768p. H3 Max: 2,5 przy 768p, 2 przy 480p | 20 kredytów za 5-sekundowy klip w 2K, 10 na H3 Max przy 768p. 60 za pełne 15 sekund w 2K. Film referencyjny dodaje 4,5 kredytu za sekundę klipu, a każdy obraz referencyjny powyżej piątego dodaje 1. |
| Długość promptu | Do 7 000 znaków | Pełna lista ujęć wraz z opisem dźwięku mieści się bez problemu. |
| Proporcje kadru | Sześć proporcji | Ignorowane w trybie pierwszej klatki, gdzie kształt obrazu wyznacza zdjęcie. |
W H3 każda generacja powstaje w 2K, więc odrzucony klip kosztuje tyle samo co udany. Przetestuj obraz i dźwięk na 5 sekundach, a potem uruchom sprawdzony prompt z docelową długością. H3 Max to tańsze miejsce na takie testy, gdy 768p wystarcza do oceny.
H3 Max to wariant MiniMax H3 zoptymalizowany pod szybkość. Rozumie ten sam język promptów co wszystko powyżej i nadal tworzy własny zsynchronizowany dźwięk. Przyjmuje pierwszą klatkę i opcjonalnie ostatnią, generuje od 5 do 15 sekund w tych samych sześciu proporcjach kadru i szybko renderuje za 2 kredyty za sekundę przy 768p lub 1,5 przy 480p.
Jedno ciągłe ujęcie z najazdem wskazanym w prompcie, od jej dłoni do strumienia espresso. 2560 na 1440.
Ten sam prompt. Model również utrzymał jedno ciągłe ujęcie z najazdem, zaczynając od jej dłoni i kończąc na strumieniu espresso. Widoczna różnica to rozmiar klatki: 1344 na 768 wobec 2560 na 1440.
Klatka początkowa nie przenosi H3 Max na droższy poziom cenowy, jak dzieje się to w H3. W tej generacji model zainscenizował odsłonięcie zawartości: przez pierwsze dwie sekundy zamykał etui, podczas gdy kamera je okrążała, a potem otworzył je ponownie z nowego kąta. Generacja w 480p z tym samym obrazem i promptem w ogóle nie zainscenizowała tego ruchu. Traktuj więc takie odsłonięcie jako coś, co model potrafi, a nie coś, co robi zawsze.
| Ustawienie | MiniMax H3 | H3 Max |
|---|---|---|
| Rozdzielczość | 2K lub 768p | 768p lub 480p |
| Kredyty za sekundę | 5 przy 2K, 2,5 przy 768p, plus 4,5 za sekundę filmu referencyjnego i 1 za każdy obraz referencyjny powyżej piątego | 2,5 przy 768p, 2 przy 480p |
| 5-second clip | 20 kredytów przy 2K, 12,5 przy 768p | 10 kredytów przy 768p, 7,5 przy 480p |
| Wpływ klatki początkowej na koszt | Wymusza 2K, więc generacja z obrazu do wideo kosztuje 20 kredytów za 5 sekund | Brak. Wybrana rozdzielczość zostaje zachowana |
| Referencyjne obrazy, wideo i audio | Do dziewięciu obrazów, trzech wideo i trzech nagrań audio | Brak obsługi. Tylko klatki |
| Czas trwania | Od 5 do 15 pełnych sekund | Od 5 do 15 pełnych sekund |
| Proporcje kadru | Sześć, od 21:9 do 9:16 | Sześć, ta sama lista |
| Zmierzony czas generowania | Około 205 sekund na 5-sekundowy klip z obrazu do wideo, 2026-08-26 | 24 to 33 seconds across three 5-second runs on 2026-09-01 |
Sięgnij po H3 Max, by sprawdzić prompt, zanim zapłacisz za 2K, do klipów produktowych i do social mediów, gdy wystarcza 768p, oraz do zadań image-to-video, w których największą barierą jest stawka za 2K. Zostań przy MiniMax H3, gdy oddajesz materiał w 2K lub gdy ujęcie wymaga obrazów, wideo albo audio referencyjnego.
Testy przeprowadziliśmy 2026-08-03 na działającym modelu w PixelDojo: 24 generacje w dopasowanych parach, z tym samym seedem i tylko jedną zmienioną zmienną. Jeśli technika nie dawała mierzalnej różnicy, piszemy to wprost, zamiast powielać zalecenia.