Skip to main content

Guia de prompts MiniMax H3

MiniMax H3.
2K, com som, testado prompt por prompt.

Guia de prompts para MiniMax H3 criado a partir de gerações no modelo em produção. Blocos cronometrados, texto em tela que realmente funciona, imagens de referência, quadros inicial e final, restrições de câmera e direção de som. Inclui as duas técnicas para as quais não conseguimos demonstrar nenhum efeito.

Visão geral

Guia de prompts MiniMax H3: o modelo gera vídeos a partir de texto, de um quadro inicial com um quadro final opcional ou de até nove imagens de referência. No MiniMax H3, tudo sai em 2K e 24 quadros por segundo, com uma faixa de áudio estéreo no mesmo arquivo. A variante H3 Max, detalhada em uma seção própria perto do fim, gera em 768p ou 480p, por 2 créditos por segundo em 768p ou 1,5 em 480p. Os clipes duram de 5 a 15 segundos, e o campo de prompt aceita até 7.000 caracteres. Cabe uma lista completa de planos com design de som em um único pedido.

Este guia foi escrito a partir de gerações feitas com o modelo em produção, não de uma ficha técnica. Cada clipe abaixo é um desses testes, na resolução que saiu do modelo. Quando uma técnica faz valer as palavras usadas, há um modelo de prompt para ela. Quando uma técnica muito repetida não fez diferença mensurável nos nossos testes, é isso que dizemos.

Texto solicitado diretamente, escrito por extenso no prompt

O prompt pediu uma cartela de título com "CHAPTER ONE" em branco, caixa alta e fonte condensada. Foi exatamente o que veio: grafia correta e composição limpa, em uma única geração.

  • 5 a 15 segundos em uma única geração a 24fps nos dois modelos: 2K no H3, 768p ou 480p no H3 Max.
  • Áudio estéreo nativo no mesmo arquivo: som ambiente, foley, música e fala.
  • Seis proporções de 21:9 a 9:16, nos dois modelos e em todos os planos.
  • Até nove imagens de referência. As primeiras cinco estão incluídas, e cada imagem além disso adiciona 1 crédito. Ou um frame inicial e um frame final para um plano. O H3 Max gera a partir de frames.
  • Prompts de até 7.000 caracteres. 4 créditos por segundo em 2K e 2,5 em 768p, mais 4,5 por segundo de vídeo de referência. No H3 Max, são 2 em 768p e 1,5 em 480p.

O modo é definido pelo que você anexa, não por um menu. Sem mídia, é texto para vídeo. Um quadro inicial, com quadro final opcional, ativa imagem para vídeo. Tudo o que você usa como referência, e não como um quadro literal, ativa referência para vídeo.

O que vale aproveitar de outros modelos

Os hábitos de quem usa Seedance e WAN funcionam aqui em boa parte, mas dois deles fizeram menos diferença do que esperávamos. Cada linha abaixo foi testada em par: mesmo sujeito, mesma seed, mesma duração, mudando só a técnica em teste.

TécnicaResultado no MiniMax H3O que vimos
Texto na tela escrito por extensoFunciona, e renderizar texto é um ponto forte de verdadeAs duas versões do teste produziram uma cartela de título limpa e com a grafia correta. Escrever o texto exato no prompt não fez o texto aparecer: definiu quais palavras apareceriam e como seriam apresentadas. A versão descritiva inventou "CAPÍTULO I" em uma fonte serifada. A versão com o texto definido retornou "CAPÍTULO UM" em maiúsculas condensadas, como pedido.
Ordem: sujeito, cena, ação, câmera, áudioFunciona: o ganho é controle, não qualidadeUm prompt básico de quatro palavras já produziu um bom clipe, mas o modelo criou o próprio filme: duas composições e um corte. A versão estruturada manteve um plano contínuo e executou o único movimento de aproximação pedido.
Etapas cronometradas entre colchetesFunciona, e o ganho está nos estados finaisCom 10 segundos, a versão simples já executou as três ações na ordem correta. A versão cronometrada também atingiu os estados finais definidos, incluindo o banco vazio depois do primeiro bloco.
Transformar uma instrução de câmera em uma proibição diretaFunciona e vale as palavras usadas"O enquadramento nunca se move", com uma lista dos movimentos a evitar, manteve um enquadramento totalmente fixo durante todo o clipe.
Comportamento observável em vez de emoçõesFuncionaSinais físicos descritos no prompt, como olhar fixo para baixo, dedos imóveis e ombros elevados, foram seguidos à risca e mantidos durante todo o clipe. Já "ela parece ansiosa e nervosa" gerou uma atuação genérica voltada para a câmera.
Quadro inicial e finalFunciona e acerta com precisãoCom os dois quadros fornecidos, o clipe começou no quadro inicial enviado e terminou exatamente no quadro final enviado, até a corda enrolada no píer vazio.
Uma função para cada imagem de referênciaOpcional: o H3 já compõe bem sozinhoDois pares, incluindo um teste propositalmente difícil com uma pessoa, um produto em fundo branco e uma sala vazia. A versão sem funções definidas fez a composição tão bem quanto a outra: rosto certo, bolsa certa, sala certa e fundo branco do produto excluído sem precisar pedir.
Listas negativasProteção extra opcionalDois pares. O H3 deixou os elementos proibidos de fora por conta própria nos dois. Uma lista negativa curta acrescenta uma última proteção, por exemplo, contra letras indesejadas em fachadas de lojas.

Em resumo: estrutura, marcação de tempo, restrições de câmera, comportamento observável e texto escrito por extenso fazem valer cada palavra. Funções das referências e listas negativas são uma proteção extra que não custa nada: o H3 já combina referências e mantém as cenas limpas por conta própria.

O H3 combina referências com precisão sem precisar de instruções de função e deixa elementos indesejados de fora por conta própria. As duas técnicas não custam nada, então mantenha-as como proteção extra, principalmente quando duas referências puderem ser confundidas, como duas pessoas ou dois lugares.

A fórmula-base do prompt

Sujeito + Ação + Cena e ambiente + Estilo visual + Câmera + Áudio

O H3 preenche as lacunas com confiança. Deixe a câmera em aberto e ele assume a direção, muitas vezes alternando entre dois enquadramentos em cinco segundos. Ótimo quando você quer um clipe com cara de produção finalizada, ruim quando precisa de um plano específico. Defina o que importa e deixe ele inventar o resto.

Modelo básico
<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>.
Exemplo testado
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.
Básico: "Um barista preparando café."

Bem executado, mas inteiramente criado pelo modelo. Ele escolheu um plano macro de latte art sendo servido e depois cortou para um plano aberto de um barista que inventou.

Estruturado: o modelo acima

Um único plano contínuo. A aproximação de câmera solicitada, luz vindo do lado indicado e fechamento no fluxo de café espresso. Mesma seed da versão básica.

Os dois clipes ficaram ótimos, e essa é a conclusão. O prompt estruturado acrescenta precisão no cumprimento das instruções à qualidade que o H3 já entrega. Use a fórmula quando o plano precisa corresponder ao que você já tem na cabeça. Use uma linha quando quiser se surpreender.

Etapas cronometradas e clipes mais longos

Para qualquer coisa além de uma única ação, escreva o clipe em blocos cronometrados consecutivos. Dê a cada bloco uma mudança principal e diga o que deve estar visível quando ele terminar. O estado final é o que faz a diferença: ele dá ao modelo um ponto concreto a atingir, em vez de um clima para sustentar.

Modelo de etapas cronometradas
<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>.
Dez segundos, três ações em uma frase

A sequência continua na ordem certa. O H3 lida bem com sequenciamento implícito, então uma descrição simples não vira o desastre que vira em alguns modelos.

Dez segundos, as mesmas ações em etapas cronometradas

Veja como os estados finais definidos se concretizam: a bancada fica visivelmente vazia quando a roda está no suporte, e a chave continua na mão dele ao terminar o trabalho nos raios.

Ritmo ao longo dos quinze segundos

Testamos o limite de 15 segundos com cinco etapas cronometradas de três segundos cada. As primeiras quatro aconteceram na ordem certa e no tempo exato. Dica de profissional: planeje quatro etapas para quinze segundos e deixe mais tempo para o final.

Quinze segundos, cinco blocos cronometrados

Centralizar, abrir, levantar as paredes, modelar a borda: quatro blocos, cada um no momento indicado.

  • Reserve cerca de quatro segundos para qualquer bloco que envolva uma troca de objeto de cena ou sua passagem de uma pessoa para outra. Três segundos bastam para uma mudança de câmera, mas ficam apertados para uma ação.
  • Dê mais tempo ao último bloco e coloque no meio o plano que mais importa para você.
  • Uma mudança principal por momento, para cada momento funcionar com clareza.
  • Descreva os estados finais como coisas que o público consegue apontar na tela: uma superfície vazia, uma ferramenta em uma mão específica, uma porta que agora está fechada.

Texto em tela

Texto legível é o ponto forte mais evidente do H3 e a maior diferença prática em relação aos outros modelos de vídeo que testamos. As duas versões do nosso teste geraram texto limpo e com grafia correta. O prompt controla quais palavras aparecem e como elas são apresentadas.

Descritivo: "uma cartela de título com o nome do capítulo"

Limpo e com a grafia correta, mas o modelo escolheu o texto e a fonte: "CAPÍTULO I", em uma serifada.

Texto por extenso: deve aparecer "CHAPTER ONE", em branco, caixa alta e fonte condensada

O texto exato, com o peso de fonte e o uso de maiúsculas e minúsculas pedidos, centralizado. Mesma seed da versão descritiva.

Modelo de 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.
  • Se uma palavra precisa estar legível, escreva essa palavra no prompt. Descrever rende texto, mas não o seu texto.
  • Defina o tratamento tipográfico: condensado, em caixa alta, com serifa, com espaçamento amplo entre letras. Ele segue essas instruções.
  • Diga onde o texto fica no enquadramento. "Centralizado" e "terço inferior" funcionam.
  • Inclua a linha do que não fazer. Não custa nada e foi o único caso em que uma instrução negativa justificou seu espaço nos nossos testes.

Imagens de referência

Anexe até nove imagens e o H3 combina tudo em um único plano: o rosto de uma, o produto de outra, o cenário de uma terceira. O H3 identifica sozinho a função de cada imagem: nos nossos dois testes, reuniu o rosto, o produto e o lugar certos sem receber instruções.

Três referências, cada uma com sua função

Image1 para a mulher, Image2 para a bolsa, Image3 para o saguão, mais instruções claras para não usar o fundo branco do produto nem o fundo de estúdio.

As mesmas três referências, sem definir funções

Mesma seed, mesmas imagens, uma frase simples. Rosto certo, bolsa certa, ambiente certo e os dois fundos indesejados eliminados sem precisar pedir.

O teste anterior com duas imagens, uma pessoa e um local, deu o mesmo resultado. Nossa leitura é que, quando cada referência só pode ocupar uma função plausível, o H3 distribui os papéis sozinho. Definir essas funções não custa nada e continua sendo nossa recomendação: assim que duas referências podem ocupar o mesmo papel, o modelo precisa adivinhar. E uma frase sai mais barata do que gerar de novo.

Modelo com referências
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.>

Rostos e cabelos se mantiveram em todos os testes com referências. Dica de quem cria: além de mostrar cada peça de roupa, dê nome a ela no prompt ("uma jaqueta de lona azul-marinho"). Assim, o figurino fica tão consistente quanto o resto.

No PixelDojo, as referências são imagens: o jeito mais rápido de fixar um rosto, um produto e um lugar no mesmo plano.

Prompts avançados com referências

Tudo acima basta para um único plano com uma ou duas referências. Quando o prompt reúne vários arquivos e um elenco com nomes definidos, ele precisa de um sistema de tokens e uma estrutura fixa. Esta seção traz a estrutura que usamos nesses casos, baseada na documentação do modelo, não na nossa bateria de testes A/B.

Identificadores de referência

Use identificadores curtos para mencionar os arquivos anexados: Image1, Video1, Audio1. Sem espaço antes do número. O número corresponde à posição do upload, então cada identificador representa o arquivo que ocupava aquela posição quando foi anexado. Defina a ordem antes de escrever e nunca mude a numeração no meio do prompt. Se trocar um arquivo, substitua o arquivo, não o identificador.

  • Associe cada personagem e cada voz, um de cada vez. "As duas mulheres, respectivamente" é o jeito mais rápido de fazer o modelo trocar as duas.
  • Use o token sempre que se referir àquele arquivo. Voltar a dizer "a foto de referência" no meio de um prompt longo abre espaço para o modelo adivinhar de novo.
  • Uma função por arquivo. Se uma única imagem precisa fornecer tanto um rosto quanto um ambiente, diga qual parte fornece o quê.
  • Diga o que excluir e o que manter. Um fundo de estúdio, um fundo infinito branco de produto ou uma marca-d'água fazem parte do arquivo e precisam ser descartados pelo nome.

Defina primeiro a função de cada referência

Antes de escrever qualquer palavra, defina qual contrato específico rege o plano. Cada um tem uma regra diferente sobre o que as referências podem controlar. Use um único contrato por prompt e cada referência cumpre exatamente sua função.

ContratoO que as referências controlamO que o prompt precisa dizer
Texto para vídeoNenhum anexoO plano inteiro, na fórmula-base acima.
Quadro inicial e finalAs duas imagens que delimitam o clipeQual imagem abre e qual fecha, além de um movimento causal que leva de uma à outra.
Referência OmniIdentidade, figurino, objetos de cena e locaçãoUma função definida por imagem e os traços que precisam ser preservados na composição.
Transferência de atuaçãoUm vídeo de origem fornece apenas o movimentoO movimento específico a copiar e a instrução direta de não usar as pessoas, as roupas e o local daquele vídeo.
Transferência de vozUm arquivo de áudio fornece a vozQual personagem fala com aquela voz, que a sincronização labial deve se manter e qual é o som ambiente por baixo.
Edição pontualUm clipe serve de base principalQue o arquivo mestre é a única fonte, a lista exata de alterações e a lista do que não pode sair do lugar.

A regra por trás das seis: cada arquivo controla uma coisa, e tudo o que ele não deve controlar fica por escrito. "Use as referências" não é uma instrução, é torcida.

Fixe o que não muda antes da lista de planos

Tudo o que precisa ficar idêntico durante o clipe inteiro deve vir acima da lista de planos, em seções identificadas. Assim, a lista de planos traz apenas o que muda. Há seis pontos para fixar no topo: quantidade de pessoas, rostos, figurino, objetos de cena, vozes e posição de cada pessoa. Assim, todos os blocos herdam essas definições.

Estrutura da seção
[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.>

A posição dos personagens em cena é o que muita gente deixa passar. Definir quem fica onde e para onde cada pessoa olha é o que mantém a continuidade dos olhares quando a câmera se move.

Depois, a lista de planos. Por último, a finalização

A lista de planos segue as mesmas regras de etapas cronometradas apresentadas antes neste guia: intervalos consecutivos, sem sobreposição, cada um com um evento principal e um estado final definido. Dê a cada intervalo um enquadramento, um comportamento de câmera, uma ação, qualquer fala e o que deve estar estabelecido ao final. Para uma única ação contínua, texto corrido continua funcionando. Colchetes servem para sequências, não para enfeitar.

Depois da lista de planos, feche com as seções de acabamento. Elas descrevem o clipe inteiro, não um bloco específico. Por isso, ficam no fim, onde não podem ser interpretadas como uma etapa.

  • [ATUAÇÃO]: o comportamento observável, descrito como na seção de atuação acima.
  • [LUZ E IMAGEM]: direção da luz, contraste, paleta, aparência da lente e granulação.
  • [CÂMERA]: o único movimento que você quer, ou as restrições que mantêm o enquadramento parado.
  • [SOM DIRETO]: o som de fundo, os sons dos eventos em ordem e tudo o que está proibido.
  • [RESTRIÇÕES]: liste falhas reais, não termos genéricos de qualidade. Mudanças de identidade, trocas de figurino, pessoas extras, olhares desalinhados.
Exemplo aplicado, estrutura 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.

Revise antes de gastar créditos

  • Cada arquivo anexado tem exatamente uma função definida, e as partes que você não quer foram descartadas pelo nome?
  • Cada identidade, voz, objeto de cena e alvo de edição tem uma única fonte responsável? Com duas fontes, o modelo decide.
  • Os intervalos cronometrados são consecutivos, sem sobreposição e longos o suficiente para a ação prevista?
  • As seções de câmera, luz e atuação contradizem algo que as referências já estabelecem?
  • As instruções negativas tratam de falhas reais, em vez de palavras como "ruim" ou "baixa qualidade"?

Hoje, o PixelDojo oferece referências de imagem, então Image1 a Image9 são os identificadores que você pode anexar de fato. As funções de Video1 e Audio1 estão documentadas aqui porque o modelo as entende e porque a mesma disciplina de uma função por arquivo é o que mantém os prompts só com imagens bem amarrados.

Quadro inicial e final

Anexe um quadro inicial e o H3 cria a animação a partir dele. Anexe um quadro inicial e um final e ele preenche o movimento entre os dois. Esse é o controle mais preciso que o modelo oferece. Nesse modo, a proporção vem da imagem, então o seletor de proporção é ignorado.

Apenas frame inicial

O frame fornecido é preservado e animado: ele continua junto ao poste e vira a cabeça, enquanto a corda se move com o vento.

Frame inicial e frame final

Mesmo quadro inicial. Ele sai andando pela esquerda, e o clipe termina exatamente no quadro final fornecido, com o píer vazio e a corda enrolada incluídos.

  • Escreva o prompt como o movimento entre os dois frames, não como uma descrição de um deles. Os frames já mostram a aparência das coisas.
  • Use em transições nas quais você já conhece o início e o fim: um pôster que ganha movimento, um produto que gira até seu melhor ângulo, um personagem que sai de um cenário.
  • Quadros e imagens de referência não podem ser usados juntos. Escolha um ou outro.

Linguagem de câmera

O H3 entende o vocabulário de cinematografia e adora movimento: por conta própria, acompanha a ação com uma câmera viva, em movimento suave. Para um plano fixo, liste os movimentos que não quer e ele mantém o enquadramento firme do início ao fim.

Sem instruções de câmera

Uma câmera natural, em movimento, que acompanha o trabalho dela.

"O enquadramento nunca se move", com os movimentos nomeados

Um enquadramento fixo durante todo o clipe. Só o jardineiro e o jato de água se movem. Mesma seed da versão sem som.

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

Quando quiser movimento, escolha um e descreva o que muda na tela. "Aproxime a câmera lentamente até um close do fluxo de espresso" foi executado como escrito. Dica de profissional: combine cada termo de câmera com a mudança visual que você quer, e o H3 entrega.

Atuação e emoção

Palavras de emoção resumem uma atuação, mas não a descrevem. Escreva o que uma câmera conseguiria ver: para onde os olhos vão, o que as mãos fazem, como a respiração se comporta, o que fica parado.

"Ela parece ansiosa e nervosa"

Uma atuação genérica voltada para a câmera. O violino fica no colo dela, e a direção vira uma expressão, não um comportamento.

A mesma etapa descrita como comportamento observável

Olhar fixo no chão, dedos apertando o braço do violino, ombros erguidos. A instrução é seguida ao pé da letra e se mantém durante todo o clipe.

Modelo de atuação
<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>.

Direção de som

Todo clipe vem com uma faixa estéreo. Então, o som é algo que você dirige, não algo que apenas recebe. Nomeie os sons na ordem em que acontecem, diga o que fica ao fundo e o que não deve estar ali.

Sem direção de áudio

Uma camada sonora contínua. Medida ao longo do clipe, fica em torno de −32 dB, com pouca variação.

Sons listados em ordem, com "sem música"

A mesma imagem, mas com uma faixa de áudio construída a partir dos eventos: trechos silenciosos perto de −45 dB, com transientes chegando a −23 dB nas batidas e no resfriamento brusco.

Modelo de áudio
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.

Os níveis de áudio acompanham a cena, então cenas silenciosas saem com um silêncio natural de verdade. Nossos clipes à beira do lago e nos bastidores registraram média de cerca de −44 dB, aproximadamente 25 dB abaixo das cenas movimentadas. Ajuste o volume final na edição.

Instruções negativas

As exclusões entram no próprio prompt, em frases simples. O H3 mantém as cenas limpas por conta própria, então uma linha curta de exclusão funciona como proteção extra, não como requisito.

Com lista negativa: sem pessoas, sem pombos, sem carros, sem texto

Um terraço vazio, como pedido.

Mesma cena, mesma seed, sem lista negativa

Também um terraço vazio: o H3 manteve a cena limpa por conta própria.

O par anterior, com um barco no lago, se comportou da mesma forma. Então, a recomendação prática é mais específica do que "prompts negativos são especialmente eficazes": use-os para o que o modelo costuma acrescentar por conta própria. Nos nossos testes, isso significou texto na tela e movimento de câmera. Não conte com uma restrição para remover um sujeito que a cena sugere. Se uma pessoa não deve aparecer no plano, descreva um lugar vazio, em vez de um lugar onde essa pessoa está proibida.

Enquadramento, duração e custo

Seis proporções, renderizadas em 2K no H3: 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16. O formato vertical tem 1440 por 2560 de verdade, não é um recorte de um vídeo horizontal. Por isso, vale gerar as peças para redes sociais já no formato certo, em vez de reenquadrar depois.

9:16 em 2K, gerado na vertical

Um anúncio de produto pensado para a tela do celular: a câmera sobe, as gotas de condensação escorrem e nada é cortado de um enquadramento mais amplo.

ConfiguraçãoFaixaNotas
Duração5 a 15 segundosSegundos inteiros. O custo aumenta com a duração.
ResoluçãoH3: 2K ou 768p. H3 Max: 768p ou 480pNo H3, um quadro inicial força a saída em 2K. No H3 Max, sua escolha é mantida em todos os modos.
Créditos5 por segundo em 2K, 2,5 em 768p. H3 Max: 2,5 em 768p, 2 em 480p20 créditos por um clipe de 5 segundos em 2K, 10 no H3 Max em 768p. 60 pelos 15 segundos completos em 2K. Um vídeo de referência acrescenta 4,5 créditos por segundo de clipe, e cada imagem de referência além da quinta acrescenta 1.
Tamanho do promptAté 7.000 caracteresCabe uma lista completa de planos com design de som, com folga.
ProporçãoSeis proporçõesIgnorado no modo de primeiro quadro, em que a imagem define o formato.

No H3, toda geração sai em 2K, então um clipe descartado custa o mesmo que um aprovado. Teste o visual e o som com 5 segundos, depois rode o prompt aprovado na duração de que você precisa. O H3 Max é a opção mais barata para esses testes sempre que 768p bastar para avaliar.

H3 ou H3 Max

O H3 Max é uma variante do MiniMax H3 otimizada para desempenho, feita para ganhar velocidade. Ele entende a mesma linguagem de prompts de tudo o que vimos acima e também cria seu próprio áudio sincronizado. Aceita um quadro inicial com um quadro final opcional, gera de 5 a 15 segundos nas mesmas seis proporções e renderiza rápido por 2 créditos por segundo em 768p ou 1,5 em 480p.

MiniMax H3 em 2K, testado em 2026-08-03 a 25 créditos por 5 segundos (20 no preço atual)

Um único plano contínuo com a aproximação de câmera pedida no prompt, começando nas mãos dela e terminando no fluxo de café espresso. 2560 por 1440.

H3 Max em 768p, cerca de 24 segundos, testado em 2026-09-01 por 10 créditos (também o preço atual)

O mesmo prompt. Também manteve um plano contínuo com aproximação de câmera, começando nas mãos dela e terminando no fluxo de espresso. A diferença visível está no tamanho do frame: 1344 por 768 contra 2560 por 1440.

Imagem para vídeo no H3 Max mantém a faixa de 768p, 10 créditos

Um quadro inicial não leva o H3 Max para uma faixa de preço mais alta, como acontece no H3. Nesta geração, o modelo encenou a revelação da tampa: fechou o estojo nos primeiros dois segundos enquanto a câmera orbitava e o reabriu de outro ângulo. A geração em 480p com a mesma imagem e o mesmo prompt não encenou essa ação. Então, trate a revelação como algo que o modelo consegue fazer, não como algo que ele sempre faz.

ConfiguraçãoMiniMax H3H3 Max
Resolução2K ou 768p768p ou 480p
Créditos por segundo5 em 2K, 2,5 em 768p, mais 4,5 por segundo de vídeo de referência e 1 por imagem de referência além da quinta2,5 em 768p, 2 em 480p
5-second clip20 créditos em 2K, 12,5 em 768p10 créditos em 768p, 7,5 em 480p
Impacto do frame inicial na cobrançaExige 2K, então imagem para vídeo custa 20 créditos por 5 segundosNenhuma. A resolução escolhida é mantida
Imagens, vídeos e áudio de referênciaAté nove imagens, três vídeos e três áudiosNão compatível. Apenas quadros
Duração5 a 15 segundos inteiros5 a 15 segundos inteiros
ProporçõesSeis, de 21:9 a 9:16Seis, a mesma lista
Tempo de geração medidoCerca de 205 segundos para um clipe de imagem para vídeo de 5 segundos em 2026-08-2624 to 33 seconds across three 5-second runs on 2026-09-01

Use o H3 Max para validar um prompt antes de pagar pela geração em 2K, para clipes de redes sociais e produtos em que 768p basta e para qualquer trabalho de imagem para vídeo em que o custo do 2K pesa. Fique no MiniMax H3 quando a entrega for em 2K ou quando o plano precisar de imagens, vídeo ou áudio de referência.

Checklist antes de gerar

  • A câmera está definida? Para um enquadramento fixo, liste os movimentos que não quer.
  • Todo texto em tela está escrito exatamente como deve aparecer, com estilo e posição definidos?
  • A atuação está descrita como um comportamento visível pela câmera, em vez de uma emoção?
  • Cada bloco cronometrado traz uma mudança principal e um estado final que o espectador consegue identificar?
  • O último bloco tem espaço? Reserve mais tempo para o final.
  • Os sons estão descritos na ordem, com tudo o que você não quer descartado?
  • Se você anexou referências, os traços que precisam ser preservados também estão descritos em palavras, além de aparecerem nas imagens?
  • A duração está certa? Você paga por segundo de qualquer jeito, 5 em 2K ou 2,5 no H3 Max em 768p. Então valide o prompt primeiro com 5 segundos e considere testar no H3 Max antes de gerar em 2K.

Testado em 2026-08-03 com o modelo em produção no PixelDojo: 24 gerações, em pares equivalentes, com a mesma seed e apenas uma variável alterada. Quando uma técnica não fez diferença mensurável, este guia diz isso, em vez de só repetir a recomendação.