MiniMax H3 API-Tutorial auf Chinesisch: Text-zu-Video, Anfangs- und Endbild sowie multimodale Referenzen

MiniMax H3 ist das universelle multimodale Videogenerierungsmodell von MiniMax. Es versteht Text-, Bild-, Video- und Audiomaterial und generiert kurze Videos mit nativem Ton. Bei der Anbindung über HiAPI ist die Modell-ID fest auf minimax-h3 gesetzt; Bild-, Video- und Audiomodelle nutzen alle dieselbe asynchrone Task-Schnittstelle.

Wenn Sie nur aus einem Prompt ein kurzes Video erstellen möchten, können Sie einfach prompt übergeben. Wenn das Produktaussehen, das Markenbild oder Anfang und Ende der Kamerafahrt wichtiger sind, lohnen sich die Modi für Anfangs- und Endbild sowie multimodale Referenzen von H3 eher. Das Modell unterstützt derzeit Ausgaben von 4 bis 15 Sekunden, natives 2K sowie Bildformate wie 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16. Die konkret verfügbaren Optionen entnehmen Sie der MiniMax H3-Modellseite und der API-Parameterdokumentation.

Welche Probleme MiniMax H3 lösen kann

Es eignet sich eher für kurze Videoaufgaben, bei denen Bild, Bewegung und Tonbeziehung gleichzeitig kontrolliert werden müssen. Zum Beispiel ein Produktseiten-Video mit Kamerabewegung, die Fortführung desselben visuellen Charakters von Markenmaterial oder das Zusammenführen des Rhythmus eines Referenzvideos, des Motivs aus einem Referenzbild und einer Referenzaudiospur in eine neue Einstellung.

Für E-Commerce-, Werbe- und Produktteams liegt der Wert von H3 nicht nur darin, „ein Bild in Bewegung zu bringen“. Bei Referenzmaterialien ist es entscheidend, die unveränderlichen Inhalte klar zu beschreiben, etwa Produktform, Logo-Position, Identität des Motivs, Kamerawinkel und Licht; veränderliche Inhalte sollten separat beschrieben werden, etwa Bewegung, Hintergrund, Kameravorwärtsbewegung oder Dialog. So wissen Sie bei der späteren Abnahme, welcher Teil abgewichen ist.

Ein Modell, drei gängige Workflows

Workflow	Geeignete Szenarien	Wesentliche Eingaben
Text-zu-Video	Neue Bilder aus Skript, Storyboard oder einer Idee generieren	prompt
Steuerung über Anfangs- und Endbild	Produktzustand oder Szenenwechsel zu Beginn und Ende der Kamerafahrt steuern	first_frame_image, optional last_frame_image
Multimodales Referenzvideo	Gleichzeitig Produkt, Person, Kamerarhythmus oder Audiomaterial referenzieren	image_urls, video_urls, audio_urls

Die Steuerung über Anfangs- und Endbild sowie multimodale Referenzen sind zwei unterschiedliche Modi und können nicht in einer Anfrage gemischt werden. Bei Verwendung eines Endbilds muss gleichzeitig ein Anfangsbild bereitgestellt werden. Bei multimodalen Referenzen können maximal 5 Bilder, 3 Videos und 3 Audios übergeben werden; Audio kann nicht allein als Eingabe dienen, es muss mindestens gleichzeitig ein Referenzbild oder Referenzvideo bereitgestellt werden. Referenzvideos und -audios umfassen pro Segment 2 bis 15 Sekunden und insgesamt nicht mehr als 15 Sekunden.

Zuerst eine minimale Aufgabe mit Text-zu-Video durchlaufen lassen

Im Folgenden ein Beispiel für eine 5-sekündige Produktaufnahme im 16:9-Format. Eine erfolgreich erstellte Aufgabe bedeutet nur, dass der Server die Anfrage angenommen hat; die data.taskId in der Antwort dient zur Abfrage des weiteren Status.

curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3",
    "input": {
      "prompt": "Eine matte dunkelblaue Kaffeetasse steht auf einem hellgrauen Steintisch. Die Kamera fährt langsam aus der Halbtotalen vorwärts, Morgenlicht fällt von links ein, der Tassenkörper bleibt unbewegt, der Hintergrund ist unscharf, kein Text.",
      "duration": 5,
      "resolution": "2K",
      "aspect_ratio": "16:9",
      "watermark": false
    }
  }'

Für lokales Debugging können Sie das Ergebnis mit GET /v1/tasks/{taskId} abfragen. In der Produktionsumgebung ist es besser, auf oberster Anfrageebene callback.url zu setzen und den eigenen Dienst anhand der taskId idempotent zu verarbeiten. Erst wenn die Aufgabe einen Endzustand erreicht hat, sollte status ausgewertet werden: Bei success laden Sie output[].url herunter, bei fail korrigieren Sie die Eingabe anhand der Fehlermeldung; wiederholen Sie nicht blind dieselbe ungültige Anfrage.

Wie Referenzmaterialien sinnvoll eingesetzt werden

Anfangs- und Endbild eignen sich für Aufgaben, bei denen „die Kamera von A nach B fährt“. Zum Beispiel beginnt ein Produktlaunch-Video mit einer noch nicht eingeschalteten Tischlampe und endet in dem Zustand, in dem warmes Licht den Tisch erhellt. Das Anfangsbild fixiert dabei den Ausgangspunkt, das Endbild den Zielpunkt; der Prompt muss nur die dazwischen stattfindende Bewegung, Kameraführung und Lichtveränderung erklären.

Multimodale Referenzen eignen sich eher für durchgängige Marken- oder Rollenkontrolle. Das Produkthauptbild kann in image_urls gelegt werden, die Referenz für den Kamerarhythmus in video_urls, die Musik- oder Atmosphärenreferenz in audio_urls. Der Prompt muss die Rolle jedes Materials klar benennen, zum Beispiel: „Behalte das Aussehen der Tasche und die Position des Metallverschlusses aus dem Referenzbild bei, übernimm den seitlichen Dolly-Rhythmus des Referenzvideos und generiere ein ruhiges Produktvorführvideo.“

Häufen Sie nicht alle Materialien auf einmal hinein. Mit jeder zusätzlichen Referenz muss das Modell mehr Einschränkungen verstehen. Validieren Sie zuerst mit einem Hauptbild die Beibehaltung des Aussehens und fügen Sie dann Kamera- oder Audioreferenzen hinzu; so lassen sich Probleme leichter lokalisieren.

Welche Informationen ein Prompt enthalten sollte

Ein wiederverwendbarer Video-Prompt besteht üblicherweise aus vier Teilen: Motiv, Bewegung, Kamera sowie Ton oder Umgebung. Das Motiv sollte die unveränderlichen visuellen Informationen klar benennen, die Bewegung das stattfindende Ereignis beschreiben, die Kamera Position und Bewegung darlegen und der Ton angeben, ob Dialog, Umgebungsgeräusche oder Musikatmosphäre vorhanden sind.

Für eine Produktwerbung könnte man beispielsweise schreiben: „Behalte das weiße Kopfhörer-Etui mit orangefarbenem Gehäuse und NOMA-Markierung aus dem Referenzbild bei. Die Kamera fährt langsam aus der Halbtotalen auf dem Tisch vorwärts, das Etui öffnet sich, beide Kopfhörer bleiben an ihrem Platz. Natürliches Licht am Fenster, leise Umgebungsgeräusche, keine Voiceover, kein zusätzlicher Text.“ Das ist leichter abzunehmen als nur „mach eine schöne Kopfhörerwerbung“.

Bevor H3 in den Produktionsworkflow integriert wird

Empfohlen ist eine kleine Validierung mit drei Fällen: ein reines Text-zu-Video, eine Steuerung über Anfangs- und Endbild und ein multimodales Referenzvideo. Erfassen Sie jeweils Eingabematerialien, Ausgabedauer, Statusverlauf, Fehlermeldungen, Produkt-URL und die endgültige Abrechnung. Erst wenn die einzelnen Modi in Ihrem Produkt stabil funktionieren, sollten Sie auf Massengenerierung ausweiten.

Der Preis wird nach Ausgabesekunden und aktueller Stufe berechnet; die Seite gibt keinen festen Stückpreis an. Prüfen Sie vor dem Absenden den aktuellen Preis auf der MiniMax H3-Echtzeitmodellseite; nach dem Launch gelten die Aufgabenaufzeichnungen und die Kontob abrechnung als maßgeblich. Weitere Informationen zu asynchronen Aufgaben, Callbacks und Fehlerbehebung finden Sie im MiniMax H3-Integrations-Tutorial.

Häufige Fragen

Welche Eingaben unterstützt MiniMax H3?

Es kann allein aus Text Videos generieren oder über Anfangsbild, Anfangs- und Endbild oder Referenzbilder, -videos und -audios gesteuert werden. Die Felder für Anfangs-/Endbild und multimodale Referenzen dürfen nicht gemischt werden.

Kann MiniMax H3 Ton generieren?

MiniMax H3 unterstützt die Videogenerierung mit nativem Ton und kann im multimodalen Referenzmodus auch Audiomaterial verwenden. Audioreferenzen müssen gleichzeitig mit einem Referenzbild oder Referenzvideo kombiniert werden.

Wie lang kann ein Video maximal sein?

Die aktuelle Ausgabedauer beträgt 4 bis 15 Sekunden. Längere Videos sollten in der Regel in mehrere Einstellungen aufgeteilt und dann im eigenen Workflow geschnitten und zusammengefügt werden.

Soll ich pollen oder einen Callback verwenden?

Für lokales Debugging und niederfrequente Aufgaben ist Polling möglich. In der Produktionsumgebung empfiehlt es sich, callback.url für Endzustandsbenachrichtigungen zu verwenden und die Aufgabenabfrage als Ausgleichsmechanismus beizubehalten, falls der Callback fehlschlägt.

MiniMax H3 ansehen, API-Parameterdokumentation lesen oder API-Key erhalten.