MiniMax H3 Kurzvideo-Praxisleitfaden: hiapi API Einstiegstutorial

MiniMax H3 ist das native 2K-Multimodal-Videomodell von hiapi. Der für Kurzvideo-Inhalte – TikTok, Reels, Shorts – entscheidende Punkt ist, dass es vertikales 9:16 direkt rendern kann, ganz ohne Tricks gegen schwarze Balken. Wir haben über die MiniMax H3-Modellseite auf hiapi eine echte Text-zu-Video-Generierung durchgeführt, die tatsächliche Ausgabe unten eingebettet und den von uns verwendeten Original-Prompt sowie eine praktische Aufschlüsselung der drei Generierungsmodi beigefügt.

Überblick

• MiniMax H3 generiert nativ in 2K und liefert direkt saubere vertikale 9:16-Bilder – für TikTok/Reels/Shorts ohne Zuschneiden oder Hochskalieren.
• Es unterstützt drei Generierungsmodi: Text-zu-Video, Bild-zu-Video (mit Steuerung von erstem/letztem Frame) sowie referenzgesteuerte Generierung auf Basis von Bildern, Videos oder Audio.
• Die Clipdauer liegt zwischen 4 und 15 Sekunden, der Preis beträgt $0,1189/Sekunde – ein 4-Sekunden-Clip kostet etwa $0,48, ein 15-Sekunden-Clip etwa $1,78.
• Konkrete, physikalische Prompt-Sprache (Materialien, Lichtrichtung, Kamera-Bildausschnitt) führte in unseren Tests zu sauberen, modellkonformen Ergebnissen – vage Prompts sind die häufigste Ursache für abweichende oder generisch wirkende Ausgaben.
• Alle Anfragen laufen über den einheitlichen asynchronen Task-Endpunkt von hiapi, konsistent mit dem Submit-Poll-Muster, das jedes Videomodell der Plattform verwendet.

Was MiniMax H3 genau ist

MiniMax H3 ist ein natives 2K-Multimodal-Videomodell, das Text-zu-Video, Bild-zu-Video-Steuerung über ersten/letzten Frame sowie referenzgesteuerte Generierung auf Basis von Bildern, Videos und Audio unterstützt, mit Clipdauern von 4 bis 15 Sekunden. Speziell für Kurzvideo-Inhalte ist die Bedeutung der nativen 2K-Ausgabe größer, als es oberflächlich scheint: Die meisten vertikalen Social-Formate sind auf etwa 1080×1920 begrenzt, daher gibt dir 2K-Quellmaterial Spielraum, um Thumbnails herauszuschneiden oder einen etwas engeren Neuzuschnitt vorzunehmen, ohne sichtbaren Qualitätsverlust – du skalierst herunter, nicht hoch.

Text-zu-Video: ein echter Clip aus einem echten Prompt

Wir haben diesen Clip direkt aus einem Text-Prompt generiert, ohne Referenzbild oder -video. Mit diesem Prompt generieren → Wähle im Playground 2K und 9:16. Hier ist die tatsächliche Ausgabe:

Prompt:

Die Hand eines Baristas gießt aufgeschäumte Milch aus einem Edelstahl-Milchkännchen in eine schwarze Espressotasse, die leicht schräg auf einer hellgrauen Marmorarbeitsplatte steht. Der Milchstrahl beruhigt sich und entfaltet sich gegen Ende des Gießens zu einem vollständigen Rosetta-(Farnblatt-)Latte-Art-Muster. Warmes, gerichtetes Seitenlicht streift über Tasse und Milchkännchen. Vertikale 9:16-Bildkomposition, Makro-Nahaufnahme, geringe Schärfentiefe, keine Kamerabewegung, kein Text, keine Logos, keine zusätzlichen Hände oder Objekte, die ins Bild gelangen.

Mit diesem Prompt generieren → Wähle 2K und 9:16.

Genau das ist die Art von Aufnahme, die für Kurzvideo geeignet ist: eine einzige, physikalisch greifbare Aktion (ein Gießen, eine Enthüllung, eine Verwandlung), nah und vertikal gefilmt, mit ausreichend konkreten Details – das Material des Milchkännchens, die Lichtrichtung, das exakt entstehende Muster – sodass dem Modell kaum Raum zum Raten bleibt. Selbst wenn du eine statische Aufnahme möchtest, lohnt es sich, das Kameroverhalten explizit anzugeben (wir haben „keine Kamerabewegung“ gefordert); sonst fügt das Modell manchmal langsame, ungewollte Drift hinzu. Weitere Aufnahmeideen findest du in unserem MiniMax H3-Prompt-Leitfaden.

Bild-zu-Video: mit einem festgelegten Frame beginnen

Der Bild-zu-Video-Modus von MiniMax H3 nimmt das Eröffnungsbild über first_frame_image entgegen; durch Hinzufügen von last_frame_image lässt sich die Endkomposition steuern. Der letzte Frame setzt den ersten Frame voraus, und diese Felder können nicht mit image_urls, video_urls oder audio_urls kombiniert werden. Das Eingabebild bestimmt das Seitenverhältnis des Videos. Wenn der Eröffnungsframe der Hook ist – eine Produktnahaufnahme, ein Gesicht, eine bestimmte Verpackung – und du möchtest, dass das Video genau mit dieser Komposition beginnt, statt dass das Modell sie aus einer Textbeschreibung interpretiert, ist dies die bessere Wahl für Kurzvideo-Arbeit. Text-zu-Video eignet sich besser für schnelles Iterieren der Formulierung; sobald du das Standbild festgelegt hast, mit dem der Clip beginnen soll, solltest du Bild-zu-Video verwenden.

Referenzgesteuerte Generierung: Bilder, Videos und Audio im Zusammenspiel

Der dritte Modus ist die referenzgesteuerte Generierung: MiniMax H3 kann über image_urls Hinweise aus Referenzbildern, über video_urls aus Videos und über audio_urls aus Audio beziehen – statt ausschließlich aus einem Text-Prompt zu generieren. In der Praxis ist dies der Modus, den du verwenden solltest, wenn du bereits Material hast, dessen visuellen Stil, Bewegung oder Rhythmus du in einen neuen Clip übertragen möchtest: ein neues Motiv an das bestehende Brand-Erscheinungsbild anpassen oder den Rhythmus des generierten Clips mit einer vorhandenen Tonspur für den Kurzvideo-Schnitt synchronisieren. Audio-Referenzen benötigen mindestens ein Referenzbild oder -video. Die Limits liegen bei 5 Bildern, 3 Videos (je 2–15 Sekunden, insgesamt 15 Sekunden) und 3 Audioabschnitten (insgesamt 15 Sekunden). Dies ist ein aufwendigerer, planvollerer Workflow als Text-zu-Video, daher lohnt es sich, die Aufnahme zunächst mit reinen Text-Prompts zu prototypisieren und erst dann zur referenzgesteuerten Generierung zu wechseln, wenn du weißt, was du angleichen möchtest.

Wie Anfragen funktionieren

Jedes Videomodell auf hiapi, einschließlich MiniMax H3, folgt demselben asynchronen Task-Ablauf: Du sendest eine Generierungsanfrage und erhältst eine Task-ID zurück, dann pollst du den Task, bis er success oder fail erreicht. Bei success wählst du in data.output den Eintrag mit type: "video" aus und lädst dessen URL herunter; bei fail prüfst du den zurückgegebenen Fehler. Es gibt keine dauerhaften Verbindungen zu verwalten und kein modellspezifisches Anfrageformat, das neu erlernt werden müsste – dasselbe Submit-Poll-Muster aus der HiAPI-Dokumentation für asynchrone Tasks deckt jedes Modell der Plattform ab, sodass der Wechsel von einem Videomodell zu einem anderen nur das Ändern des Modellnamens und seiner Eingabefelder erfordert, ohne die Integration neu aufzubauen.

Preise und Budgetierung für Kurzvideo-Batches

MiniMax H3 wird pro Ausgabesekunde mit $0,1189 abgerechnet (siehe HiAPI-Preisseite), mit Clipdauern von 4 bis 15 Sekunden. Damit ergibt sich pro Einzelclip ungefähr:

• 4 Sekunden: ca. $0,48
• 8 Sekunden: ca. $0,95
• 15 Sekunden: ca. $1,78

Für Kurzvideo-Inhalte gibt dir der Ansatz „kurz drehen, zusammenschneiden“ mehr Schnittpunkte und ermöglicht es dir, eine einzelne Aufnahme neu zu generieren, ohne die gesamte Sequenz zu ersetzen. Die Kosten hängen von der insgesamt generierten Sekundenzahl ab: Kürzere Aufnahmen sparen nur dann Geld, wenn die Gesamtdauer geringer ist. Kalkuliere jeden erfolgreichen Kandidatenclip ins Budget ein, einschließlich der Aufnahmen, die du später verwirfst.

Häufig gestellte Fragen

Gibt MiniMax H3 echtes vertikales Video aus, oder muss man für TikTok/Reels zuschneiden? Es rendert nativ in 2K und akzeptiert das 9:16-Seitenverhältnis direkt – der obige Clip wurde von Anfang an vertikal generiert, ein Zuschneiden oder Neuzuschneiden für Kurzvideo-Plattformen ist nicht nötig.

Wie lang können MiniMax H3-Clips sein? Pro Generierung 4 bis 15 Sekunden. Für Kurzvideo-Inhalte liefert das Aneinanderfügen mehrerer kürzerer Clips (je 4–6 Sekunden) oft ansehnlichere Ergebnisse als das Rendern einer einzigen langen Einstellung.

Kann ich mein eigenes Bild verwenden, um ein MiniMax H3-Video zu starten? Ja – übergib das Eröffnungsbild über first_frame_image und optional zusätzlich last_frame_image. Der letzte Frame setzt den ersten Frame voraus. Verwende diese getrennt von den Referenzfeldern image_urls, video_urls und audio_urls.

Worin unterscheiden sich Bild-zu-Video und referenzgesteuerte Generierung bei MiniMax H3? Bild-zu-Video legt den Start- (und optional End-)Frame über ein Standbild fest. Die referenzgesteuerte Generierung nutzt image_urls, video_urls und audio_urls, um Stil, Bewegung oder Rhythmus zu steuern; Audio benötigt begleitende Bilder oder Videos – nützlich, wenn du einen neuen Clip an vorhandenes Material angleichen möchtest, statt von einem leeren Frame zu starten.

Was kostet ein typischer Kurzvideo-Clip? Bei $0,1189/Sekunde kostet ein 4-Sekunden-Clip etwa $0,48, ein 8-Sekunden-Clip etwa $0,95 (siehe HiAPI Live-Preisseite). Vergleiche die Gesamtsekundenzahl aller erfolgreichen Clips, einschließlich neu generierter Aufnahmen; allein das Aufteilen einer Sequenz senkt ihren Preis nicht.

Ist MiniMax H3 geeignet, wenn ich bereits ein anderes hiapi-Videomodell (etwa Hailuo) für Kurzvideo-Clips verwende? Siehe unseren Vergleich von MiniMax H3, Seedance 2.0 und Hailuo 2.3 und wähle anhand des Modus, den deine Aufnahme benötigt: reines Text-zu-Video, Frame-Steuerung oder multimodale Referenzen.

Die wichtigsten Punkte

• MiniMax H3 rendert nativ in 2K vertikal, sodass Kurzvideo-Clips für TikTok/Reels/Shorts ohne Zuschneiden oder Hochskalieren auskommen.
• Konkrete, physikalische Prompts (Materialien, Lichtrichtung, explizites Kameroverhalten) lieferten in unseren echten Tests saubere Ergebnisse – vage Prompts lassen dem Modell zu viel Spielraum zum Raten.
• Nutze Text-zu-Video für schnelles Iterieren von Ideen, Bild-zu-Video, wenn der Eröffnungsframe im Voraus festgelegt ist, und referenzgesteuerte Generierung, wenn du vorhandenes Bild-, Video- oder Audiomaterial angleichen möchtest.
• Abgerechnet wird mit $0,1189/Sekunde im Bereich von 4–15 Sekunden; budgetiere nach der Gesamtsekundenzahl erfolgreicher Kandidatenclips; kürzere Aufnahmen erleichtern selektives Neugenerieren.
• Alle Anfragen folgen demselben Task-Submit-Poll-Ablauf wie jedes andere Videomodell auf hiapi, daher erfordert das Testen von MiniMax H3 zusammen mit Modellen wie Hailuo 2.3 keine separate Integrationsarbeit.

Mit diesem Prompt generieren → Starte mit der Latte-Art-Aufnahme in 2K, 9:16.