Prompts de imagen a vídeo de MiniMax H3 Max: solución completa lista para copiar y resultados reales

MiniMax H3 Max es un modelo de vídeo que anima una imagen estática en un clip corto y genera en sincronía una pista de sonido ambiente. Le das un fotograma final, describes el movimiento de cámara, la dinámica y el sonido deseado, y renderiza un plano de 5 a 15 segundos que termina en ese fotograma. Opcionalmente también puedes aportar un fotograma inicial, y el modelo interpola entre el inicio y el final una animación de transformación determinista.

Esta guía presenta tres soluciones de prompts listas para copiar para la ruta de imagen a vídeo, cada una con su fotograma de entrada exacto, el prompt completo y el clip real que renderizamos con él: aquí no hay nada simulado. Cada prompt e imagen de abajo los escribimos y generamos en hiapi, y puedes reutilizar directamente su estructura.

Cómo funciona realmente la imagen a vídeo de MiniMax H3 Max

Es una llamada a una tarea asíncrona. Envías una solicitud POST a https://api.hiapi.ai/v1/tasks, consultas el taskId devuelto hasta que el estado pase a success y luego descargas el vídeo desde la URL de salida (ese enlace tiene caducidad, así que guarda el archivo de inmediato).

Lo que suele confundir: en la ruta de imagen a vídeo, last_frame_image es un campo obligatorio, es el plano en el que termina el clip. first_frame_image es opcional, y se fija el fotograma inicial cuando quieres controlar por completo el principio y el final. Antes de escribir el prompt, hay algunas reglas que conviene conocer:

• Las imágenes de fotograma determinan la relación de aspecto. Cuando pasas imágenes de fotograma, no envíes además aspect_ratio: la API rechaza recibir ambos a la vez. Recorta la imagen de entrada con la forma que quieras para el vídeo.
• resolution admite 480P, 768P o 1080P. duration es un número entero de segundos entre 5 y 15.
• El audio lo guía el prompt. Describe el sonido ambiente («soft rain on glass, distant city hum») y el modelo añadirá una pista que encaje; si no quieres diálogo, indica «no speech».

Un cuerpo de solicitud mínimo es el siguiente:

{
  "model": "minimax-h3-max/image-to-video",
  "input": {
    "prompt": "Slow push-in toward the sign; neon reflections ripple on wet pavement. Ambient rain, no speech.",
    "last_frame_image": "https://your-cdn.example.com/ending-frame.jpg",
    "resolution": "480P",
    "duration": 5
  }
}

Cuando también quieras controlar el plano de apertura, añade "first_frame_image": "https://.../start.jpg" (solución 3). Todo lo demás que sigue trata de cómo redactar el prompt para que el movimiento, la composición y el sonido realmente se lean.

Solución 1 — Revelación cinematográfica a partir de un único fotograma principal

Úsala cuando tengas un «fotograma clave» y quieras que la cámara llegue hasta él. Solo aportas el fotograma final y dejas que el prompt orqueste el movimiento que conduce hacia él.

Fotograma de entrada (como last_frame_image):

Clip renderizado (768P, 5 segundos):

Prompt (listo para copiar):

Empieza a baja altura, a unos centímetros por encima de un estanque negro como un espejo, y luego desliza hacia delante y asciende con un lento y amplio movimiento envolvente de revelación: hora azul, un pabellón de cristal suspendido sobre un mar embravecido. Una escultura de cristal en movimiento se despliega en una suave espiral, refractando una cálida luz ámbar a través de una bruma cian fría; la lluvia deja estrías en el cristal y relámpagos lejanos parpadean en el horizonte. Reflejos y refracciones físicamente precisos, luz volumétrica, movimiento natural contenido, geometría estable, coherencia temporal impecable, acabado comercial de gama alta, grano de película sutil, sin personas, sin logotipos, sin texto, sin cortes, sin parpadeos. Sonido ambiente: retumbar grave del oleaje, lluvia golpeando suavemente el cristal, una leve resonancia del cristal, sin diálogo.

Por qué funciona:

• Una descripción de plano continua en una sola frase. «Empieza a baja altura… desliza hacia delante… asciende con un lento y amplio movimiento envolvente de revelación» da al modelo una trayectoria única y clara en lugar de movimientos que compiten entre sí.
• El fotograma final es el ancla, así que el prompt solo describe el trayecto hasta él: la escultura puede «desplegarse», y eso es justo lo que genera movimiento visible entre el estado inicial que inventa el modelo y el fotograma que aportas.
• Una lista de negativos compacta («sin cortes, sin parpadeos, sin texto») evita que el acabado de lujo a 768P degenere en un montaje.
• Renderizado a 768P, porque es el plano principal; la portada de este artículo es precisamente un fotograma extraído de él.

Solución 2 — Travelling atmosférico con sonido ambiente

La solución de uso diario: un lento travelling que da vida a una escena estática, donde la pista de audio importa tanto como el movimiento. También basta con un fotograma final.

Fotograma de entrada (como last_frame_image):

Clip renderizado (480P, 5 segundos):

Prompt (listo para copiar):

Medianoche, un travelling lento y estable avanza por un callejón de neón empapado de lluvia, los charcos bajo los pies forman ondas, la cámara se desliza suavemente hacia un letrero de una tienda de ramen que brilla en turquesa y magenta. El vapor se enrosca desde las rejillas de la calle, los farolillos de papel se mecen apenas, los reflejos de neón parpadean sobre el pavimento mojado. Etalonaje cinematográfico cian y naranja, poca profundidad de campo, ligera neblina, textura realista de 35 mm, movimiento contenido, geometría estable, sin personas, sin texto legible, sin cortes. Sonido ambiente: lluvia constante, zumbido urbano lejano, un leve siseo de vapor, sin diálogo.

Por qué funciona:

• Un movimiento lento + muchos movimientos minúsculos. La cámara hace una sola cosa (avanzar), mientras los charcos que se ondulan, el vapor que se enrosca y los farolillos que se mecen aportan micro-movimiento y crean realismo sin que la imagen se vaya a la deriva.
• La descripción de audio sí marca la diferencia. «Lluvia constante, zumbido urbano lejano, un leve siseo de vapor» es justo lo que convierte una calle mojada renderizada en un lugar. Es la mayor mejora respecto a los modelos de imagen.
• 480P es el valor por defecto adecuado al iterar: a $0.072/segundo, una prueba de 5 segundos cuesta unos 36 centavos, así que puedes ajustar la redacción a bajo coste antes de decidir renderizar el resultado final en 768P o 1080P.

Solución 3 — Interpolación de primer y último fotograma (control distintivo)

Aquí es donde H3 Max se distingue de los modelos de «anima mi foto»: dale a la vez el primer y el último fotograma, y renderizará entre ambos una transformación controlada. Ideal para transformaciones de antes y después que necesitan un inicio y un final precisos.

Generamos el fotograma de apertura y luego editamos ese mismo fotograma hasta su estado «después», manteniendo la composición, la luz y el fondo exactamente iguales: lo único que cambia es el sujeto.

Primer fotograma (first_frame_image) → último fotograma (last_frame_image):

Clip renderizado (480P, 5 segundos):

Prompt (listo para copiar):

Macro time-lapse de una magnolia abriéndose al amanecer: los pétalos cubiertos de rocío se despliegan lentamente desde un capullo apretado hasta una flor completamente abierta, revelando el centro pálido de los estambres, una suave luz de contorno matinal calienta toda la escena, la rama se mece casi imperceptiblemente con la brisa. Mantén la misma composición y el mismo fondo durante todo el clip, detalle botánico realista, movimiento fluido y continuo, enfoque estable, sin personas, sin texto, sin cortes. Sonido ambiente: suave canto de pájaros al amanecer, brisa entre las hojas, sin diálogo.

Por qué funciona:

• Dos fotogramas = extremos deterministas. No tienes que confiar en que el modelo acabe en un sitio razonable: le has dicho exactamente dónde empieza y dónde termina. El prompt solo describe cómo recorrer el trayecto entre ambos («desplegarse lentamente… movimiento fluido y continuo»).
• Coherencia entre fotogramas. Como nuestro último fotograma es una edición del primero (misma rama, ángulo y luz), la interpolación parece una flor que se abre, no un corte entre dos fotos. Fotogramas que no encajan producen transformaciones chirriantes.
• «Mantén la misma composición y el mismo fondo durante todo el clip» indica al modelo que lo único que puede cambiar es la flor, lo que evita que la cámara se desvíe.

Puntos clave para afinar

• Escribe un plano, no un pie de foto. Describe en orden el movimiento de cámara, el movimiento del sujeto, la luz y el sonido. Un pie de foto («una flor que se abre») no da al modelo nada que pueda animar.
• Presupuesta según la resolución e itera a 480P. La redacción de un prompt rara vez necesita más de 480P para evaluarse; cuando fijes la redacción, vuelve a renderizar el resultado final en 768P o 1080P.
• Mantén la duración en 5 segundos mientras ajustas. Los clips más largos cuestan más de forma lineal y dan más margen al movimiento para desviarse. Amplía a 10–15 segundos solo cuando el movimiento y el audio se lean correctamente.
• No te pelees con la relación de aspecto. Recorta el fotograma de entrada a 16:9, 9:16 o 1:1 antes de subirlo; el clip hereda esa forma, y enviar aspect_ratio junto con las imágenes de fotograma da error.
• Los prompts negativos importan para el refinamiento. «Sin cortes, sin parpadeos, sin texto, sin personas» elimina de forma fiable los artefactos que hacen que un vídeo de IA parezca de IA.

Precio

La imagen a vídeo de MiniMax H3 Max se factura por los segundos de vídeo solicitados, con distinción por resolución (a fecha de 2026-10):

Resolución	Precio por segundo	Clip de 5 segundos
480P	$0.072	$0.36
768P	$0.115	$0.575
1080P	$0.229	$1.145

Así que los tres clips de esta guía (uno a 768P y dos a 480P, todos de 5 segundos) suman aproximadamente $1.30 de coste de vídeo. Antes de presupuestar en lote, consulta las cifras en tiempo real en la página de precios de hiapi; la tarifa por segundo es la cifra que cambia.

Preguntas frecuentes

¿Tengo que aportar ambos fotogramas? No. En la ruta de imagen a vídeo, last_frame_image es obligatorio y first_frame_image es opcional. Usar solo el último fotograma (soluciones 1 y 2) encaja para «llegar a este plano», mientras que para una transformación controlada de principio a fin (solución 3) se usan los dos fotogramas.

¿Qué resoluciones y duraciones se admiten? resolution es 480P, 768P o 1080P; duration es un número entero de segundos entre 5 y 15.

¿Genera sonido? Sí: describe el sonido ambiente en el prompt y el modelo añadirá una pista que encaje. Añade «no speech» para mantenerlo sin diálogo. Los tres clips de aquí llevan su propia pista de sonido ambiente.

¿Cómo se ajusta la relación de aspecto? La determinan las imágenes de fotograma. Recorta el fotograma con la forma que quieras; no envíes el campo aspect_ratio junto con las imágenes de fotograma.

Solo quiero texto a vídeo, sin pasar imágenes de entrada. Usa entonces la ruta de texto a vídeo de MiniMax H3 Max: la misma disciplina de prompt, sin fotogramas. Si estás comparando H3 Max con otras API de vídeo, nuestra comparativa de Seedance 2.5 y 2.0 explica cómo elegir un modelo de vídeo facturado por segundo.

Empieza a generar

Toma un fotograma principal, descríbelo como un plano con movimiento de cámara y descripción de audio, y envíalo a la API de imagen a vídeo de MiniMax H3 Max. Empieza a ajustar la redacción en 480P y luego vuelve a renderizar tu resultado final a mayor resolución. Los detalles completos de solicitud y sondeo están en la documentación de hiapi.