Guía práctica de vídeo corto con MiniMax H3: tutorial de inicio con la API de hiapi

MiniMax H3 es el modelo de vídeo multimodal nativo en 2K de hiapi, y lo más importante para el contenido de vídeo corto —TikTok, Reels, Shorts— es que puede renderizar directamente en vertical 9:16, sin necesidad de ningún truco para eliminar bordes negros. Ejecutamos una generación real de texto a vídeo a través de la página del modelo MiniMax H3 en hiapi, e insertamos el resultado real más abajo, junto con el prompt original que usamos y un desglose práctico de sus tres modos de generación.

Resumen

• MiniMax H3 genera de forma nativa en 2K y ofrece directamente una imagen vertical 9:16 limpia: para publicar en TikTok/Reels/Shorts no hace falta recortar ni ampliar.
• Admite tres modos de generación: texto a vídeo, imagen a vídeo (con control de fotograma inicial/final) y generación guiada por referencias de imagen, vídeo o audio.
• Los clips duran de 4 a 15 segundos, a un precio de $0.1189/segundo: un clip de 4 segundos cuesta unos $0.48 y uno de 15 segundos, unos $1.78.
• Un lenguaje de prompt concreto y físico (materiales, dirección de la luz, encuadre de cámara) produjo resultados limpios y ajustados a lo esperado en nuestras pruebas: los prompts vagos son la causa más común de que la salida se desvíe o parezca genérica.
• Todas las solicitudes pasan por el endpoint unificado de tareas asíncronas de hiapi, con la misma forma de envío y sondeo que usa cada modelo de vídeo de la plataforma.

Qué es exactamente MiniMax H3

MiniMax H3 es un modelo de vídeo multimodal nativo en 2K que admite texto a vídeo, control de imagen a vídeo con fotograma inicial/final, y generación guiada por referencias de imagen, vídeo y audio, con clips de 4 a 15 segundos. En lo que respecta al contenido de vídeo corto, la importancia de la salida nativa en 2K es mayor de lo que parece a simple vista: la mayoría de los formatos sociales verticales tienen un límite de unos 1080×1920, así que un material fuente en 2K te da margen para recortar miniaturas o hacer un reencuadre algo más cerrado sin una pérdida visible de calidad: estás reduciendo la resolución, no ampliándola.

Texto a vídeo: un clip real generado con un prompt real

Generamos este clip directamente con un prompt de texto, sin usar imágenes ni vídeos de referencia.Generar con este prompt → Selecciona 2K y 9:16 en el Playground. Esta es la salida real:

Prompt:

La mano de un barista vierte leche vaporizada desde una jarra de acero inoxidable en una taza de espresso negra sostenida en un ligero ángulo sobre una encimera de mármol gris claro. El chorro de leche se asienta y florece en un patrón completo de latte art tipo rosetta (hoja de helecho) al final del vertido. Una luz lateral cálida y direccional barre la taza y la jarra. Encuadre vertical 9:16, perspectiva macro de primer plano, profundidad de campo reducida, sin movimiento de cámara, sin texto, sin logotipos, sin manos ni objetos adicionales que entren en el encuadre.

Generar con este prompt → Selecciona 2K y 9:16.

Este es justo el tipo de plano que funciona para vídeo corto: una acción única y con textura física (un vertido, una revelación, una transformación), filmada en primer plano y en vertical, y con detalles lo bastante concretos —el material de la jarra, la dirección de la luz, el patrón exacto que se forma— como para que el modelo apenas tenga que adivinar. Incluso si quieres un plano estático, merece la pena especificar explícitamente el comportamiento de la cámara (pedimos "sin movimiento de cámara"); de lo contrario, el modelo a veces añade una deriva lenta no solicitada. Para más ideas de planos, consulta nuestra guía de prompts de MiniMax H3.

Imagen a vídeo: empezar desde un fotograma fijado

El modo imagen a vídeo de MiniMax H3 recibe una imagen de apertura mediante first_frame_image; añadir last_frame_image permite guiar la composición final. El fotograma final requiere el fotograma inicial, y estos campos no pueden combinarse con image_urls, video_urls ni audio_urls. El fotograma de entrada determina la relación de aspecto del vídeo. Cuando el fotograma de apertura es el gancho —un primer plano de producto, un rostro, un envase concreto— y necesitas que el vídeo empiece exactamente con esa composición, en lugar de dejar que el modelo la interprete a partir de una descripción textual, esta es la opción superior para el trabajo de vídeo corto. El texto a vídeo es mejor para iterar rápidamente la redacción; una vez que has fijado la imagen estática con la que quieres que abra el clip, toca usar imagen a vídeo.

Generación guiada por referencias: imágenes, vídeo y audio en conjunto

El tercer modo es la generación guiada por referencias, en la que MiniMax H3 puede tomar indicaciones de imágenes de referencia mediante image_urls, de vídeos mediante video_urls y de audio mediante audio_urls, en lugar de generar solo a partir de un prompt de texto. En la práctica, este es el modo que debes usar cuando ya tienes material cuyo estilo visual, movimiento o ritmo quieres trasladar a un nuevo clip: hacer que un sujeto nuevo coincida con la apariencia de marca existente, o sincronizar el ritmo del clip generado con una pista de audio existente para un montaje de vídeo corto. La referencia de audio requiere al menos una imagen o un vídeo de referencia. El límite es de 5 imágenes, 3 vídeos (de 2 a 15 segundos cada uno, 15 segundos en total) y 3 fragmentos de audio (15 segundos en total). Es un flujo de trabajo más pesado y planificado que el texto a vídeo, así que conviene prototipar el plano primero con un prompt de solo texto y pasarse a la generación guiada por referencias cuando ya sepas qué hay que igualar.

Cómo funcionan las solicitudes

Todos los modelos de vídeo de hiapi, incluido MiniMax H3, siguen el mismo flujo de tareas asíncronas: envías la solicitud de generación y recibes un ID de tarea, y luego sondeas esa tarea hasta que alcanza success o fail. En success, selecciona el elemento con type: "video" en data.output y descarga su URL; en fail, revisa el error devuelto. No hay conexiones persistentes que gestionar ni formas de solicitud específicas de cada modelo que volver a aprender: el mismo patrón de envío y sondeo de la documentación de tareas asíncronas de HiAPI cubre todos los modelos de la plataforma, así que cambiar de un modelo de vídeo a otro solo requiere cambiar el nombre del modelo y sus campos de entrada, sin rehacer la integración.

Precios y presupuesto para lotes de vídeo corto

MiniMax H3 se factura a $0.1189 por segundo de salida (consulta la página de precios de HiAPI), con clips de 4 a 15 segundos. Así, un solo clip cuesta aproximadamente:

• 4 segundos: unos $0.48
• 8 segundos: unos $0.95
• 15 segundos: unos $1.78

Para el contenido de vídeo corto, el enfoque de "rodar en corto y montar" te da más puntos de corte y te permite regenerar un plano concreto sin sustituir toda la secuencia. El costo depende del total de segundos generados: los planos más cortos solo ahorran dinero si la duración total es menor. En el presupuesto hay que contar cada clip candidato exitoso, incluidos los planos que luego descartes.

Preguntas frecuentes

¿MiniMax H3 genera vídeo verdaderamente vertical o hay que recortarlo para TikTok/Reels? Renderiza de forma nativa en 2K y acepta directamente la relación de aspecto 9:16: el clip de arriba se generó en vertical desde el principio, sin necesidad de recorte ni reencuadre para las plataformas de vídeo corto.

¿Cuánto puede durar un clip de MiniMax H3? De 4 a 15 segundos por generación. Para el contenido de vídeo corto, unir varios clips más cortos (de 4 a 6 segundos cada uno) suele dar resultados más llevaderos que renderizar un único plano largo de una vez.

¿Puedo iniciar un vídeo de MiniMax H3 con mis propias imágenes? Sí: pasa la imagen de apertura mediante first_frame_image y, opcionalmente, añade last_frame_image. El fotograma final requiere el fotograma inicial. Usa estos campos por separado de los campos de referencia image_urls, video_urls y audio_urls.

En MiniMax H3, ¿cuál es la diferencia entre imagen a vídeo y generación guiada por referencias? Imagen a vídeo fija los fotogramas inicial (y opcionalmente final) a partir de una imagen estática. La generación guiada por referencias usa image_urls, video_urls y audio_urls para guiar el estilo, el movimiento o el ritmo; el audio necesita ir acompañado de imagen o vídeo, lo cual resulta útil cuando estás haciendo coincidir un nuevo clip con material existente en lugar de partir de un fotograma en blanco.

¿Cuánto cuesta un clip típico de vídeo corto? A $0.1189/segundo, un clip de 4 segundos cuesta unos $0.48 y uno de 8 segundos, unos $0.95 (consulta la página de precios en tiempo real de HiAPI). Compara el total de segundos de todos los clips exitosos, incluidos los regenerados; dividir la secuencia por sí solo no reduce su precio.

Si ya uso otro modelo de vídeo de hiapi (por ejemplo, Hailuo) para clips de vídeo corto, ¿me conviene MiniMax H3? Consulta nuestra comparativa entre MiniMax H3, Seedance 2.0 y Hailuo 2.3 y elige según el modo que requiera tu plano: texto a vídeo puro, control de fotogramas o referencia multimodal.

Puntos clave

• MiniMax H3 renderiza de forma nativa en vertical 2K, así que los clips de vídeo corto para TikTok/Reels/Shorts no necesitan recorte ni ampliación.
• Los prompts concretos y físicos (materiales, dirección de la luz, comportamiento de cámara explícito) dieron resultados limpios en nuestra prueba real: los prompts vagos dejan demasiado a la adivinación del modelo.
• Usa texto a vídeo para iterar ideas rápidamente, imagen a vídeo cuando el fotograma de apertura esté fijado de antemano, y generación guiada por referencias cuando estés igualando material existente de imagen, vídeo o audio.
• La facturación es de $0.1189/segundo en el tramo de 4 a 15 segundos; presupuesta según el total de segundos de los clips candidatos exitosos, y los planos más cortos facilitan la regeneración selectiva.
• Todas las solicitudes siguen el mismo flujo de envío y sondeo de tareas que el resto de los modelos de vídeo de hiapi, así que probar MiniMax H3 junto con modelos como Hailuo 2.3 no requiere trabajo de integración aparte.

Generar con este prompt → Empieza con el plano de latte art en 2K y 9:16.