Tutoriel API MiniMax H3 en chinois : génération de vidéo à partir de texte, première et dernière images et référence multimodale

MiniMax H3 est le modèle généraliste de génération vidéo multimodale de MiniMax. Il comprend les matériaux textuels, image, vidéo et audio, et génère de courtes vidéos avec son natif. Lors de l'intégration via HiAPI, l'ID du modèle est fixé à minimax-h3, et les modèles d'image, de vidéo et d'audio passent tous par la même interface de tâches asynchrones.

Si vous voulez simplement créer une courte vidéo à partir d'une seule invite, vous pouvez ne transmettre que prompt. Si l'apparence du produit, l'image de marque ou le début et la fin du plan sont plus importants, les modes première et dernière images et référence multimodale de H3 méritent davantage d'être utilisés. Le modèle prend actuellement en charge des sorties de 4 à 15 secondes, la 2K native, ainsi que des formats d'image tels que 21:9, 16:9, 4:3, 1:1, 3:4, 9:16, etc. Les options réellement disponibles sont celles indiquées sur la page du modèle MiniMax H3 et dans la documentation des paramètres de l'API.

Quels problèmes MiniMax H3 permet-il de résoudre

Il convient plutôt aux tâches de courtes vidéos nécessitant de contrôler simultanément les relations entre l'image, les mouvements et le son. Par exemple, réaliser une vidéo de présentation avec mouvement de caméra pour une page produit, prolonger la même identité visuelle pour des matériaux de marque, ou intégrer ensemble le rythme d'une vidéo de référence, le sujet d'une image de référence et l'audio de référence dans un nouveau plan.

Pour les équipes e-commerce, publicité et produit, la valeur de H3 ne se limite pas à « faire bouger une image ». Lorsqu'il y a des matériaux de référence, l'essentiel est de décrire clairement ce qui ne doit pas changer, par exemple la forme du produit, la position du Logo, l'identité du sujet, l'angle de caméra et la lumière ; et de décrire séparément ce qui doit changer, par exemple les actions, l'arrière-plan, l'avancement de la caméra ou les dialogues. Ainsi, lors de la validation ultérieure, on saura quelle partie a dévié.

Un modèle, trois workflows courants

Workflow	Scénarios adaptés	Entrées clés
Génération de vidéo à partir de texte	Générer une nouvelle image à partir d'un script, d'un storyboard ou d'une idée	prompt
Contrôle par première et dernière images	Contrôler l'état du produit ou l'évolution de la scène au début et à la fin du plan	first_frame_image, facultatif last_frame_image
Vidéo avec référence multimodale	Référencer simultanément un produit, un personnage, le rythme du plan ou un matériau audio	image_urls, video_urls, audio_urls

Le contrôle par première et dernière images et la référence multimodale sont deux modes différents qui ne peuvent pas être mélangés dans une même requête. Lorsque vous utilisez la dernière image, vous devez fournir en même temps la première image. La référence multimodale permet de transmettre au maximum 5 images, 3 vidéos et 3 audios ; l'audio ne peut pas être utilisé seul comme entrée, il faut fournir au moins en même temps une image ou une vidéo de référence. Les vidéos et audios de référence durent chacun de 2 à 15 secondes, pour un total ne dépassant pas 15 secondes.

Commencer par faire fonctionner une tâche minimale en génération de vidéo à partir de texte

Voici un exemple de plan produit de 5 secondes en 16:9. La création réussie d'une tâche signifie seulement que le serveur a reçu la requête ; le data.taskId de la réponse sert à interroger l'état ultérieur.

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": "Une tasse à café bleu foncé mat posée sur une table en pierre gris clair. La caméra avance lentement depuis un plan moyen, la lumière du matin entre par la gauche, le corps de la tasse reste immobile, l'arrière-plan est flou, sans texte.",
      "duration": 5,
      "resolution": "2K",
      "aspect_ratio": "16:9",
      "watermark": false
    }
  }'

Pour le débogage local, vous pouvez interroger le résultat avec GET /v1/tasks/{taskId}. En production, il est préférable de définir callback.url au niveau supérieur de la requête et de faire en sorte que votre service traite de manière idempotente selon taskId. Attendez que la tâche atteigne un état final avant de juger status : en cas de success, téléchargez output[].url ; en cas de fail, corrigez l'entrée selon le message d'erreur, et ne rejouez pas aveuglément la même requête invalide.

Comment utiliser les matériaux de référence de manière pertinente

Les première et dernière images conviennent aux tâches du type « la caméra va de A à B ». Par exemple, une vidéo de lancement de produit qui commence par une lampe de bureau éteinte et se termine sur un état où une lumière chaude éclaire le bureau. Ici, la première image verrouille le point de départ, la dernière image verrouille le point d'arrivée, et l'invite n'a besoin que d'expliquer les actions, les mouvements de caméra et les changements de lumière qui se produisent entre les deux.

La référence multimodale convient mieux à un contrôle continu de marque ou de personnage. L'image principale du produit peut être placée dans image_urls, la référence de rythme de plan dans video_urls, et la référence musicale ou d'ambiance dans audio_urls. L'invite doit préciser le rôle de chaque type de matériau, par exemple « conservez l'apparence du sac et la position du fermoir métallique de l'image de référence, reprenez le rythme de travelling latéral de la vidéo de référence, et générez une vidéo de présentation produit calme ».

Ne empilez pas tous les matériaux. Chaque référence ajoutée augmente les contraintes que le modèle doit comprendre. Il est plus facile d'identifier les problèmes en validant d'abord la conservation de l'apparence avec une seule image du sujet, puis en ajoutant des références de plan ou audio.

Quelles informations doivent figurer dans l'invite

Une invite vidéo réutilisable comprend généralement quatre parties : le sujet, l'action, la caméra, le son ou l'environnement. Le sujet doit préciser les informations visuelles qui ne peuvent pas changer, l'action doit décrire l'événement qui se produit, la caméra doit décrire la position et le mouvement, et le son doit indiquer s'il y a des dialogues, des sons d'ambiance ou une ambiance musicale.

Par exemple, pour une publicité produit, vous pouvez écrire : « Maintenez inchangés le boîtier d'écouteurs blanc, la coque orange et le marquage NOMA de l'image de référence. La caméra avance lentement depuis un plan moyen sur le bureau, le boîtier s'ouvre, les deux écouteurs restent à leur place. Lumière naturelle près de la fenêtre, son d'ambiance discret, sans voix off, sans texte supplémentaire. » Cela est plus facile à valider que d'écrire seulement « faites une jolie publicité pour des écouteurs ».

Avant d'intégrer H3 dans le workflow de production

Il est recommandé de réaliser d'abord une validation à petite échelle avec trois cas : une vidéo purement générée à partir de texte, une avec contrôle par première et dernière images, et une vidéo avec référence multimodale. Enregistrez séparément les matériaux d'entrée, la durée de sortie, le déroulement des états, les messages d'échec, l'URL du produit et la facturation finale. Une fois confirmé que chaque mode fonctionne de manière stable dans votre produit, étendez à la génération par lots.

Le prix est calculé en fonction du nombre de secondes de sortie et du palier actuel ; la page n'affiche pas de prix unitaire fixe. Avant de soumettre, veuillez consulter le prix actuel sur la page du modèle MiniMax H3 en temps réel ; après la mise en ligne, les enregistrements de tâches et la facturation du compte font foi. Pour en savoir plus sur les tâches asynchrones, les callbacks et le dépannage des erreurs, consultez le tutoriel d'intégration MiniMax H3.

Questions fréquentes

Quelles entrées MiniMax H3 prend-il en charge ?

Il peut générer une vidéo à partir de texte seul, ou être contrôlé par une première image, une première et une dernière images, ou des images, vidéos et audios de référence. Les champs de première et dernière images et de référence multimodale ne peuvent pas être mélangés.

MiniMax H3 peut-il générer du son ?

MiniMax H3 prend en charge la génération de vidéos avec son natif, et permet également d'utiliser des matériaux audio en mode référence multimodale. La référence audio doit être accompagnée en même temps d'une image ou d'une vidéo de référence.

Quelle est la durée maximale d'une vidéo ?

La durée de sortie actuelle est de 4 à 15 secondes. Les vidéos longues doivent généralement être générées en plusieurs plans, puis montées et assemblées dans votre propre workflow.

Dois-je interroger par polling ou utiliser callback ?

Pour le débogage local et les tâches à faible fréquence, le polling convient. En production, il est recommandé d'utiliser callback.url pour recevoir les notifications d'état final, et de conserver l'interrogation des détails de la tâche comme mécanisme de secours en cas d'échec du callback.

Consulter MiniMax H3, lire la documentation des paramètres de l'API, ou obtenir une clé API.