Prompts MiniMax H3 Max image-vers-image : solutions complètes prêtes à copier et résultats réels

MiniMax H3 Max est un modèle vidéo qui anime une image fixe en un court clip et génère une piste d'ambiance synchronisée. Vous lui donnez une frame finale, vous décrivez le mouvement de caméra, la dynamique et le son souhaité, et il rend un plan de 5 à 15 secondes qui se termine sur cette frame. Vous pouvez aussi fournir facultativement une frame de départ, et le modèle interpole alors une transformation déterministe entre le début et la fin.

Ce guide présente trois solutions de prompts prêtes à copier pour la voie image-vers-vidéo, chacune accompagnée de sa frame d'entrée exacte, du prompt complet et du clip réel que nous avons rendu avec — rien de simulé ici. Chaque prompt et chaque image ci-dessous ont été écrits et générés par nous sur hiapi, et vous pouvez réutiliser directement leur structure.

Comment fonctionne réellement MiniMax H3 Max image-vers-vidéo

C'est un appel de tâche asynchrone. Vous envoyez une requête POST à https://api.hiapi.ai/v1/tasks, vous interrogez le taskId renvoyé jusqu'à ce que le statut passe à success, puis vous téléchargez la vidéo depuis l'URL de sortie (ce lien est limité dans le temps, donc sauvegardez le fichier immédiatement).

Le point qui prête à confusion : dans la voie image-vers-vidéo, last_frame_image est un champ obligatoire — c'est le plan sur lequel le clip se termine. first_frame_image est facultatif, lorsque vous voulez contrôler entièrement le début et la fin. Avant d'écrire un prompt, quelques règles méritent d'être connues :

• L'image de frame détermine le rapport d'aspect. Lorsque vous passez une image de frame, n'envoyez pas aspect_ratio — l'API rejetterait la présence simultanée des deux. Recadrez l'image d'entrée à la forme vidéo souhaitée.
• resolution accepte 480P, 768P ou 1080P. duration est un nombre entier de secondes entre 5 et 15.
• L'audio est piloté par le prompt. Décrivez les sons d'ambiance (« soft rain on glass, distant city hum ») et le modèle ajoutera une piste correspondante ; si vous ne voulez pas de dialogue, précisez « no speech ».

Un corps de requête minimal ressemble à ceci :

{
  "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
  }
}

Lorsque vous voulez aussi contrôler le plan d'ouverture, ajoutez "first_frame_image": "https://.../start.jpg" (solution 3). Tout le reste ci-dessous porte sur la façon d'écrire le prompt pour que le mouvement, la composition et le son se lisent vraiment.

Solution 1 — Un plan de révélation cinématographique à partir d'une seule frame clé

Utilisez cette solution lorsque vous avez un « plan qui tue » et que vous voulez que la caméra l'atteigne. Vous ne fournissez que la frame finale, et le prompt orchestre le mouvement qui y mène.

Frame d'entrée (utilisée comme last_frame_image) :

Clip rendu (768P, 5 secondes) :

Prompt (prêt à copier) :

Commencez en position basse, à quelques centimètres au-dessus d'un bassin d'eau noir et miroitant, puis glissez vers l'avant et montez en inclinaison vers un lent plan de révélation panoramique : à l'heure bleue, un pavillon de verre flotte sur une mer en tempête. Une sculpture de cristal cinétique se déploie en spirale douce, réfractant une lumière ambrée chaude à travers une brume cyan froide ; la pluie laisse des traînées sur le verre, des éclairs lointains scintillent à l'horizon. Réflexions et réfractions physiquement exactes, lumière volumétrique, mouvement naturel maîtrisé, géométrie stable, cohérence temporelle fluide, texture publicitaire haut de gamme, grain de film subtil, aucune personne, aucun logo, aucun texte, aucun montage, aucun scintillement. Ambiance sonore : grondement sourd de la mer, pluie légère sur le verre, résonance ténue du cristal, aucun dialogue.

Pourquoi cela fonctionne :

• Une description de plan continue en une phrase. « Commencez en position basse… glissez vers l'avant… montez en inclinaison vers un lent plan de révélation panoramique » donne au modèle un chemin unique et clair, au lieu de mouvements concurrents.
• La frame finale est l'ancre, donc le prompt n'a qu'à décrire le trajet qui y mène — la sculpture peut « se déployer », et c'est précisément ce qui produit un mouvement visible entre l'état initial inventé par le modèle et la frame que vous fournissez.
• Une liste négative compacte (« aucun montage, aucun scintillement, aucun texte ») empêche la texture luxueuse du 768P de dégénérer en montage.
• Rendu en 768P, car il s'agit du plan clé ; la couverture de cet article est une frame extraite directement de ce clip.

Solution 2 — Un travelling avant atmosphérique avec ambiance sonore

La solution quotidienne de base : un lent travelling avant qui fait vivre une scène fixe, où la piste audio compte autant que le mouvement. Là aussi, une seule frame finale suffit.

Frame d'entrée (utilisée comme last_frame_image) :

Clip rendu (480P, 5 secondes) :

Prompt (prêt à copier) :

Minuit, un lent travelling avant régulier et stable le long d'une ruelle néon détrempée par la pluie, des flaques ondulent sous les pas, la caméra dérive doucement vers une enseigne de ramen luisant d'un éclat turquoise et magenta. De la vapeur s'échappe en volutes d'une bouche d'aération en bord de rue, des lanternes en papier oscillent légèrement, les reflets néon scintillent sur le sol mouillé. Étalonnage cinématographique teal et orange, faible profondeur de champ, brume légère, rendu 35 mm réaliste, mouvement maîtrisé, géométrie stable, aucune personne, aucun texte lisible, aucun montage. Ambiance sonore : pluie régulière, bourdonnement lointain de la ville, léger sifflement de vapeur, aucun dialogue.

Pourquoi cela fonctionne :

• Un mouvement lent + de nombreux micro-mouvements. La caméra ne fait qu'une chose (avancer en travelling), tandis que les flaques qui ondulent, la vapeur en volutes et les lanternes qui oscillent apportent un mouvement microscopique, créant du réalisme sans faire dériver l'image.
• La description audio joue vraiment un rôle. « pluie régulière, bourdonnement lointain de la ville, léger sifflement de vapeur » sont précisément ce qui transforme un rendu de rue mouillée en un lieu. C'est la plus grande amélioration par rapport aux modèles d'image.
• 480P est le bon réglage par défaut pour itérer — à $0.072/seconde, un test de 5 secondes coûte environ 36 centimes, vous pouvez donc ajuster le texte à moindre coût avant de décider de produire le résultat en 768P ou 1080P.

Solution 3 — Interpolation première frame + dernière frame (contrôle signature)

C'est précisément ce qui distingue H3 Max des modèles « anime ma photo » : donnez-lui à la fois une première et une dernière frame, et il rend une transformation maîtrisée entre les deux. Idéal pour les transformations avant/après exigeant un début et une fin précis.

Nous avons généré la frame d'ouverture, puis édité cette même frame pour en faire son état « après », afin que la composition, la lumière et l'arrière-plan restent exactement identiques — seul le sujet change.

Première frame (first_frame_image) → dernière frame (last_frame_image) :

Clip rendu (480P, 5 secondes) :

Prompt (prêt à copier) :

Un time-lapse macro d'un magnolia qui s'épanouit à l'aube : les pétales couverts de rosée s'ouvrent lentement depuis un bouton serré jusqu'à une fleur pleinement éclose, révélant un cœur d'étamines aux tons pâles, une douce lumière de contour matinale réchauffe toute la scène, la branche oscille à peine imperceptiblement dans la brise. Composition et arrière-plan identiques tout du long, détails botaniques réalistes, mouvement fluide et continu, mise au point stable, aucune personne, aucun texte, aucun montage. Ambiance sonore : doux chants d'oiseaux à l'aube, brise dans les feuilles, aucun dialogue.

Pourquoi cela fonctionne :

• Deux frames = des points finaux déterministes. Vous n'avez pas à espérer que le modèle tombe sur une position plausible ; vous lui dites explicitement où commencer et où s'arrêter. Le prompt n'a plus qu'à décrire comment parcourir l'intervalle (« s'ouvrent lentement… mouvement fluide et continu »).
• Gardez la cohérence des frames. Comme notre dernière frame est une version éditée de la première (même branche, même angle, même lumière), l'interpolation ressemble à une fleur qui s'épanouit, et non à un montage entre deux photos. Des frames incompatibles produisent des transformations criardes.
• « Composition et arrière-plan identiques tout du long » indique au modèle que seule la fleur est autorisée à changer — cela empêche la caméra de dériver.

Points clés pour affiner

• Écrivez un plan, pas une légende. Rédigez dans l'ordre le mouvement de caméra, le mouvement du sujet, la lumière et le son. Une légende (« une fleur qui s'épanouit ») ne donne au modèle rien d'animable.
• Budgetisez selon la résolution, itérez en 480P. Le texte du prompt a rarement besoin de plus que 480P pour être évalué ; une fois le texte figé, refaites le rendu final en 768P ou 1080P.
• Gardez une durée de 5 secondes pendant les ajustements. Les clips plus longs coûtent linéairement plus cher et laissent plus de marge à la dérive du mouvement. N'étendez à 10–15 secondes qu'une fois que mouvement et audio se lisent correctement.
• Ne luttez pas contre le rapport d'aspect. Recadrez la frame d'entrée en 16:9, 9:16 ou 1:1 avant l'envoi ; le clip hérite de cette forme, et envoyer aspect_ratio en même temps qu'une image de frame provoque une erreur.
• Les prompts négatifs comptent pour la finesse. « aucun montage, aucun scintillement, aucun texte, aucune personne » élimine de façon fiable les artefacts qui font qu'une vidéo IA ressemble à de l'IA.

Tarifs

MiniMax H3 Max image-vers-vidéo est facturé à la seconde de vidéo demandée, selon la résolution (au 2026-10) :

Résolution	Prix par seconde	Clip de 5 secondes
480P	$0.072	$0.36
768P	$0.115	$0.575
1080P	$0.229	$1.145

Ainsi, les trois clips de ce guide — un en 768P et deux en 480P, tous de 5 secondes — totalisent environ $1.30 de coût vidéo. Avant de budgétiser en volume, consultez les chiffres en temps réel sur la page de tarifs hiapi ; le tarif à la seconde est le chiffre qui varie.

Questions fréquentes

Dois-je fournir les deux frames ? Non. Dans la voie image-vers-vidéo, last_frame_image est obligatoire et first_frame_image est facultatif. La frame finale seule (solutions 1 et 2) convient pour « atteindre ce plan », tandis que les deux frames servent pour une transformation maîtrisée du début à la fin (solution 3).

Quelles résolutions et durées sont prises en charge ? resolution vaut 480P, 768P ou 1080P ; duration est un nombre entier de secondes entre 5 et 15.

Génère-t-il du son ? Oui — décrivez les sons d'ambiance dans le prompt et le modèle ajoutera une piste correspondante. Ajoutez « no speech » pour rester sans dialogue. Les trois clips ici ont chacun leur propre piste d'ambiance.

Comment définir le rapport d'aspect ? Il est déterminé par la frame d'entrée. Recadrez la frame à la forme souhaitée ; n'envoyez pas le champ aspect_ratio en même temps qu'une image de frame.

Je veux seulement du texte-vers-vidéo, sans image d'entrée. Utilisez plutôt la voie texte-vers-vidéo de MiniMax H3 Max — même discipline de prompt, sans frame. Si vous comparez H3 Max à d'autres API vidéo, notre comparatif Seedance 2.5 vs 2.0 explique comment choisir un modèle vidéo facturé à la seconde.

Commencez à générer

Prenez une frame clé, écrivez-la comme un plan avec mouvement de caméra et description audio, puis envoyez-la à l'API MiniMax H3 Max image-vers-vidéo. Commencez à ajuster le texte en 480P, puis refaites le rendu de votre résultat final en résolution supérieure. Les détails complets de requête et d'interrogation se trouvent dans la documentation hiapi.