Prompts de texte-vers-vidéo MiniMax H3 Max : recettes pratiques prêtes à copier-coller et résultats réels

La plupart des prompts de texte-vers-vidéo échouent au même endroit : ils décrivent une image, pas un plan. Vous obtenez une frame magnifique mais presque immobile, ou qui se brouille dès qu'elle bouge.MiniMax H3 Max récompense exactement l'habitude inverse : écrire le prompt comme un réalisateur. Indiquez-lui où commence le plan, où il se termine, comment répartir ces quelques secondes et à quoi ressemble le son de la scène, et il tiendra le plan avec une vraie logique de mouvement de caméra et une piste audio assortie.

Ce guide propose trois recettes prêtes à copier-coller, chacune centrée sur un point de contrôle dont vous avez réellement besoin : le mouvement de caméra, la répartition du rythme dans une durée fixe et la coordination de plusieurs éléments en mouvement. Chaque clip ci-dessous a été généré sur hiapi avec le prompt original imprimé juste à côté — sans sélection, sans nettoyage après coup. Copiez le prompt, remplacez le sujet et publiez votre propre création.

Les trois exemples sont rendus en 480P, pour des itérations rapides et peu coûteuses (le palier le moins cher) ; lorsque vous avez besoin d'une qualité de livraison, les mêmes prompts peuvent être directement montés en 768P et 1080P.

Comment MiniMax H3 Max interprète les prompts

Un appel nécessite un prompt plus trois paramètres, et le prompt lui-même porte un quatrième paramètre invisible — le son. Une fois le modèle mental correctement posé, les recettes ci-dessous cessent de ressembler à de la magie :

• prompt —— une description de plan, pas une légende. Le modèle réagit aux verbes de mouvement de caméra (« push in », « crane up », « orbit »), aux mots d'éclairage et d'ambiance, ainsi qu'à une ligne explicite Ambient sound: qui pilote l'audio généré.
• duration —— un nombre de 0.92 à 15 secondes. C'est votre budget de rythme. Plus de secondes, plus de temps forts à placer ; moins de secondes, concentrez-vous sur une seule action.
• resolution —— 480P, 768P ou 1080P. Itération économique, livraison nette.
• aspect_ratio —— 21:9, 16:9, 4:3, 1:1, 3:4 ou 9:16. Choisissez-le selon le canal de diffusion avant d'écrire le prompt (cinématographique, vertical social, produit carré), car le format change la façon dont vous décrivez la composition.

Deux habitudes importantes accompagnent chaque recette. Premièrement, ancrer le plan : précisez où il commence et où il se termine, et le mouvement intermédiaire reste cohérent. Deuxièmement, lister les éléments négatifs — no people, no text, no cuts, no speech — car les modèles de texte-vers-vidéo adorent inventer des sous-titres et des coupes franches dans un plan qui devrait être un seul plan-séquence.

Recette 1 —— Mouvement de caméra : push-in et révélation à la grue

Le mouvement unique le plus utile consiste à commencer en gros plan puis à ouvrir le champ. Ici, la caméra démarre à quelques centimètres d'un parapluie rouge sur des pavés mouillés, puis avance et monte à la grue pour révéler toute la ruelle. Un sujet, un mouvement continu, une récompense à la fin.

Single continuous shot. A lone open red umbrella lies on wet cobblestones
in an empty European alley at dawn, thin fog, puddles mirroring amber
streetlamps. The camera starts low and close on the umbrella, then slowly
pushes forward and cranes upward into a wide reveal of the long alley
stretching toward a misty cathedral. Gentle natural motion: drifting fog,
a few slow raindrops rippling the puddles. Cinematic, shallow depth of
field, warm-cool color contrast, stable geometry, seamless temporal
consistency, no people, no text, no cuts. Ambient sound: soft rain,
distant church bells, faint wind, no speech.

Paramètres : aspect_ratio: 16:9 · duration: 6 · resolution: 480P

Pourquoi cela fonctionne :

• Une phrase, deux positions de caméra. « starts low and close… then pushes forward and cranes upward into a wide reveal » donne au modèle une image de départ et une image de fin. Il interpole un mouvement crédible entre les deux, au lieu d'errer sans but.
• Un mouvement qui n'est pas celui de la caméra. « drifting fog » et « raindrops rippling the puddles » donnent vie à la scène sans voler la vedette au mouvement de caméra. Un mouvement secondaire empêche l'image de paraître figée.
• Les mots d'ambiance font réellement leur travail. « warm-cool color contrast » et « shallow depth of field » poussent le rendu vers le cinématographique ; le contraste ambre-brume du résultat provient directement de cette phrase.
• Test de substitution : remplacez le parapluie et la ruelle par « a vintage motorcycle in a neon-lit garage » en gardant la phrase de caméra telle quelle — le mouvement se transfère proprement.

Recette 2 —— Rythme : dépenser une durée fixe avec des temps forts minutés

Lorsque vous disposez de plus de quelques secondes, ne décrivez pas un instant statique pour tout le clip — scriptez les temps forts. Annotez des fenêtres temporelles dans le prompt pour indiquer au modèle comment répartir la durée. Ce clip vertical de 8 secondes déroule une séquence de versement en trois temps.

Vertical social clip, one continuous take, three beats.
Beat 1 (0-3s): a barista's hands pour hot espresso over a glass of ice,
close macro, dark crema swirling.
Beat 2 (3-6s): milk cascades in slow motion, blooming into feathered
clouds through the coffee.
Beat 3 (6-8s): the camera pulls back to reveal the finished iced latte on
a sunlit marble counter beside fresh mint.
Warm morning light, crisp condensation on the glass, smooth natural
motion, high detail, stable focus, no text. Ambient sound: gentle pour,
ice clink, soft cafe hum, no speech.

Paramètres : aspect_ratio: 9:16 · duration: 8 · resolution: 480P

Pourquoi cela fonctionne :

• Les temps forts correspondent aux secondes. « Beat 1 (0-3s)… Beat 2 (3-6s)… Beat 3 (6-8s) » indique au modèle comment répartir la durée, pour que l'action progresse au lieu de répéter le même geste en boucle. Faites en sorte que la somme de vos fenêtres de temps forts égale le duration demandé.
• Un temps fort = un changement. Chaque temps fort n'introduit qu'une seule nouveauté (versement → éclosion de la mousse de lait → recul révélant la scène). Si vous mettez deux changements dans un temps fort, le modèle a tendance à précipiter ou à les mélanger.
• Gardez la révélation pour la fin. Le recul du Beat 3 est la récompense. Terminer sur un cadrage plus large se lit comme une clôture intentionnelle, pas comme un clip qui a manqué de temps.
• Le vertical est un choix de composition, pas un simple recadrage. Avec 9:16, vous décrivez un cadrage haut — un verre remplissant le centre — plutôt que d'écraser un cadre horizontal sur un écran de téléphone.

Recette 3 —— Chorégraphie de scène : plusieurs éléments en mouvement simultané

La scène la plus difficile est celle où plusieurs choses bougent en même temps sans que le plan s'effondre. L'astuce consiste à donner à chaque élément son propre verbe et son propre chemin, puis à confier à la caméra une tâche simple. Ici : un ruban tournoie autour d'un flacon, une brume légère dérive en arrière-plan, et la caméra tourne lentement autour.

Square product shot, single continuous take. On a dark reflective stage,
three frosted glass perfume bottles stand in a row. A ribbon of golden
silk floats in from the left and spirals around the center bottle, while
a soft burst of white mist drifts across the background and settles. The
camera orbits slowly clockwise around the bottles. Studio rim lighting,
deep shadows, physically accurate reflections on the glass and stage,
premium luxury commercial finish, controlled elegant motion, stable
geometry, no people, no logos, no text. Ambient sound: low cinematic hum,
soft whoosh of silk, delicate chime, no speech.

Paramètres : aspect_ratio: 1:1 · duration: 6 · resolution: 480P

Pourquoi cela fonctionne :

• Chaque élément a un verbe et une direction. Le ruban « floats in from the left and spirals around the center bottle » ; la brume « drifts across the background and settles ». Indiquer le chemin de chaque élément les empêche de se confondre en un bruit visuel.
• Confiez à la caméra une tâche simple. Quand le sujet est déjà chorégraphié, un simple « orbits slowly clockwise » suffit. Faire à la fois exécuter à la caméra un mouvement complexe et animer trois éléments, c'est précisément le moment où le plan s'effondre.
• Les termes physiques apportent le réalisme. « physically accurate reflections on the glass and stage » est exactement ce qui fait que les flacons reflètent correctement le sol — les matériaux réfléchissants doivent être explicitement mentionnés.
• no logos porte bien son nom. Dans un plan produit, le modèle inventerait sinon des logos de marque. Les éléments négatifs sont le moyen de garder une image propre et exploitable.

Lancer vous-même

Chaque clip ci-dessus est une tâche asynchrone sur l'endpoint /v1/tasks de hiapi — soumettre, interroger, télécharger. Les champs d'entrée sont exactement les quatre paramètres des recettes :

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3-max/text-to-video",
    "input": {
      "prompt": "Single continuous shot. A lone open red umbrella on wet cobblestones... Ambient sound: soft rain, distant church bells, no speech.",
      "duration": 6,
      "resolution": "480P",
      "aspect_ratio": "16:9"
    }
  }'

La réponse renvoie un taskId ; interrogez GET /v1/tasks/{taskId} jusqu'à ce que status soit success, puis récupérez le clip à partir de l'URL de sortie (c'est un lien à durée limitée — téléchargez-le immédiatement).

Le coût croît avec le nombre de secondes demandées, pas avec les secondes réellement renvoyées. En octobre 2026, MiniMax H3 Max texte-vers-vidéo facture à la seconde de vidéo demandée : 480P à $0.072/seconde, 768P à $0.115/seconde, 1080P à $0.229/seconde. Les trois clips 480P ci-dessus (6 s + 8 s + 6 s) totalisent donc environ $1.44. Itérez d'abord sur le prompt en 480P, puis relancez la version retenue en 1080P. Tarifs en temps réel sur la page de tarifs hiapi.

Vous avez déjà votre image de première frame ? La même syntaxe de prompt s'applique à MiniMax H3 Max image-vers-vidéo —— donnez-lui une image fixe et décrivez plutôt le mouvement et le son, plutôt que toute la scène.

Questions fréquentes

MiniMax H3 Max génère-t-il le son, ou dois-je l'ajouter après ? Il génère l'audio à partir de votre prompt. La ligne Ambient sound: de chaque recette est précisément la source de la pluie, du bourdonnement de café et du frou-frou de soie dans les clips ci-dessus — aucune post-production nécessaire. Écrivez no speech sauf si vous voulez explicitement des dialogues, et décrivez l'ambiance souhaitée, plutôt que de laisser faire le hasard.

Quelle est la longueur maximale d'un clip ? La durée de chaque tâche va de 0.92 à 15 secondes. Pour du contenu plus long, générez plusieurs clips et assemblez-les — et scriptez les temps forts de chaque clip comme dans la recette 2, pour qu'ils se montent proprement ensemble.

Pourquoi mon clip semble-t-il mou ou gris ? Le problème vient généralement du palier de résolution, pas du prompt. Ces exemples sont en 480P, pour une itération économique. Relancez le prompt final en 768P ou 1080P pour une netteté de livraison. Ajoutez aussi des termes de matériau et d'éclairage (« physically accurate reflections », « studio rim lighting ») — ils affûtent le rendu autant que le nombre de pixels.

Comment empêcher l'ajout de texte ou de sous-titres ? Écrivez no text dans les éléments négatifs (et pour les produits, ajoutez no subtitles, no logos). Les modèles de texte-vers-vidéo génèrent souvent du texte à l'écran à partir de rien ; le lister explicitement est la solution fiable.

Quel format d'image utiliser ? Adaptez-le au canal de diffusion : 16:9 ou 21:9 pour le cinématographique et l'horizontal, 9:16 ou 3:4 pour le social et le mobile, 1:1 pour les visuels produit et les fils d'actualité. Choisissez-le avant d'écrire le prompt, car le format change la façon dont vous décrivez la composition.

Passez derrière la caméra

Le schéma derrière les trois recettes est toujours le même : indiquez le début et la fin du plan, dépensez la durée avec des temps forts, donnez à chaque élément en mouvement son propre verbe, et écrivez le son. Copiez ces prompts, remplacez-y votre sujet, itérez en 480P jusqu'à ce que le mouvement de caméra soit correct.

Une fois qu'il l'est, relancez en 1080P et récupérez le clip final depuis la page du modèle MiniMax H3 Max texte-vers-vidéo —— mêmes prompts, qualité de livraison.