Guide pratique de la vidéo courte avec MiniMax H3 : tutoriel de prise en main de l'API hiapi

MiniMax H3 est le modèle vidéo multimodal natif 2K de hiapi. Pour les contenus courts — TikTok, Reels, Shorts — le point le plus important est qu'il produit directement du format vertical 9:16, sans aucune astuce de recadrage pour éviter les bandes noires. Nous avons lancé une vraie génération texte-vers-vidéo via la page du modèle MiniMax H3 sur hiapi, intégré la sortie réelle ci-dessous, et ajouté le prompt original que nous avons utilisé ainsi qu'une analyse pratique de ses trois modes de génération.

Résumé

• MiniMax H3 génère nativement en 2K et produit directement une image verticale 9:16 propre — aucune découpe ni agrandissement nécessaires pour TikTok/Reels/Shorts.
• Il prend en charge trois modes de génération : texte-vers-vidéo, image-vers-vidéo (avec contrôle de la première/dernière image), et génération pilotée par référence à partir d'images, de vidéos ou d'audio.
• Les clips durent de 4 à 15 secondes, au prix de 0,1189 $/seconde — environ 0,48 $ pour un clip de 4 secondes et environ 1,78 $ pour un clip de 15 secondes.
• Un langage de prompt concret et physique (matériaux, direction de la lumière, cadrage) a produit dans nos tests des résultats propres et fidèles aux attentes du modèle — les prompts vagues sont la cause la plus fréquente de sorties à côté de la plaque ou qui semblent génériques.
• Toutes les requêtes passent par le point de terminaison de tâches asynchrones unifié de hiapi, avec la même forme soumission-interrogation utilisée par chaque modèle vidéo de la plateforme.

Ce qu'est exactement MiniMax H3

MiniMax H3 est un modèle vidéo multimodal natif 2K, qui prend en charge la génération texte-vers-vidéo, le contrôle image-vers-vidéo par première/dernière image, ainsi que la génération pilotée par référence à partir d'images, de vidéos et d'audio, avec des clips de 4 à 15 secondes. Pour les contenus courts, l'importance de la sortie native 2K est plus grande qu'elle n'y paraît : la plupart des formats sociaux verticaux plafonnent autour de 1080×1920, donc une source 2K vous laisse de la marge pour recadrer une vignette ou faire un recadrage un peu plus serré sans perte de qualité visible — vous sous-échantillonnez au lieu de suréchantillonner.

Texte-vers-vidéo : un vrai clip généré à partir d'un vrai prompt

Nous avons généré ce clip directement à partir d'un prompt textuel, sans image ni vidéo de référence. Générer avec ce prompt → Choisissez 2K et 9:16 dans le Playground. Voici la sortie réelle :

Prompt :

一只咖啡师的手将蒸好的牛奶从不锈钢奶缸倒入一只呈微倾斜角度、放在浅灰色大理石台面上的黑色浓缩咖啡杯中。奶流稳定下来，在倾倒结束时绽放成一整片 rosetta（蕨叶）拉花图案。温暖的方向性侧光扫过杯子和奶缸。竖屏 9:16 取景，微距近景视角，浅景深，无镜头运动，无文字，无标志，无额外的手或物体进入画面。

Générer avec ce prompt → Choisissez 2K et 9:16.

C'est exactement le type de plan adapté au format court : une action unique et physiquement tangible (un versement, une révélation, une transformation), filmée en gros plan et en vertical, avec suffisamment de détails concrets — le matériau du pichet, la direction de la lumière, le motif précis en formation — pour ne laisser presque aucune place à l'interprétation du modèle. Même si vous voulez un plan fixe, cela vaut la peine de préciser explicitement le comportement de la caméra (nous avons demandé "aucun mouvement de caméra") ; sinon le modèle ajoute parfois une dérive lente non demandée. Pour plus d'idées de plans, consultez notre guide de prompts MiniMax H3.

Image-vers-vidéo : partir d'une image verrouillée

Le mode image-vers-vidéo de MiniMax H3 reçoit une image d'ouverture via first_frame_image ; ajoutez last_frame_image pour orienter la composition finale. La dernière image nécessite la première, et ces champs ne peuvent pas être combinés avec image_urls, video_urls ou audio_urls. L'image d'entrée détermine le rapport hauteur/largeur de la vidéo. Lorsque l'image d'ouverture est l'accroche — un gros plan produit, un visage, un packaging précis — et que vous voulez que la vidéo démarre exactement sur cette composition, plutôt que de laisser le modèle l'interpréter à partir d'une description textuelle, c'est le meilleur choix pour un travail en format court. Le texte-vers-vidéo convient mieux pour itérer rapidement sur la formulation ; une fois que vous avez arrêté l'image fixe sur laquelle le clip doit s'ouvrir, passez à l'image-vers-vidéo.

Génération pilotée par référence : images, vidéos et audio combinés

Le troisième mode est la génération pilotée par référence : MiniMax H3 peut tirer des indices d'images de référence via image_urls, de vidéos via video_urls, et d'audio via audio_urls — et non uniquement d'un prompt textuel. En pratique, c'est le mode à utiliser lorsque vous disposez déjà de matériel dont vous voulez transposer le style visuel, le mouvement ou le rythme dans un nouveau clip : faire correspondre un nouveau sujet à l'apparence d'une marque existante, ou synchroniser le rythme du clip généré avec une piste audio existante pour un montage court. La référence audio nécessite au moins une image ou une vidéo de référence. Les limites sont de 5 images, 3 vidéos (2 à 15 s chacune, 15 s au total) et 3 audios (15 s au total). C'est un flux de travail plus lourd et plus planifié que le texte-vers-vidéo, il vaut donc la peine de prototyper le plan avec un prompt purement textuel, puis de passer à la génération pilotée par référence une fois que vous savez ce que vous devez faire correspondre.

Comment fonctionne une requête

Chaque modèle vidéo sur hiapi, y compris MiniMax H3, suit le même flux de tâche asynchrone : vous soumettez une requête de génération et recevez un identifiant de tâche, puis vous interrogez cette tâche jusqu'à ce qu'elle atteigne success ou fail. En cas de success, sélectionnez l'élément type: "video" dans data.output et téléchargez son URL ; en cas de fail, consultez l'erreur renvoyée. Aucune connexion persistante à gérer, aucune forme de requête propre à un modèle à réapprendre — le même schéma soumission-interrogation décrit dans la documentation des tâches asynchrones HiAPI couvre chaque modèle de la plateforme, donc passer d'un modèle vidéo à un autre ne demande que de changer le nom du modèle et ses champs d'entrée, sans reconstruire l'intégration.

Tarifs et budget pour la production vidéo courte en série

MiniMax H3 est facturé 0,1189 $ par seconde produite (voir la page de tarifs HiAPI), pour des clips de 4 à 15 secondes. Cela donne approximativement, par clip :

• 4 secondes : environ 0,48 $
• 8 secondes : environ 0,95 $
• 15 secondes : environ 1,78 $

Pour les contenus courts, l'approche "tourner court, monter par assemblage" vous donne plus de points de coupe et vous permet de régénérer un plan précis sans remplacer toute la séquence. Le coût dépend du nombre total de secondes générées : des plans plus courts ne font économiser que si la durée cumulée est inférieure. Budgétez chaque candidat réussi, y compris les plans que vous finissez par écarter.

Questions fréquentes

MiniMax H3 produit-il de vraies vidéos verticales, ou faut-il recadrer pour TikTok/Reels ? Il rend nativement en 2K et accepte directement le rapport d'image 9:16 — le clip ci-dessus a été généré en vertical dès le départ, sans découpe ni recadrage pour les plateformes de vidéo courte.

Quelle est la durée maximale d'un clip MiniMax H3 ? De 4 à 15 secondes par génération. Pour les contenus courts, assembler plusieurs clips plus courts (4 à 6 s chacun) donne généralement un résultat plus agréable à regarder qu'un seul long plan rendu d'un coup.

Puis-je démarrer une vidéo MiniMax H3 avec ma propre image ? Oui — passez l'image d'ouverture via first_frame_image, et ajoutez éventuellement last_frame_image. La dernière image nécessite la première. Utilisez ces champs séparément des champs de référence image_urls, video_urls et audio_urls.

Quelle est la différence entre image-vers-vidéo et génération pilotée par référence sur MiniMax H3 ? L'image-vers-vidéo verrouille les images de début (et éventuellement de fin) à partir d'images fixes. La génération pilotée par référence utilise image_urls, video_urls et audio_urls pour orienter le style, le mouvement ou le rythme ; l'audio nécessite d'être accompagné d'une image ou d'une vidéo — utile lorsque vous faites correspondre un nouveau clip à un matériel existant plutôt que de partir d'une image blanche.

Combien coûte un clip typique de format court ? À 0,1189 $/seconde, un clip de 4 secondes coûte environ 0,48 $, un clip de 8 secondes environ 0,95 $ (voir la page de tarifs en temps réel HiAPI). Comparez le total de secondes de tous les clips réussis, y compris les plans régénérés ; le simple fait de découper une séquence ne réduit pas son prix.

Si j'utilise déjà un autre modèle vidéo hiapi (par exemple Hailuo) pour mes clips courts, MiniMax H3 est-il adapté ? Consultez notre comparatif MiniMax H3, Seedance 2.0 et Hailuo 2.3, et choisissez selon le mode dont votre plan a besoin : texte-vers-vidéo pur, contrôle par image, ou référence multimodale.

Points clés

• MiniMax H3 rend nativement en vertical 2K, donc les clips courts destinés à TikTok/Reels/Shorts ne nécessitent ni découpe ni agrandissement.
• Des prompts concrets et physiques (matériaux, direction de la lumière, comportement de caméra explicite) ont produit des résultats propres lors de nos tests réels — les prompts vagues laissent trop de place aux suppositions du modèle.
• Utilisez le texte-vers-vidéo pour itérer rapidement sur une idée, l'image-vers-vidéo lorsque l'image d'ouverture est fixée à l'avance, et la génération pilotée par référence lorsque vous faites correspondre un matériel image, vidéo ou audio existant.
• Facturation à 0,1189 $/seconde, sur une plage de 4 à 15 secondes ; budgétez selon le total de secondes des candidats réussis ; des plans plus courts facilitent la régénération sélective.
• Toutes les requêtes passent par le même processus de soumission-interrogation de tâche que chaque autre modèle vidéo sur hiapi ; tester MiniMax H3 aux côtés de modèles comme Hailuo 2.3 ne demande donc aucun travail d'intégration séparé.

Générer avec ce prompt → Commencez par le plan de latte art en 2K, 9:16.