MiniMax H3

Présentation

minimax-h3-max/text-to-video est une solution de génération de vidéo à partir de texte de MiniMax, dédiée aux scénarios de text-to-video : il suffit de fournir une consigne en langage naturel pour produire un court clip vidéo accompagné d'une piste audio synchronisée. Il prend en charge une durée maximale de 15 secondes, des résolutions allant de 480P à 1080P et six formats d'image, et propose l'extension de prompt ainsi qu'une piste audio cible remplaçable. Il s'adresse aux développeurs qui doivent produire en série des storyboards, des créations publicitaires ou des vidéos verticales courtes, et peut être intégré aux flux de production via l'interface unifiée de HiAPI.ai.

Points clés

• Le prompt décrit directement l'image, l'action et le son — le prompt porte à la fois les descriptions visuelles et sonores ; la vidéo générée intègre une piste audio correspondante, ce qui évite l'étape de post-synchronisation.
• Extension du prompt à trois niveaux — prompt_expansion_mode propose les modes disabled, balanced et quality, pour arbitrer selon les besoins entre fidélité à l'intention d'origine et enrichissement des détails.
• Durée et formats très variés — la durée est réglable de 0,92 à 15 secondes, et les formats couvrent six proportions de 21:9 à 9:16, ce qui permet de générer en une seule configuration des contenus paysage, carrés ou verticaux.
• Piste audio de remplacement — en fournissant target_audio_url, la piste audio de sortie peut être remplacée ; l'audio trop long est tronqué en début de piste, l'audio trop court est complété par du silence, ce qui facilite l'alignement sur une musique existante.

Description des capacités

Text-to-video paramétrable : le rendu est contrôlé par la combinaison de prompt, duration, resolution et aspect_ratio ; les valeurs par défaut sont 768P, 16:9 et 5 secondes, et l'on peut passer à 1080P et à un format vertical selon le canal de diffusion.

Sortie audio synchronisée : la génération de la vidéo produit également un son correspondant, ce qui convient aux contenus courts directement exploitables et réduit le travail de post-production audio.

Extension du prompt : lorsque la consigne est succincte, les modes balanced ou quality permettent au modèle de compléter les détails ; pour reproduire strictement la description d'origine, il faut basculer en mode disabled.

Remplacement de la piste audio et contraintes de durée : en fournissant target_audio_url, on peut intégrer son propre audio, et la durée minimale de la vidéo est alors ajustée à 2 secondes pour éviter qu'une piste trop courte ne se désaligne avec l'image.

Graine aléatoire reproductible : le champ seed permet de fixer une graine aléatoire pour reproduire un même résultat ; une valeur 0 transmise explicitement est bien prise en compte, ce qui facilite le débogage et les comparaisons par lots.

Cas d'usage

• Équipes de vidéo courte : générer des maquettes à partir d'une description de storyboard en une phrase — en saisissant le texte du plan et les paramètres de durée et de format, on obtient rapidement un clip avec son, pour la validation des storyboards et la confirmation client.
• Publicité : production en série multi-formats — à partir d'un même prompt, on génère en changeant de format (16:9, 9:16, 1:1, etc.) des contenus verticaux et carrés directement diffusables sur les différents canaux.
• Créateurs de contenu : génération pilotée par la musique — en fournissant son propre audio comme target_audio_url, on génère des images d'une durée alignée sur la piste, pour des clips rythmés et des contenus musicaux.
• Développeurs d'applications : intégration d'une API vidéo programmatique — via l'interface unifiée de HiAPI.ai, appelée par lots avec seed et paramètres, le text-to-video s'intègre aux flux de production de contenu ou d'automatisation marketing.

Limites et conseils de choix

La durée maximale d'une génération est de 15 secondes ; une narration plus longue nécessite une génération par segments puis un assemblage. La résolution maximale est de 1080P ; pour des sorties de plus haute qualité, il convient d'évaluer d'autres solutions. Lorsque l'extension du prompt est activée, le modèle ajoute des détails ; si une reproduction stricte de la description est requise, il est conseillé de la désactiver. Avec un audio personnalisé, la durée minimale de la vidéo est de 2 secondes, et la piste est tronquée ou complétée par du silence : il faut donc contrôler soi-même la longueur des ressources. Pour les scénarios avec une entrée uniquement textuelle nécessitant une image de référence ou le contrôle des première et dernière images, il faut choisir une solution image-to-video de la même série.