使用ガイド

MiniMax H3 Max テキストtoビデオプロンプト：そのままコピペできる実戦レシピと実出力

Oct 16, 2026

ほとんどのテキストtoビデオのプロンプトが同じところで失敗します。それは一枚の絵を描写していて、一つのショットを描写していないからです。結果として得られるのは、美しいけれどほとんど動かない、あるいは動かすと一瞬で崩れるフレームです。MiniMax H3 Max が評価するのは、むしろ逆の習慣です——監督のようにプロンプトを書くこと。カメラがどこから始まりどこで終わるか、この数秒をどう配分するか、そしてシーンがどう聞こえるかを伝えれば、本物のカメラワークの論理とマッチした音声トラックでそのショットを成立させてくれます。

本ガイドでは、そのままコピペできる3つのレシピを紹介します。それぞれが、実際に必要になる一つの制御点を中心に構成されています：カメラの動き、固定時間内のリズム配分、そして複数の動く要素の協調的な演出です。以下の各クリップは、すぐ近くに掲載した元のプロンプトを hiapi 上で実行して生成したものです——選別も事後修正もしていません。プロンプトをコピーし、被写体を差し替えれば、自分だけの作品を公開できます。

3つのサンプルはすべて480Pでレンダリングしており、素早く安価なイテレーションに使えます（最も安価なティア）。納品品質が必要なときは、同じプロンプトをそのまま768Pや1080Pに拡大できます。

MiniMax H3 Max がプロンプトを解釈する方法

呼び出しには prompt と3つのパラメータを渡します。そして prompt 自体がさらに4つ目の隠れたパラメータ——音声——を内包しています。メンタルモデルを正しく築けば、以下のレシピは魔法ではなくなります：

prompt —— キャプションではなく、ショットの描写です。モデルはカメラワーク動詞（「push in」「crane up」「orbit」）、光と雰囲気の言葉、そして生成音声を駆動する明示的な Ambient sound: 行に反応します。
duration —— 0.92 から 15 秒の数値。これはリズムの予算です。秒数が多ければより多くのビートを配置でき、少なければ一つの動作に集中します。
resolution —— 480P、768P、または 1080P。安価に反復し、鮮明に納品します。
aspect_ratio —— 21:9、16:9、4:3、1:1、3:4、または 9:16。プロンプトを書く前に掲載先に応じて選びます（シネマティック、SNS縦型、スクエア商品画像）。アスペクト比が構図の描写の仕方を変えるからです。

どのレシピにも2つの重要な習慣があります。第一に、ショットをアンカーすること：どこから始まりどこで終わるかを明示すれば、その間の動きが一貫します。第二に、ネガティブ項目を列挙すること——no people, no text, no cuts, no speech——テキストtoビデオモデルは、ワンカットであるべきショットに字幕やハードカットを勝手に作ってしまいがちだからです。

レシピ 1 —— カメラワーク：プッシュインとクレーンによる開示

最も有用な単一の動きは、近景から始めて視野を開くことです。ここではカメラは濡れた石畳の上の赤い傘から数インチの距離で始まり、前方にプッシュインしながら上へクレーンアップし、路地全体を開示します。一つの被写体、一つの連続した動作、最後に報酬があります。

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.

パラメータ： aspect_ratio: 16:9 · duration: 6 · resolution: 480P

なぜ効くのか：

一文で2つのカメラ位置。 「starts low and close… then pushes forward and cranes upward into a wide reveal」がモデルに開始フレームと終了フレームを与えます。モデルはその間を補間して信憑性のある動きを作り出し、あてもなくさまよいません。
カメラ自体ではない動き。 「drifting fog」と「raindrops rippling the puddles」が、カメラの動きと主役を争わずにシーンに生命感を与えます。副次的な動きが、画面が凍りついたように見えるのを防ぎます。
雰囲気の言葉が実際に仕事をする。 「warm-cool color contrast」と「shallow depth of field」がルックをシネマティックに押し上げます。結果の琥珀色と霧の色のコントラストはまさにこの一文から来ています。
置き換えテスト： 傘と路地を「a vintage motorcycle in a neon-lit garage」に置き換え、カメラの一文をそのまま保てば——カメラワークはきれいに移行します。

レシピ 2 —— リズム：定時ビートで固定時間を使い切る

数秒を超える時間があるときは、クリップ全体を一つの静的な瞬間として描写せず、ビートを台本化しましょう。プロンプトに時間窓を記し、モデルに時間をどう配分するかを伝えます。この8秒の縦型クリップは、3拍の注ぎ込みシーケンスを実行します。

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.

パラメータ： aspect_ratio: 9:16 · duration: 8 · resolution: 480P

なぜ効くのか：

ビートが秒数に対応する。 「Beat 1 (0-3s)… Beat 2 (3-6s)… Beat 3 (6-8s)」がモデルに時間の配分を伝えるので、動作は同じジェスチャーをループせず前進します。ビート窓の合計はリクエストした duration と等しくしましょう。
1ビート = 1変化。 各ビートは新しい事象を一つだけ導入します（注ぎ込み → ミルクの花が開く → 引きで開示）。1つのビートに2つの変化を詰め込むと、モデルはたいてい駆け足になったり、それらを混ぜて潰したりします。
開示は最後に取っておく。 Beat 3 の引きが報酬です。より広い画で終わると、意図的な締めくくりとして読め、時間切れまで走っただけのクリップにはなりません。
縦型はクロップではなく構図の選択。 9:16 を使うときは、横長の画を無理にスマホ画面に押し込むのではなく、高さのある画——中央を満たす一つのグラス——を描写します。

レシピ 3 —— シーン演出：複数の要素が同時に動く

最も難しいシーンは、複数のものが同時に動きながらカメラが破綻しないものです。コツは、各要素に専用の動詞と経路を与え、カメラには簡単な仕事を一つだけ与えることです。ここでは：リボンがボトルの周りを渦巻き、薄い霧が背景を漂い、カメラがゆっくり周回します。

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.

パラメータ： aspect_ratio: 1:1 · duration: 6 · resolution: 480P

なぜ効くのか：

各要素に動詞と方向がある。 リボンは「floats in from the left and spirals around the center bottle」、霧は「drifts across the background and settles」。各要素に経路を指定することで、それらが衝突して一団のノイズになるのを防ぎます。
カメラには簡単な仕事を。 被写体がすでに演出されているときは、素朴な「orbits slowly clockwise」で十分です。カメラにも複雑な動きをさせながら3つの要素を同時に駆動するのが、カメラが崩れる瞬間です。
物理の言葉がリアリズムを引き出す。 「physically accurate reflections on the glass and stage」が、ボトルが床に正しく映り込む理由です——反射する素材は明示的に示す必要があります。
no logos は有言実行。 商品ショットでは、モデルはそうでなければ勝手にブランドロゴを発明してしまいます。ネガティブ項目は画面をクリーンで使える状態に保つ手段です。

自分で実行する

上記の各クリップは、hiapi の /v1/tasks エンドポイント上の非同期タスクです——送信、ポーリング、ダウンロード。入力フィールドはちょうどレシピの4つのパラメータです：

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"
    }
  }'

レスポンスは taskId を返します。GET /v1/tasks/{taskId} をポーリングして status が success になるまで待ち、出力 URL からクリップを取得します（これは短期間有効なリンクです——すぐにダウンロードしてください）。

費用は実際に返された秒数ではなく、リクエストした秒数に応じて増えます。 2026年10月時点で、MiniMax H3 Max テキストtoビデオはリクエストした動画秒数で課金されます：480P は $0.072/秒、768P は $0.115/秒、1080P は $0.229/秒。したがってここでの3つの480Pクリップ（6秒 + 8秒 + 6秒）は合計約$1.44です。まず480Pでプロンプトを反復し、選んだバージョンを1080Pで再実行しましょう。最新価格はhiapi 価格ページを参照してください。

すでに欲しい最初のフレームがある？同じプロンプト文法は MiniMax H3 Max イメージtoビデオでも使えます——静止画を渡し、シーン全体ではなく動きと音を描写します。

よくある質問

MiniMax H3 Max は音声を生成しますか、それとも後で自分で付けますか？ プロンプトに基づいて音声を生成します。各レシピの Ambient sound: 行こそが、上記クリップの雨音、カフェのざわめき、シルクのシューッという音の源です——ポストプロダクションは不要です。明確に対話が欲しいのでない限り、no speech と書き、雰囲気を運任せにせず描写しましょう。

最大クリップ長は？ 各タスクの duration は0.92秒から15秒です。より長い内容は複数クリップを生成してつなぎ合わせます——レシピ2のように各クリップにビートを配置し、きれいに編集でつながるようにしましょう。

なぜクリップがぼやけたり灰色に見えたりするのですか？ たいていはプロンプトではなく解像度ティアの問題です。これらのサンプルは安価な反復のための480Pです。最終プロンプトを768Pや1080Pで再実行して納品の鮮明さを得てください。同時に素材と光の言葉（「physically accurate reflections」「studio rim lighting」）を加えましょう——それらはピクセル数に劣らずルックをシャープにします。

テキストや字幕が追加されるのをどう止めますか？ ネガティブ項目に no text を書きます（商品系ならさらに no subtitles、no logos）。テキストtoビデオモデルは画面上の文字を頻繁に勝手に生成します。明示的に列挙することが確実な解決策です。

どのアスペクト比を使うべきですか？ 掲載先に合わせます：シネマティックや横長には 16:9 や 21:9、SNSやモバイルには 9:16 や 3:4、商品画像やフィードには 1:1。プロンプトを書く前に選びましょう。アスペクト比が構図の描写の仕方を変えるからです。