MiniMax H3 Max Turbo 入門ガイド：テキストから動画、最初と最後のフレーム画像から動画、パラメータと料金

MiniMax H3 Max Turbo は H3 Max の高速版で、HiAPI 上には 2 つの呼び出し ID があります：minimax-h3-max-turbo/text-to-video（テキストから動画）と minimax-h3-max-turbo/image-to-video（最初のフレーム画像から動画、最後のフレームも追加可能）。1 本 1〜15 秒、480P / 768P / 1080P の 3 段階で、秒単位で課金されます。この記事では 2 つの ID の選び方、パラメータの入力方法、料金の計算方法を説明します。

2 つの ID の選び方

• テキスト記述だけの場合：text-to-video を使います。必須は prompt のみで、画面比率は aspect_ratio で指定します。
• すでに映像がある場合：image-to-video を使います。prompt と image_url（最初のフレーム）が必須です。さらに end_image_url を最後のフレームとして指定でき、モデルが 2 つのフレームの間の動きを補完します。
• 画像から動画の出力画面比率は最初のフレーム画像に従い、aspect_ratio パラメータはありません。縦画面にしたい場合は縦画像を渡し、最初と最後のフレームの比率はできるだけ揃えてください。

パラメータ

• resolution：480P / 768P / 1080P、デフォルトは 768P。1080P は 768P の画面を精細化して得られるもので、ネイティブ生成は最大 768P です。
• duration：1〜15 秒、デフォルトは 5、小数も入力できます。実際の出力は入力した長さより最大約 0.7 秒長くなることがあり、例えば 5 秒を入力すると得られるクリップは約 5.2 秒になります。
• aspect_ratio（テキストから動画のみ）：21:9、16:9、4:3、1:1、3:4、9:16、デフォルトは 16:9。例えば 768P 3:4 は 768×1024、768P 21:9 は 1536×672 を出力します。
• prompt_expansion_mode：プロンプトの拡張。disabled はそのまま使用；balanced（デフォルト）は約 1 秒で書き換え完了；quality は最大約 30 秒かけてより詳細に記述します。
• target_audio_url：任意。少なくとも 2 秒、15MB 以下の音声を完成品の音声トラックとして渡します。動画より長い部分は切り捨てられます。これを使う場合、duration は少なくとも 2 を入力してください。
• seed：任意。同じ結果を再現したい場合に固定します。その他のパラメータも変更しないでください。
• 1 回のリクエストにつき 1 本の動画を生成します。この 2 つの ID は参照画像によるキャラクター固定、動画の続き生成、動画編集を提供しません。

呼び出し例

タスクを送信：

curl https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3-max-turbo/image-to-video",
    "input": {
      "prompt": "The cyclist slows near the street lamp and turns to look back, rain streaks in warm neon light, slow push-in",
      "image_url": "https://example.com/first-frame.png",
      "resolution": "768P",
      "duration": 5
    }
  }'

data.taskId が返されたら GET https://api.hiapi.ai/v1/tasks/<taskId> をポーリングします。status が success になったとき、動画の URL は data.output[0].url にあります。5 秒 768P なら通常十数秒で結果が出ます。結果リンクには有効期限があり（フィールド expireAt）、長期保存が必要な場合はご自身でダウンロードして保存してください。

料金

• 480P：毎秒 $0.025。
• 768P：毎秒 $0.04。
• 1080P：毎秒 $0.08。
• リクエストで入力した duration に基づいて課金され、2 つの ID は同料金です。例えば 768P 5 秒：5 × 0.04 = $0.20；1080P 10 秒：$0.80。
• 成功したタスクにのみ課金され、タスクが失敗した場合は全額返金されます。

プロンプトの書き方

• テキストから動画では「主体 + シーン + 動作 + カメラワーク + 光と雰囲気」の順で明確に書きます。
• 画像から動画では最初のフレームで構図が決まっているため、画面にすでにある内容を繰り返さず、「誰がどう動くか、カメラがどう動くか、何秒で完了するか」を十分に書きます。例えば「カメラがゆっくりと寄り、人物が 3 秒目に振り返る」などです。
• まず 480P、短い時間で動作とカメラワークを試し、満足したら 768P または 1080P を出力します。1080P の単価は 480P の 3.2 倍です。