Prompts de vídeo a partir de imagem do MiniMax H3 Max: soluções completas prontas a copiar e resultados reais

O MiniMax H3 Max é um modelo de vídeo que consegue animar uma imagem estática num clipe curto e gerar simultaneamente uma faixa de som ambiente. Dá-lhe um frame final, descreve o movimento de câmara, a dinâmica e o som pretendido, e ele renderiza um plano de 5 a 15 segundos que termina nesse frame. Pode ainda fornecer opcionalmente um frame inicial, e o modelo interpola entre o início e o fim uma metamorfose determinística.

Este guia apresenta três soluções de prompt prontas a copiar para o percurso de vídeo a partir de imagem, cada uma com o frame de entrada exato, o prompt completo e o clipe real que renderizamos com ele — aqui não há nada simulado. Cada prompt e imagem abaixo foi escrito e gerado por nós no hiapi, e pode aplicar diretamente a sua estrutura.

Como funciona na prática o vídeo a partir de imagem do MiniMax H3 Max

É uma chamada de tarefa assíncrona. Envia um pedido POST para https://api.hiapi.ai/v1/tasks, consulta o taskId devolvido até o estado passar a success e depois descarrega o vídeo a partir do URL de saída (esse link tem prazo de validade, por isso guarde o ficheiro imediatamente).

O ponto que costuma confundir: no percurso de vídeo a partir de imagem, last_frame_image é um campo obrigatório — é o plano onde o clipe termina. first_frame_image é opcional, quando quer controlar totalmente o início até ao fim, pode fixar o frame inicial. Antes de escrever o prompt, vale a pena conhecer mais algumas regras:

• A imagem de frame determina a proporção. Quando envia uma imagem de frame, não envie também aspect_ratio — a API rejeita o envio simultâneo dos dois. Recorte a imagem de entrada para a forma de vídeo pretendida.
• resolution pode ser 480P, 768P ou 1080P. duration é um número inteiro de segundos entre 5 e 15.
• O áudio é guiado pelo prompt. Descreva o som ambiente ("soft rain on glass, distant city hum") e o modelo adiciona uma faixa correspondente; se não quiser diálogo, diga "no speech".

Um corpo de pedido mínimo é assim:

{
  "model": "minimax-h3-max/image-to-video",
  "input": {
    "prompt": "Slow push-in toward the sign; neon reflections ripple on wet pavement. Ambient rain, no speech.",
    "last_frame_image": "https://your-cdn.example.com/ending-frame.jpg",
    "resolution": "480P",
    "duration": 5
  }
}

Quando também quer controlar o plano de abertura, adicione "first_frame_image": "https://.../start.jpg" (solução 3). Tudo o resto abaixo trata de como escrever o prompt para que o movimento, a composição e o som sejam realmente legíveis.

Solução 1 — Plano de revelação cinematográfico a partir de um único frame principal

Use esta solução quando tem um plano "matador" e quer que a câmara chegue até ele. Fornece apenas o frame final e deixa o prompt orquestrar o movimento que leva até lá.

Frame de entrada (usado como last_frame_image):

Clipe renderizado (768P, 5 segundos):

Prompt (pronto a copiar):

Comece de baixo, a poucos centímetros acima de uma piscina de água negra como espelho, depois deslize para a frente e suba num travelling ascendente para um plano de revelação amplo e lento em órbita: hora azul, um pavilhão de vidro suspenso sobre um mar tempestuoso. Uma escultura de cristal cinético desdobra-se numa espiral suave, refratando luz âmbar quente através de uma névoa ciano fria; a chuva deixa riscos no vidro e relâmpagos distantes cintilam no horizonte. Reflexos e refrações fisicamente precisos, luz volumétrica, movimento natural controlado, geometria estável, coerência temporal impecável, textura comercial de alta gama, grão de película subtil, sem pessoas, sem logótipos, sem texto, sem cortes, sem cintilação. Som ambiente: estrondo grave do mar, chuva a bater suavemente no vidro, ressonância subtil do cristal, sem diálogo.

Porque funciona:

• Uma descrição de plano contínua. "Comece de baixo… deslize para a frente… suba num travelling ascendente para um plano de revelação amplo e lento em órbita" dá ao modelo um único percurso claro, em vez de movimentos em competição.
• O frame final é a âncora, por isso o prompt só precisa de descrever a viagem até ele — a escultura pode "desdobrar-se", e é precisamente isso que gera movimento visível entre o estado inicial inventado pelo modelo e o frame que forneceu.
• Uma lista negativa compacta ("sem cortes, sem cintilação, sem texto") impede que a textura luxuosa dos 768P degenere numa montagem.
• Renderizado em 768P, porque é o plano principal; a imagem de capa deste artigo é um frame retirado diretamente dele.

Solução 2 — Travelling de aproximação atmosférico com som ambiente

A solução do dia a dia: um travelling lento que dá vida a uma cena estática, onde a faixa de áudio é tão importante como o movimento. Também aqui só precisa de um frame final.

Frame de entrada (usado como last_frame_image):

Clipe renderizado (480P, 5 segundos):

Prompt (pronto a copiar):

Meia-noite, um travelling lento e estável avança por um beco de néon encharcado pela chuva, as poças formam ondulações sob os pés, a câmara desliza suavemente em direção a um letreiro de uma loja de ramen que brilha em verde-azulado e magenta. Vapor enrola-se a partir das grelhas de ventilação da rua, lanternas de papel balançam suavemente, reflexos de néon cintilam no pavimento molhado. Gradação cinematográfica teal e laranja, profundidade de campo curta, névoa ligeira, textura realista de 35mm, movimento controlado, geometria estável, sem pessoas, sem texto legível, sem cortes. Som ambiente: chuva constante, zumbido distante da cidade, silvo ténue de vapor, sem diálogo.

Porque funciona:

• Um movimento lento + muitos micromovimentos. A câmara faz apenas uma coisa (avançar), enquanto as poças a ondular, o vapor a enrolar-se e as lanternas a balançar fornecem micromovimentos que criam realismo sem fazer a imagem derivar.
• A descrição de áudio faz realmente a diferença. "Chuva constante, zumbido distante da cidade, silvo ténue de vapor" é a chave que transforma a renderização de uma rua molhada num lugar. É o maior upgrade em relação aos modelos de imagem.
• 480P é o padrão certo durante a iteração — a $0.072/segundo, um teste de 5 segundos custa cerca de 36 cêntimos, por isso pode ajustar a formulação a baixo custo antes de decidir renderizar o produto final em 768P ou 1080P.

Solução 3 — Interpolação primeiro + último frame (o controlo distintivo)

É aqui que o H3 Max se distingue dos modelos de "animar a minha foto": dando-lhe simultaneamente o primeiro e o último frame, ele renderiza uma metamorfose controlada entre os dois. Ideal para transformações antes/depois que precisam de um início exato e de um fim exato.

Gerámos o frame de abertura e depois editámos esse mesmo frame para o seu estado "depois", mantendo a composição, a luz e o fundo exatamente iguais — o único elemento que muda é o sujeito.

Primeiro frame (first_frame_image) → último frame (last_frame_image):

Clipe renderizado (480P, 5 segundos):

Prompt (pronto a copiar):

Macro time-lapse de uma magnólia a desabrochar ao amanhecer: pétalas cobertas de orvalho desdobram-se lentamente de um botão compacto numa flor totalmente aberta, revelando o centro de estames pálidos, uma luz de contorno suave da manhã aquece toda a cena, o ramo balança quase impercetivelmente na brisa. Manter a mesma composição e o mesmo fundo durante todo o plano, detalhe botânico realista, movimento suave e contínuo, foco estável, sem pessoas, sem texto, sem cortes. Som ambiente: canto suave de pássaros ao amanhecer, brisa entre as folhas, sem diálogo.

Porque funciona:

• Dois frames = extremos determinísticos. Não precisa de esperar que o modelo chegue a um ponto plausível; já lhe disse explicitamente onde começa e onde para. O prompt só tem de descrever como percorrer entre os dois ("desdobram-se lentamente… movimento suave e contínuo").
• Manter a coerência dos frames. Como o nosso último frame é uma versão editada do primeiro (mesmo ramo, ângulo, luz), a interpolação parece uma flor a desabrochar e não um corte entre duas fotografias. Frames que não coincidem produzem metamorfoses abruptas.
• "Manter a mesma composição e o mesmo fundo durante todo o plano" diz ao modelo que a única coisa que pode mudar é a flor — o que impede a câmara de derivar.

Pontos-chave para ajustar

• Escreva planos, não legendas. Escreva por ordem o movimento de câmara, o movimento do sujeito, a luz e o som. Uma legenda ("uma flor a desabrochar") não dá ao modelo nada para animar.
• Orçamente por resolução e itere em 480P. A formulação do prompt raramente precisa de mais de 480P para ser avaliada; depois de fixar a formulação, volte a renderizar o produto final em 768P ou 1080P.
• Mantenha a duração em 5 segundos ao ajustar. Clipes mais longos custam mais linearmente e dão mais espaço ao movimento para derivar. Só alargue para 10–15 segundos quando o movimento e o áudio estiverem corretos.
• Não lute contra a proporção. Recorte o frame de entrada para 16:9, 9:16 ou 1:1 antes de o carregar; o clipe herda essa forma, e enviar aspect_ratio juntamente com um frame dá erro.
• Os prompts negativos são importantes para o refinamento. "Sem cortes, sem cintilação, sem texto, sem pessoas" remove de forma fiável os artefactos que fazem o vídeo de IA parecer IA.

Preço

O vídeo a partir de imagem do MiniMax H3 Max é cobrado pelos segundos de vídeo pedidos, com diferenciação por resolução (a partir de 2026-10):

Resolução	Preço por segundo	Clipe de 5 segundos
480P	$0.072	$0.36
768P	$0.115	$0.575
1080P	$0.229	$1.145

Portanto, os três clipes deste guia — um em 768P e dois em 480P, todos de 5 segundos — somam cerca de $1.30 de custo de vídeo. Antes de orçamentar em lote, consulte os números em tempo real na página de preços do hiapi; a tarifa por segundo é o número que muda.

Perguntas frequentes

Tenho de fornecer os dois frames? Não. No percurso de vídeo a partir de imagem, last_frame_image é obrigatório e first_frame_image é opcional. Apenas com o frame final (soluções 1 e 2) é adequado para "chegar a este plano", enquanto que para uma metamorfose controlada de início a fim (solução 3) se usam os dois frames.

Que resoluções e durações são suportadas? resolution é 480P, 768P ou 1080P; duration é um número inteiro de segundos entre 5 e 15.

Gera som? Sim — descreva o som ambiente no prompt e o modelo adiciona uma faixa correspondente. Acrescente "no speech" para manter sem diálogo. Os três clipes aqui têm faixa de som ambiente própria.

Como definir a proporção? É determinada pelo frame de entrada. Recorte o frame para a forma pretendida; não envie o campo aspect_ratio juntamente com a imagem de frame.

Só quero vídeo a partir de texto, sem imagem de entrada. Use antes o percurso de vídeo a partir de texto do MiniMax H3 Max — a mesma disciplina de prompt, sem necessidade de frames. Se estiver a comparar o H3 Max com outras APIs de vídeo, a nossa comparação entre Seedance 2.5 e 2.0 explica como escolher modelos de vídeo cobrados por segundo.

Comece a gerar

Pegue num frame principal, escreva-o como um plano com movimento de câmara e descrição de áudio, e envie para a API de vídeo a partir de imagem do MiniMax H3 Max. Comece em 480P para ajustar a formulação e depois volte a renderizar o produto final em resolução mais alta. Os detalhes completos do pedido e da consulta de estado estão na documentação do hiapi.