Prompts de texto para vídeo do MiniMax H3 Max: receitas práticas e resultados reais prontos para copiar e colar

A maioria dos prompts de texto para vídeo falha sempre no mesmo ponto: eles descrevem uma imagem, não uma tomada. O que você recebe é um quadro bonito que quase não se move, ou que vira um borrão assim que se move. O MiniMax H3 Max recompensa exatamente o hábito oposto — escrever prompts como um diretor. Diga a ele onde o plano começa, onde termina, como esses segundos se distribuem e como a cena soa, e ele sustenta a tomada com lógica de movimento de câmera real e uma trilha sonora correspondente.

Este guia traz três receitas prontas para copiar e colar, cada uma centrada em um ponto de controle que você realmente precisa: movimento de câmera, distribuição do ritmo dentro de uma duração fixa e coreografia coordenada de vários elementos em movimento. Cada clipe abaixo foi gerado no hiapi com o prompt original impresso logo ao lado — sem curadoria, sem limpeza posterior. Copie o prompt, troque o sujeito e publique seu próprio trabalho.

Os três exemplos foram renderizados em 480P, para iteração rápida e barata (o nível mais econômico); quando você precisar de qualidade de entrega, os mesmos prompts podem ser ampliados diretamente para 768P e 1080P.

Como o MiniMax H3 Max interpreta prompts

A chamada exige um prompt mais três parâmetros, e o próprio prompt carrega um quarto parâmetro invisível — o som. Com o modelo mental correto, as receitas abaixo deixam de parecer mágica:

• prompt —— descrição da tomada, não legenda. O modelo responde a verbos de movimento de câmera ("push in", "crane up", "orbit"), a palavras de iluminação e atmosfera, e a uma linha explícita Ambient sound:, que comanda o áudio gerado.
• duration —— um número de 0.92 a 15 segundos. É o seu orçamento de ritmo. Quanto mais segundos, mais batidas você pode encaixar; quanto menos, mais foque em concluir uma única ação.
• resolution —— 480P, 768P ou 1080P. Iteração barata, entrega nítida.
• aspect_ratio —— 21:9, 16:9, 4:3, 1:1, 3:4 ou 9:16. Escolha conforme o destino da peça antes de escrever o prompt (cinematográfico, vertical para redes sociais, imagem quadrada de produto), porque o enquadramento muda a forma como você descreve a composição.

Toda receita depende de dois hábitos importantes. Primeiro, ancorar a câmera: diga de onde ela parte e onde chega, e o movimento intermediário se mantém coerente. Segundo, listar os negativos — no people, no text, no cuts, no speech — porque modelos de texto para vídeo adoram inventar legendas e cortes secos num plano que deveria ser contínuo.

Receita 1 —— Movimento de câmera: aproximação e revelação com grua

O movimento único mais útil começa perto e depois abre o campo de visão. Aqui a câmera começa a poucos centímetros de um guarda-chuva vermelho sobre pedras molhadas e então avança e sobe numa grua, revelando o beco inteiro. Um sujeito, uma ação contínua, uma recompensa no final.

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.

Parâmetros: aspect_ratio: 16:9 · duration: 6 · resolution: 480P

Por que funciona:

• Uma frase, duas posições de câmera. "starts low and close… then pushes forward and cranes upward into a wide reveal" dá ao modelo um quadro inicial e um quadro final. Ele interpola entre os dois um movimento verossímil, em vez de vagar sem rumo.
• Movimento que não é da câmera. "drifting fog" e "raindrops rippling the puddles" dão vida à cena sem competir com o movimento da câmera. O movimento secundário evita que a imagem pareça congelada.
• As palavras de atmosfera realmente trabalham. "warm-cool color contrast" e "shallow depth of field" empurram o visual para o cinematográfico; o contraste entre o âmbar e a névoa no resultado vem direto dessa frase.
• Teste de substituição: troque o guarda-chuva e o beco por "a vintage motorcycle in a neon-lit garage" e mantenha a frase de câmera como está — o movimento migra de forma limpa.

Receita 2 —— Ritmo: gastar uma duração fixa com batidas cronometradas

Quando você tem mais do que alguns segundos, não descreva um instante estático para o clipe inteiro — roteirize as batidas. Marque janelas de tempo no prompt para dizer ao modelo como distribuir a duração. Este clipe vertical de 8 segundos executa uma sequência de despejo em três batidas.

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.

Parâmetros: aspect_ratio: 9:16 · duration: 8 · resolution: 480P

Por que funciona:

• As batidas correspondem aos segundos. "Beat 1 (0-3s)… Beat 2 (3-6s)… Beat 3 (6-8s)" diz ao modelo como distribuir a duração, então a ação avança em vez de repetir o mesmo gesto. Faça a soma das janelas de batida ser igual ao duration solicitado.
• Uma batida = uma mudança. Cada batida introduz apenas uma coisa nova (despejo → leite florescendo → recuo revelador). Enfie duas mudanças numa batida e o modelo tende a atropelar ou misturar tudo.
• Guarde a revelação para o fim. O recuo da Beat 3 é a recompensa. Terminar num enquadramento mais aberto soa como um encerramento intencional, não como um clipe que acabou sem tempo.
• Vertical é escolha de composição, não só recorte. Com 9:16, você descreve um quadro alto — um copo preenchendo o centro — em vez de espremer um quadro horizontal na tela do celular.

Receita 3 —— Coreografia de cena: vários elementos se movendo juntos

As cenas mais difíceis são aquelas em que várias coisas se movem ao mesmo tempo e a câmera não desmorona. O truque é dar a cada elemento o seu próprio verbo e caminho, e então dar à câmera uma tarefa simples. Aqui: uma fita espirala em torno de uma garrafa, uma névoa fina passa ao fundo e a câmera orbita lentamente.

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.

Parâmetros: aspect_ratio: 1:1 · duration: 6 · resolution: 480P

Por que funciona:

• Cada elemento tem verbo e direção. A fita "floats in from the left and spirals around the center bottle"; a névoa "drifts across the background and settles". Indicar um caminho para cada elemento evita que colidam num amontoado de ruído.
• Dê à câmera uma tarefa simples. Quando o sujeito já está coreografado, um simples "orbits slowly clockwise" basta. Fazer a câmera executar um movimento complexo e dirigir três elementos ao mesmo tempo é exatamente o momento em que a tomada desmorona.
• Palavras de física compram realismo. "physically accurate reflections on the glass and stage" é o motivo de as garrafas refletirem corretamente no chão — materiais reflexivos precisam ser apontados explicitamente.
• no logos faz jus ao nome. Em tomadas de produto, o modelo inventaria logotipos de marca do nada. Os negativos são o meio de manter a imagem limpa e utilizável.

Rode você mesmo

Cada clipe acima é uma tarefa assíncrona no endpoint /v1/tasks do hiapi — envie, consulte, baixe. Os campos de entrada são exatamente os quatro parâmetros das receitas:

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"
    }
  }'

A resposta devolve um taskId; consulte GET /v1/tasks/{taskId} até que status seja success e então baixe o clipe pela URL de saída (é um link de curta validade — baixe imediatamente).

O custo cresce conforme os segundos que você solicita, não conforme os segundos efetivamente retornados. Em outubro de 2026, o texto para vídeo do MiniMax H3 Max é cobrado por segundo de vídeo solicitado: $0.072/segundo em 480P, $0.115/segundo em 768P e $0.229/segundo em 1080P. Assim, os três clipes em 480P aqui (6 s + 8 s + 6 s) somam cerca de $1.44. Itere o prompt em 480P e depois rode a versão escolhida em 1080P. Veja os preços em tempo real na página de preços do hiapi.

Já tem o primeiro quadro que quer? A mesma sintaxe de prompt vale para o MiniMax H3 Max imagem para vídeo — entregue um quadro estático e descreva movimento e som, em vez da cena inteira.

Perguntas frequentes

O MiniMax H3 Max gera som, ou eu adiciono depois? Ele gera áudio a partir do seu prompt. A linha Ambient sound: de cada receita é exatamente a origem da chuva, do burburinho de café e do sussurro de seda nos clipes acima — sem pós-produção. A menos que você queira diálogo explicitamente, escreva no speech e descreva a atmosfera desejada, em vez de deixar ao acaso.

Qual é a duração máxima do clipe? A duração de cada tarefa vai de 0.92 a 15 segundos. Para conteúdos mais longos, gere vários clipes e monte-os — e coreografe as batidas de cada um como na receita 2, para que se conectem de forma limpa na edição.

Por que meu clipe parece mole ou acinzentado? Normalmente o problema está no nível de resolução, não no prompt. Estes exemplos são em 480P, para iteração barata. Rode o prompt final em 768P ou 1080P para obter nitidez de entrega. Além disso, acrescente palavras de material e iluminação ("physically accurate reflections", "studio rim lighting") — elas afinam o visual tanto quanto a contagem de pixels.

Como impedir que ele adicione texto ou legendas? Escreva no text nos negativos (para produtos, acrecente no subtitles e no logos). Modelos de texto para vídeo frequentemente geram texto na tela do nada; listar explicitamente é a solução confiável.

Qual proporção de tela devo usar? Combine com o destino: 16:9 ou 21:9 para cinematográfico e horizontal, 9:16 ou 3:4 para redes sociais e mobile, 1:1 para imagens de produto e feeds. Escolha antes de escrever o prompt, porque o enquadramento muda a forma como você descreve a composição.

Comece a dirigir

O padrão por trás das três receitas é o mesmo: declare o ponto de partida e o de chegada da câmera, gaste a duração com batidas, dê a cada elemento em movimento o seu próprio verbo e escreva o som. Copie estes prompts, troque pelo seu sujeito e itere em 480P até o movimento de câmera ficar certo.

Quando estiver certo, rode em 1080P e baixe o clipe final na página do modelo MiniMax H3 Max texto para vídeo — mesmo prompt, qualidade de entrega.