MiniMax H3 API на русском: текст в видео, первый и последний кадры и мультимодальные референсы

MiniMax H3 — универсальная мультимодальная модель генерации видео от MiniMax. Она понимает текст, изображения, видео и аудиоматериалы и создаёт короткие видео с нативным звуком. При подключении через HiAPI идентификатор модели фиксирован — minimax-h3; модели изображений, видео и аудио используют один и тот же асинхронный интерфейс задач.

Если нужно просто создать короткое видео по одной подсказке, достаточно передать prompt. Если важнее внешний вид товара, фирменные кадры или начальное и конечное состояние кадра, лучше использовать режимы первого/последнего кадра и мультимодальных референсов. В настоящее время модель поддерживает вывод длительностью от 4 до 15 секунд, нативное 2K и соотношения сторон 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 и другие. Конкретные доступные опции см. на странице модели MiniMax H3 и в документации по параметрам API.

Какие задачи решает MiniMax H3

Она хорошо подходит для коротких видеозадач, где нужно одновременно управлять изображением, движением и связью со звуком. Например, создать для страницы товара ролик с движением камеры, продолжить визуальный стиль бренда или перенести в новый кадр ритм референсного видео, субъект с референсного изображения и референсное аудио.

Для команд электронной коммерции, рекламы и продуктовых команд ценность H3 не только в том, чтобы «оживить картинку». При наличии референсных материалов главное — чётко описать то, что не должно меняться: форму товара, положение логотипа, идентичность субъекта, угол камеры и освещение; а то, что должно меняться, описать отдельно: действия, фон, движение камеры или диалог. Тогда при приёмке будет понятно, какая именно часть отклонилась.

Одна модель, три типовых рабочих процесса

Рабочий процесс	Подходящие сценарии	Ключевые входные данные
Текст в видео	Создание нового изображения по сценарию, раскадровке или одной идее	prompt
Управление первым и последним кадром	Управление состоянием товара или изменением сцены в начале и в конце кадра	first_frame_image, опционально last_frame_image
Мультимодальное референсное видео	Одновременное использование референсов товара, персонажа, ритма камеры или аудиоматериалов	image_urls, video_urls, audio_urls

Управление первым и последним кадром и мультимодальные референсы — это два разных режима, их нельзя смешивать в одном запросе. При использовании последнего кадра необходимо также указать первый кадр. В мультимодальном режиме можно передать до 5 изображений, 3 видео и 3 аудиофрагментов; аудио не может быть единственным входным материалом — нужно также передать референсное изображение или видео. Длительность каждого референсного видео и аудиофрагмента — от 2 до 15 секунд, суммарно не более 15 секунд.

Сначала запустите минимальную задачу с текстом в видео

Ниже пример 5-секундного кадра товара в формате 16:9. Успешное создание задачи означает лишь, что сервер принял запрос; data.taskId в ответе используется для запроса последующего статуса.

curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3",
    "input": {
      "prompt": "Матово-тёмно-синяя кофейная чашка стоит на светло-сером каменном столе. Камера медленно приближается со среднего плана, утренний свет падает слева, корпус чашки остаётся неподвижным, фон размыт, без текста.",
      "duration": 5,
      "resolution": "2K",
      "aspect_ratio": "16:9",
      "watermark": false
    }
  }'

Для локальной отладки можно запрашивать результат через GET /v1/tasks/{taskId}. В продакшене лучше задать callback.url на верхнем уровне запроса и обеспечить идемпотентную обработку по taskId на своей стороне. Статус status следует проверять только после перехода задачи в терминальное состояние: при success скачивайте output[].url, при fail исправляйте входные данные по информации об ошибке и не повторяйте вслепую один и тот же недействительный запрос.

Как использовать референсные материалы осмысленно

Первый и последний кадры подходят для задач вида «камера проходит путь от A к B». Например, ролик о запуске нового продукта начинается с выключенной настольной лампы и заканчивается состоянием, когда тёплый свет освещает стол. В этом случае первый кадр фиксирует начальную точку, последний — конечную, а в подсказке нужно описать только происходящее между ними действие, движение камеры и изменение освещения.

Мультимодальные референсы лучше подходят для последовательного управления брендом или персонажем. Главное изображение товара можно поместить в image_urls, референс ритма камеры — в video_urls, референс музыки или атмосферы — в audio_urls. В подсказке необходимо явно указать роль каждого типа материала, например: «Сохранить внешний вид сумки и положение металлической застёжки с референсного изображения, использовать ритм горизонтального наезда камеры из референсного видео, создать спокойный ролик с демонстрацией товара».

Не стоит складывать все материалы сразу. С каждым дополнительным референсом модели нужно учитывать всё больше ограничений. Сначала проверьте сохранение внешнего вида на одном изображении субъекта, затем добавляйте референсы камеры или аудио — так проще локализовать проблему.

Какую информацию следует указывать в подсказке

Многоразовая видеоподсказка обычно состоит из четырёх частей: субъект, действие, камера, звук или окружение. В субъекте нужно описать визуальную информацию, которая не должна меняться; в действии — происходящее событие; в камере — точку съёмки и движение; в звуке — наличие диалога, окружающих звуков или музыкальной атмосферы.

Например, для рекламы товара можно написать: «Сохранить белый футляр для наушников, оранжевый корпус и маркировку NOMA с референсного изображения без изменений. Камера медленно приближается со среднего плана стола, футляр открывается, два наушника остаются на своих местах. Естественный свет из окна, тихий фоновый звук, без закадрового голоса, без дополнительного текста». Такой ролик гораздо проще принять, чем результат подсказки «сделай красивую рекламу наушников».

Перед внедрением H3 в производственный процесс

Рекомендуется сначала провести небольшой приёмочный тест на трёх примерах: чистая генерация видео по тексту, управление первым и последним кадром и мультимодальное референсное видео. Для каждого зафиксируйте входные материалы, длительность вывода, переходы статусов, информацию об ошибках, URL результатов и итоговый счёт. Убедившись, что все режимы стабильно работают в вашем продукте, переходите к пакетной генерации.

Цена рассчитывается по количеству секунд вывода и текущему тарифу, поэтому на странице не указана фиксированная цена за единицу. Перед отправкой запроса проверьте актуальную цену на странице модели MiniMax H3; после запуска ориентируйтесь на записи задач и счёт аккаунта. Подробнее об асинхронных задачах, callback и устранении ошибок читайте в руководстве по интеграции MiniMax H3.

Частые вопросы

Какие входные данные поддерживает MiniMax H3?

Она может генерировать видео только по тексту, а также управляться первым кадром, первым и последним кадрами или референсными изображениями, видео и аудио. Поля первого/последнего кадра и мультимодальных референсов нельзя смешивать.

Может ли MiniMax H3 генерировать звук?

MiniMax H3 поддерживает генерацию видео с нативным звуком, а в режиме мультимодальных референсов можно использовать аудиоматериалы. Аудиореференс требует одновременного использования референсного изображения или видео.

Какова максимальная длительность одного видео?

Текущая длительность вывода — от 4 до 15 секунд. Длинные видео обычно следует генерировать как несколько кадров, а затем монтировать и склеивать в собственном рабочем процессе.

Что использовать: опрос статуса или callback?

Для локальной отладки и низкочастотных задач можно использовать опрос. В продакшене рекомендуется использовать callback.url для получения уведомлений о терминальном состоянии и сохранять запрос деталей задачи как механизм компенсации при сбое callback.

Посмотреть MiniMax H3, прочитать документацию по параметрам API или получить API Key.