Раскадровка сцен MiniMax H3: пример преобразования из текста в изображение

Двухуровневое преобразование «текст → концепт-изображение → динамический фрагмент» демонстрирует мультимодальные референсные возможности MiniMax H3. Сначала в работе создаётся концепт-раскадровка, задающая композицию, цвет и персонажа, затем это изображение передаётся в H3 в качестве референсного материала для генерации 2K горизонтального короткого ролика — так проверяется, насколько референсное изображение ограничивает стиль кадра и согласованность субъекта. На уровне схемы намеренно используется ветка «генерация видео по мультимодальному референсу»: image_urls несёт концепт-изображение, prompt описывает язык камеры и ритм; управление первым и последним кадром через first_frame_image/last_frame_image не применяется, чтобы избежать конфликта с полями референсных медиа. duration задан 6 секунд, aspect_ratio фиксирован 16:9, resolution использует единственный доступный вариант 2K, watermark остаётся выключенным. Область применения: прототипирование раскадровок для коротких видео и рекламы, анимация иллюстраций, пакетная предвизуализация кадров с согласованностью персонажа или стиля, а также повторное использование конвейера генерации видео с открытыми весами в локальных рабочих процессах вроде ComfyUI. Разработчики могут рассматривать этот элемент как минимальный рабочий образец комбинации входов «концепт-изображение → референсное видео»: достаточно заменить референсное изображение в image_urls, чтобы воспроизвести композицию того же типа.