MiniMax H3 API：文生视频、首尾帧与多模态参考

MiniMax H3 是 MiniMax 的通用多模态视频生成模型。它能理解文本、图片、视频和音频素材，并生成带原生声音的短视频。通过 HiAPI 接入时，模型 ID 固定为 minimax-h3，图像、视频和音频模型都走同一套异步任务接口。

如果你只是要从一句提示词做一条短视频，可以只传 prompt。如果商品外观、品牌画面或镜头起止更重要，H3 的首尾帧和多模态参考模式更值得用。模型当前支持 4 到 15 秒输出、原生 2K，以及 21:9、16:9、4:3、1:1、3:4、9:16 等画幅。具体可用选项以 MiniMax H3 模型页和 API 参数文档为准。

MiniMax H3 适合解决什么问题

它比较适合需要同时控制画面、动作和声音关系的短视频任务。例如，给一个产品页做带镜头运动的展示片，给品牌素材延续同一个视觉气质，或把一段参考视频的节奏、参考图里的主体和参考音频一起带进新镜头。

对电商、广告和产品团队来说，H3 的价值不只是“把图动起来”。有参考素材时，重点是把不能变的内容写清楚，例如产品形状、Logo 位置、主体身份、镜头角度和光线；把需要变化的内容单独描述，例如动作、背景、镜头推进或对白。这样后续验收时才知道是哪一部分偏了。

一个模型，三种常用工作流

工作流	适合的场景	关键输入
文生视频	从脚本、分镜或一句创意生成新画面	`prompt`
首尾帧控制	控制镜头开始和结束的产品状态或场景变化	`first_frame_image`，可选 `last_frame_image`
多模态参考视频	同时参考商品、人物、镜头节奏或音频素材	`image_urls`、`video_urls`、`audio_urls`

首尾帧控制和多模态参考是两种不同模式，不能混在一次请求里。使用尾帧时必须同时提供首帧。多模态参考最多可传 5 张图片、3 段视频和 3 段音频；音频不能单独作为输入，至少要同时提供参考图或参考视频。参考视频和音频单段为 2 到 15 秒，合计不超过 15 秒。

先用文生视频跑通一条最小任务

下面是一条 5 秒、16:9 的产品镜头示例。任务创建成功只代表服务端接收了请求，响应里的 data.taskId 用来查询后续状态。

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": "一只哑光深蓝色咖啡杯放在浅灰石桌上。镜头从中景缓慢推进，晨光从左侧照入，杯身保持不动，背景虚化，无文字。",
      "duration": 5,
      "resolution": "2K",
      "aspect_ratio": "16:9",
      "watermark": false
    }
  }'

本地调试可以用 GET /v1/tasks/{taskId} 查询结果。生产环境更适合在请求顶层设置 callback.url，并让自己的服务按 taskId 做幂等处理。任务进入终态后再判断 status：success 时下载 output[].url，fail 时根据错误信息修正输入，不要盲目重放同一份无效请求。

参考素材怎么用才有意义

首尾帧适合“镜头从 A 走到 B”的任务。比如新品发布片从未开灯的台灯开始，结束在暖光照亮桌面的状态。此时首帧负责锁住起点，尾帧负责锁住落点，提示词只需要解释中间发生的动作、运镜和光线变化。

多模态参考更适合持续的品牌或角色控制。商品主图可以放在 image_urls，镜头节奏参考放在 video_urls，音乐或氛围参考放在 audio_urls。提示词必须写明每类素材的角色，例如“保持参考图中的包袋外观和金属扣位置，沿用参考视频的横向推镜节奏，生成一条安静的产品展示片”。

别把所有素材都堆进去。每增加一份参考，模型需要理解的约束就更多。先用一张主体图验证外观保留，再增加镜头或音频参考，比较容易定位问题。