Einführung
Die Referenz-zu-Video-API von MiniMax H3 Lite erstellt mit Bild-, Video- und Audioreferenzen 4–15 Sekunden lange Clips mit Ton in 480p oder 768p. Nennen Sie im Prompt jedes Bild, jeden Clip und jede Stimme und prüfen Sie, ob die Besetzung zusammenpasst, bevor Sie eine Serie planen. Die leichte Variante eignet sich zum Ausprobieren von Ideen und zum Erstellen mehrerer Versionen. Jede Anfrage ergibt genau eine MP4-Datei, in der Bild und Ton zusammen entstehen.
Modus nach Ausgangsmaterial wählen
| Was Sie haben | Modus |
|---|---|
| nur eine Idee | MiniMax H3 Lite Text zu Video |
| ein Standbild zum Animieren, optional mit Endbild | MiniMax H3 Lite Bild zu Video |
| Personen, Outfits, Orte, Bewegungsclips oder Stimmen | MiniMax H3 Lite Referenz zu Video |
Wichtige Funktionen und Highlights
Bis zu 15 Referenzen
MiniMax H3 Lite nimmt in einer Anfrage bis zu 9 Bilder, 3 Videoclips (insgesamt 15 Sekunden) und 3 Audioclips an. Jede Datei kann etwas anderes liefern: eine Person, ein Outfit, einen Raum, eine Bewegung oder eine Stimme.
Im Prompt benennen
Verweisen Sie darauf mit „die Frau in Image 1“, „die Bewegung aus Video 1“ und „die Stimme aus Audio 1“. Die Nummern folgen der Reihenfolge der jeweiligen Liste.
Abrechnung nach den Eingaben
Fünf Bilder sind pro Anfrage abgedeckt, jedes weitere kostet einen kleinen Aufschlag. Die Sekunden eines Referenzvideos zählen wie Ausgabesekunden, Audio ist gratis.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Ja | Pflicht, 1 bis 7.000 Zeichen; längere Prompts werden abgelehnt. Gesprochene Zeilen in doppelte Anführungszeichen setzen. mindestens 1 Zeichen · höchstens 7000 Zeichen |
reference_image_urls | Nein | Bis zu 9 Bilder; nummerieren Sie sie in der Reihenfolge, die der Prompt verwendet (Image 1, Image 2 …). mindestens 1 Einträge · höchstens 9 Einträge |
reference_video_urls | Nein | Bis zu 3 Clips mit je 2 bis 15 Sekunden, zusammen 15 Sekunden. Ihre Sekunden werden wie Ausgabesekunden berechnet. mindestens 1 Einträge · höchstens 3 Einträge |
reference_audio_urls | Nein | Bis zu 3 WAV- oder MP3-Clips, die eine Stimme oder einen Klang festlegen, ohne Aufpreis. Schicke dazu mindestens ein Bild oder Video. mindestens 1 Einträge · höchstens 3 Einträge |
aspect_ratio | Nein | Eines von 16:9 (Standard), 9:16, 1:1, 4:3, 3:4 oder 21:9. Ändert den Preis nicht. |
resolution | Nein |
|
duration_seconds | Nein | Ganze Sekunden, 4 bis 15, Standard 5. Abgerechnet pro Sekunde zusammen mit der Auflösung. |
Preis
Die Ausgabe wird pro Sekunde zu dem Satz der gewählten Auflösung berechnet, 480p oder 768p. Sekunden des Referenzvideos zählen wie Ausgabesekunden, die ersten 5 Referenzbilder sind enthalten, jedes weitere Bild kostet einen kleinen Aufschlag, und Audio kostet nichts. Den aktuellen Satz zeigt immer die Modellseite.
| Spezifikation | Preis |
|---|---|
| $0.025 / Sekunde |
| $0.04 / Sekunde |
Anwendungsfälle
Szenen aus getrennten Dateien
Senden Sie ein Porträt, ein Outfitfoto und ein Raumbild als drei Bilder. MiniMax H3 Lite setzt diese Person dann in diese Kleidung an diesen Ort, mit einem Stimmclip als Audio 1, wenn die Figur spricht.
Dieselbe Figur über mehrere Clips
Senden Sie in jeder Anfrage dasselbe Porträt als Image 1, und MiniMax H3 Lite behält Gesicht und Outfit bei, während sich die Szene darum herum ändert. So bleibt eine wiederkehrende Figur oder virtuelle Moderation über eine ganze Clipserie wiedererkennbar.
Eine Bewegung übernehmen
Senden Sie einen kurzen Clip als Video 1 und lassen Sie MiniMax H3 Lite seine Bewegung mit der Person aus Image 1 nachbilden, etwa für Tanz, Gestik oder Kamerabewegungen. Ein kurzer, sauberer Referenzclip macht die Bewegung gut lesbar und hält die Rechnung niedrig, da seine Sekunden berechnet werden.
Prompt-Leitfaden und Praxistipps
Eine Aufgabe pro Referenz
Geben Sie jeder Datei eine klare Rolle, ein Gesicht, ein Outfit, einen Raum, eine Bewegung oder eine Stimme, und nennen Sie diese Rolle im Prompt. Wenn mehrere Rollen in einem Bild stecken, wird das Ergebnis schwerer vorhersehbar; ein zugeschnittenes Gesicht funktioniert besser als ein Gruppenfoto.
Audio braucht ein Bild
Audioclips können nicht die einzige Referenz sein. Senden Sie mindestens ein Bild oder Video und setzen Sie Gesprochenes im Prompt in doppelte Anführungszeichen. Das Audio legt fest, wie die Stimme klingt, der Prompt dagegen, was gesagt wird und wer spricht.
Referenzvideo zuerst kürzen
Clips werden auf 2 bis 15 Sekunden je Clip und insgesamt 15 Sekunden angepasst, und diese Sekunden werden wie Ausgabe berechnet. Schneiden Sie die Referenz deshalb auf den Teil zurück, der die gewünschte Bewegung zeigt, bevor Sie sie senden.
Die Ausgabe wird pro Sekunde zu dem Satz der gewählten Auflösung berechnet, 480p oder 768p. Sekunden des Referenzvideos zählen wie Ausgabesekunden, die ersten 5 Referenzbilder sind enthalten, jedes weitere Bild kostet einen kleinen Aufschlag, und Audio kostet nichts. Den aktuellen Satz zeigt immer die Modellseite.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-lite/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
