LTX 2.5 vs MiniMax H3: elige primero la tarea de vídeo

Una toma continua de dieciocho segundos, una animación cuadrada de producto y una escena de personaje creada a partir de varias fotografías son trabajos de vídeo. No son la misma compra. LTX 2.5 y MiniMax H3 coinciden en vídeos cortos desde texto y animación de fotograma inicial, pero sus opciones de entrega, referencias y precios pueden decidir la elección antes de comparar la calidad visual.

Elige LTX 2.5 para un nivel de salida 4K anunciado, una toma continua de más de quince segundos o iteraciones controladas mediante seed. Elige MiniMax H3 para un menor coste de generación, encuadre cuadrado o ancho, o una toma compuesta con varias imágenes de referencia. Para una misma solicitud de cinco segundos en 2k, LTX cuesta $0.95 y H3 $0.29. Las pruebas existentes muestran que ambos aceptan solicitudes para adultos; no determinan un ganador de movimiento o audio en condiciones equivalentes.

Tabla rápida para decidir

Un fotograma inicial y una colección de referencias resuelven problemas distintos. Si ya has aprobado persona, pose y composición, envía esa imagen fija a la tarea de imagen a vídeo. Si tienes imágenes separadas de los elementos y quieres una composición nueva, la tarea de referencias de H3 es la opción pertinente. Compararla con generación LTX desde texto sin condicionamiento sería comparar flujos con información diferente.

Idoneidad de la tarea: elige primero la entrada y la entrega necesarias, y después evalúa la toma generada.

Entradas y controles que afectan a la toma

La familia LTX 2.5 tiene tareas alojadas de texto e imagen. La familia MiniMax H3 añade generación con imágenes de referencia. Son H3 base y LTX 2.5, no H3 Max, una variante Spicy ni LTX 2.3.

En imagen a vídeo, el fotograma fuente determina la composición inicial en lugar de un selector independiente de relación de aspecto. La imagen final debe representar una continuación físicamente plausible: mismo personaje, dirección de cámara y entorno, con un cambio de estado significativo. Es el destino deseado, no una prueba de que cada fotograma intermedio preserve la fuente.

En una toma de manos y objeto, preparar la fuente vale más que añadir adjetivos. Mantén visibles el objeto completo, la superficie de contacto prevista y espacio suficiente para la acción. Una mano muy recortada junto a una taza invisible obliga al modelo de vídeo a inventar la relación ausente. Un encuadre aprobado más amplio define esa relación antes de que empiece el movimiento.

La ficha del modelo LTX nativo y el repositorio de MiniMax H3 describen herramientas y flujos de referencia más amplios. Esta tarea alojada de referencias H3 acepta imágenes, no matrices nativas de referencias de vídeo/audio. Las capacidades locales de LoRA y del entorno de ejecución tampoco deben enviarse como campos API inventados.

Precio: una diferencia que puede afectar a las iteraciones

Estas son las tarifas de salida de SpicyAPI para generación desde texto y fotograma inicial.

Los precios de la etiqueta 2k común se confirmaron con presupuestos gratuitos de solicitudes exactas. Los $0.29 de H3 son aproximadamente un 69% menos que los $0.95 de LTX para la misma duración solicitada y etiqueta de nivel. Es una diferencia de compra, no una mejora medida del 69% en eficiencia de producción. Cuatro candidatos H3 cuestan $1.16; dos candidatos LTX cuestan $1.90. Si los candidatos más baratos fallan repetidamente en el movimiento requerido, la ventaja de precio podría no dar una toma terminada.

Un cálculo útil incluye todos los cargos de generación necesarios para obtener la toma aceptada, más el trabajo de acabado relevante. Por ejemplo, dos borradores H3 2k completados pero inutilizables y un tercero válido suman $0.87. Una toma LTX válida costaría $0.95. Una tarea fallida y una generación terminada pero creativamente fallida tienen resultados de facturación distintos; usa los registros de tareas liquidadas para calcular el total real.

Las referencias H3 añaden otro cargo. Un presupuesto gratuito de cinco segundos en 768p con una referencia devolvió $0.1918, frente al subtotal de salida de $0.185 sin referencias. Solicita un presupuesto con la cantidad real de referencias en vez de tratarlas como entradas gratuitas. Además, el H3 base ya no ofrece expansión del prompt (retirada el 9 de octubre de 2026), así que no hay interruptor de expansión ni cargo de expansión que presupuestar. No presupuestes una opción solo porque su campo aparezca en el esquema.

Comparar los niveles más bajos responde a otra pregunta. LTX 720p y H3 768p tienen tamaños de entrega distintos. Para un borrador pequeño puede ser un ahorro razonable; para evaluar con igual resolución no sustituye al nivel común.

La etiqueta 2k común identifica una intersección de configuraciones. Compara las dimensiones decodificadas y ve los archivos completos a un tamaño de visualización constante.

Qué dicen las pruebas existentes sobre NSFW y calidad

Según nuestras pruebas de septiembre de 2026, ambas familias pueden generar vídeos para adultos sin censura:

• LTX 2.5: veinticuatro solicitudes de contenido para adultos entre tareas de texto e imagen produjeron veintitrés coincidencias de contenido y un resultado desde texto suavizado. Las categorías y cantidades difieren; no son veinticuatro pruebas de la misma escena.
• MiniMax H3 base: las doce solicitudes de contenido para adultos coincidieron en la muestra archivada de tareas de texto, imagen y referencias. Dos pruebas adicionales de violencia son independientes de esa muestra para adultos.
• Ninguna muestra es un concurso emparejado. Las diferencias de prompts, fechas y repeticiones impiden que sus totales demuestren que H3 sea en general más fiable o que LTX sea menos capaz.

La reseña de LTX 2.5 describe resultados visuales variados, incluida una buena escena de club y artefactos graves en ciertos movimientos complicados. La reseña de H3 documenta sus propios hallazgos históricos sobre contenido y tareas. La aceptación del contenido importa en un flujo para adultos, pero no puntúa la geometría de las manos, el control de cámara ni la identidad durante una escena.

Ya hay una comprobación concreta de entrega: el archivo de capacidades de septiembre registra una solicitud LTX 2.5 de once segundos en 2k que entregó 2560×1408 píxeles, 11.04 segundos y una pista de audio significativa. Demuestra una salida real de audio y vídeo larga y de alta resolución en esa configuración. No demuestra precisión de sincronización labial, un tiempo fijo de renderizado ni una comparación con un clip H3.

Para una toma editorial para adultos, prepara personaje y vestuario en la imagen inicial y después dirige un movimiento visible. Evalúa tanto el contenido previsto como el resultado cinematográfico. Un clip con contenido correcto y manos que se deforman sigue siendo inadecuado si el contacto manual es central en el encargo.

Una toma común práctica: una taza, un movimiento, un sonido

Para comparar las dos rutas con algo observable, usa una escena de alfarería de cinco segundos: un alfarero adulto gira una taza azul un cuarto de vuelta, da un toque en el borde y deja ambas manos a su lado. La cámara permanece fija. El contacto visible y el sonido facilitan describir los fallos.

El storyboard y las ilustraciones muestran la acción prevista, no resultados de ninguno de los modelos.

Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron stands behind a wooden workbench. One small blue glazed cup with a single handle rests on the bench. The potter brings both hands to the cup, gently turns the cup a quarter-turn with both hands, taps its rim once with one finger, then rests both hands beside it. Keep the cup intact and continuously visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.

Este prompt asigna una función a cada instrucción:

• Sujeto y entorno: definen quién actúa y dónde, en vez de un largo inventario de estilos.
• Objeto: una taza azul con una sola asa hace visibles las duplicaciones o rediseños.
• Orden de acciones: acercarse, girar, tocar y descansar da un final a la escena en lugar de un movimiento abierto.
• Cámara: una composición estática facilita evaluar el movimiento.
• Sonido: un contacto breve permite comprobar el tiempo; no prueba diálogo ni canto.

Para una ejecución desde fotograma inicial, usa el mismo archivo aprobado en ambas rutas. Sustituye las primeras frases descriptivas por: «Use the supplied image as the character, cup and studio design. Preserve their appearance and composition.» Conserva las instrucciones de acción, cámara y sonido. Dos imágenes fuente generadas por separado introducirían otra diferencia antes de empezar las tareas de vídeo.

Cuatro momentos: se acercan las manos, gira la taza, un dedo toca el borde y después descansan las manos.

Entradas API de texto a vídeo

Guarda una de estas solicitudes como request.json y envíala con el flujo SDK de la guía de la API de vídeo. El programa lee el ID del modelo elegido y la entrada, por defecto calcula el presupuesto sin crear la tarea y usa un ID de tarea guardado para la recuperación.

{
  "model": "lightricks/ltx-2.5/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9",
    "seed": 42017
  }
}

Para la solicitud H3 correspondiente, mantén prompt, duración, nivel y encuadre. Quita seed, porque la tarea H3 base no lo expone:

{
  "model": "minimax/h3/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9"
  }
}

Para imagen a vídeo, selecciona la tarea de imagen de cada familia, proporciona la fuente como image_url, omite aspect_ratio y conserva el prompt de movimiento. No incluyas la imagen final en el primer intento, salvo que la pregunta sea llegar a ese fotograma específico. Si importa el control del final, añade la misma imagen final compatible a ambos en una prueba separada.

Cuándo las referencias H3 son el mejor flujo

Supón que alfarero, taza y taller existen como tres imágenes separadas aprobadas. La tarea de referencias de H3 puede combinarlas en una toma nueva. Explica sus funciones explícitamente: «Image 1 defines the potter and indigo apron; Image 2 defines the blue cup and handle; Image 3 defines the studio. Compose a medium-wide view of the potter at the workbench, then perform the turn, tap and rest sequence.»

Es útil incluso sin un ganador en la comparación. Evita pedir al modelo que invente el objeto desde texto y forzar todos los elementos en un primer fotograma ya aprobado. Comprueba si realmente conserva cada función. Si es esencial una composición inicial precisa, compón primero esa imagen fija y usa generación desde fotograma inicial.

Evalúa el resultado sin convertir cada prueba en un laboratorio

Ve el clip completo a su velocidad prevista antes de examinar fotogramas sueltos. Un buen primer fotograma no muestra si el asa desaparece a mitad ni si la acción cambia de plano antes del toque.

En generación desde texto, los modelos pueden inventar caras distintas. Eso por sí solo no es un fallo. Evalúa la continuidad de cada personaje inventado. Con entrada de imagen, compara también el personaje devuelto con la fuente.

Inspecciona dimensiones reales, duración y flujo de audio. Los cinco segundos solicitados pueden no coincidir exactamente con la duración codificada. Conserva el original antes de recortar, redimensionar o sustituir el sonido. Si una toma visualmente válida solo necesita editar el sonido, regístrala como éxito visual con reparación de audio; no presentes el sonido sustituido como salida nativa.

Un alfarero, una taza azul sin asa y un tablero con bocetos de giro y toque. La taza con asa que pide el prompt aparece en la ilustración final.

Corrige el fallo que importa al encargo

Cambia la instrucción vinculada al problema visible en vez de reescribir todo el prompt después de cada intento.

Para creación dirigida a adultos, incluye el vestuario y el estado final deseado en la fuente o el encargo aprobado. Si la escena aumenta de intensidad más allá de lo pedido, considéralo un problema de fidelidad en vez de una mejora automática. Aceptar el contenido es solo una condición para una toma utilizable.

Un pequeño presupuesto de comparación que puedes usar

Elige la prueba según la decisión. Si una toma continua de dieciocho segundos ya selecciona LTX, no financies solicitudes H3 ajenas para demostrar otra vez el límite de duración. Si necesitas la colección de referencias de H3, compara disposiciones de referencias dentro de H3. Si la pregunta es el movimiento desde un mismo fotograma inicial, empieza ahí en vez de pagar las ramas de texto e imagen.

A cinco segundos y 2k:

• Una pareja desde fotograma inicial: $0.95 + $0.29 = $1.24.
• Una pareja de texto y una de imagen: cuatro clips, $2.48.
• Dos intentos por modelo en cada modo: ocho clips, $4.96.

Estos subtotales excluyen creación de imágenes fuente, referencias, revisiones adicionales y acabado. Una pareja muestra lo sucedido en una toma; no mide una tasa estable de resultados válidos. Repite solo si el primer resultado deja pendiente una decisión importante.

Para una base estricta, conserva la misma fuente y prompt y da a cada modelo igual número de intentos. Si adaptas la redacción para un modelo, separa esa rama y da al otro la misma oportunidad. Un seed con el mismo número no alinearía la aleatoriedad de modelos distintos aunque ambos lo expusieran; aquí solo LTX lo hace.

El mínimo de cuatro clips del diagrama cubre texto e imagen. Para una comparación desde fotograma inicial, dos clips cuestan $1.24; la preparación de la fuente es adicional y las alternativas no se suman.

Despliegue local, afirmaciones de velocidad y condiciones de uso

La página de comparación competitiva de Lightricks mezcla capacidades nativas y despliegues descritos de formas distintas. Un tiempo de generación local y un tiempo de finalización API alojado no son directamente comparables. La discusión comunitaria sobre esa tabla señala precisamente ese problema de alcance; sus opiniones no son un benchmark SpicyAPI en condiciones equivalentes.

Para trabajo alojado, la instantánea actual de finalización de 30 días favorece H3 para iteraciones más rápidas:

Estas cifras móviles mezclan duraciones, resoluciones y trabajos internos de prueba; no son pruebas emparejadas de cinco segundos. H3 es el punto de partida más prometedor cuando importa el plazo, aunque la solicitud real puede terminar fuera de estos tiempos típicos.

Los pesos nativos y su uso autorizado tienen condiciones independientes. La licencia comunitaria H3 excluye EE. UU., UE, Reino Unido y Corea del Sur de su territorio predeterminado y trata expresamente servicios alojados y salidas. La licencia LTX-2.x tiene condiciones comerciales distintas. La disponibilidad en catálogo no establece por sí misma permisos para un despliegue o uso concreto; consulta el acuerdo de servicio aplicable además de los términos del modelo.

Preguntas frecuentes

¿Cuál es mejor para vídeo NSFW, LTX 2.5 o MiniMax H3?

Ambos aceptaron solicitudes para adultos en las muestras archivadas de tareas base. LTX tuvo un resultado de texto suavizado; la muestra para adultos más pequeña de H3 coincidió. Esas muestras distintas no prueban un ganador general. Usa H3 para borradores cortos baratos o múltiples imágenes de referencia, y LTX para tomas más largas o el nivel 4K; evalúa juntos el contenido y el movimiento reales.

¿MiniMax H3 es más barato en el mismo nivel de salida?

Con la etiqueta compartida 2k, cinco segundos se presupuestan en $0.29 en H3 frente a $0.95 en LTX. Las referencias añaden cargos y deben comprobarse las dimensiones decodificadas antes de llamarlo una comparación de píxeles idénticos. Los intentos completados necesarios para la toma final determinan el coste real de producción.

¿Puede H3 crear una toma de veinte segundos o 4K en estas tareas?

No. Estas tareas base alojadas de H3 se limitan a quince segundos y 2k. LTX 2.5 anuncia hasta veinte segundos y un nivel 4K. Es posible unir varios clips H3 en un editor, pero produce una secuencia, no una generación garantizada e ininterrumpida de veinte segundos.

¿Puedo usar las mismas imágenes iniciales y finales en ambos?

Sí, en las dos tareas de imagen a vídeo. Usa archivos idénticos y composiciones compatibles. Inspecciona el centro de los clips devueltos además de sus extremos: llegar a un último fotograma similar no demuestra que manos y objetos mantuvieran coherencia durante la transición.

¿Ambos generan sonido y cuál es más rápido?

Ambos generan audio y vídeo. H3 tiene la mediana alojada más corta en la comparación anterior: aproximadamente medio minuto frente a casi minuto y medio para LTX. Esto favorece H3 para borradores rápidos, pero los tiempos de cargas mixtas no clasifican calidad de diálogo ni sincronización.

La decisión

Para una escena corta sin restricciones especiales de entrega, H3 es el candidato inicial de menor coste. Para una toma continua larga, salida 4K anunciada o iteraciones controladas mediante seed, LTX tiene los controles pertinentes. Elige referencias H3 cuando imágenes separadas de los elementos deban definir una composición nueva. Elige generación desde fotograma inicial en cualquiera cuando la composición esté aprobada.

La taza con asa y las tres acciones después del acercamiento de las manos: cuarto de vuelta, un solo toque en el borde y descanso.

Cuando ambas tareas encajen, usa la pareja de cinco segundos en 2k de $1.24 para resolver la pregunta real de movimiento en lugar de comprar un benchmark amplio por defecto. Evalúa juntos acción, conservación de la fuente, sonido y cargo, y conserva el modelo que entregue la toma que necesita tu proyecto.