Introducción
MiniMax H3 Imagen a video parte de un fotograma inicial enviado en image_url y genera lo que pasa después: de 4 a 15 segundos enteros en 768p o 2k, con sonido generado en la misma pasada. Un last_image_url opcional le da al clip un fotograma final hacia el cual resolverse. No hay campo de relación de aspecto, porque el fotograma inicial define la forma de la salida.
Elige el modo según el material inicial
| Material inicial | Modo |
|---|---|
| una escena escrita o un guion | MiniMax H3 Texto a video |
| una imagen inicial aprobada | MiniMax H3 Imagen a video |
| de una a nueve imágenes de referencia | MiniMax H3 Referencias a video |
Funciones y aspectos destacados
El fotograma inicial decide el sujeto
El modelo sigue de cerca el fotograma recibido, lo que lo convierte en la forma más literal de obtener el sujeto, el vestuario y el espacio que diseñaste. En el ejemplo windowsill-turn, todo lo identificable, desde el rostro hasta el atuendo y la ventana con lluvia, viene de la imagen; el prompt solo pide una exhalación, un pulso de neón y un giro de cabeza. Un fotograma inicial que ya muestra la escena se acerca mucho más al brief que las mismas palabras escritas en text-to-video.
Un fotograma final opcional
last_image_url fija dónde aterriza el plano. El ejemplo de la puerta usa ambos extremos: ocho segundos que empiezan dentro de la habitación y terminan en una composición de puerta proporcionada. El fotograma final solo ajusta el cierre. La parte media del clip se sigue generando libremente, y cuanto más largo es el clip, más puede alejarse el movimiento del fotograma final.
Duración, resolución y límites de entrada
La duración va de 4 a 15 segundos enteros, pero 4 segundos solo están disponibles en 768p; 2k requiere al menos 5 segundos. Ambas resoluciones son nativas. El fotograma inicial debe medir entre 256 y 5,760 px por lado, tener una relación entre 2:5 y 5:2 y pesar menos de 30 MB.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Describe el cambio posterior al cuadro de apertura: acción, cámara, sonido. No vuelvas a describir el cuadro. mínimo 1 caracteres · máximo 7000 caracteres |
image_url | Sí | El fotograma inicial. Fija sujeto, vestuario y composición, y el modelo lo sigue de cerca. |
last_image_url | No | Cuadro de cierre opcional. Aprieta solo el final; el medio del clip sigue libre. |
resolution | No | 768p o 2k, ambos nativos. Borronea en 768p y entrega en 2k. |
duration_seconds | No | Segundos enteros, de 4 a 15. Los cuatro segundos solo salen en 768p. |
Precios
| Especificación | Precio |
|---|---|
| $0.037 / segundo |
| $0.058 / segundo |
Casos de uso
Animar una imagen que ya aprobaste
Si ya existe un fotograma, sea una imagen generada o una foto con derechos resueltos, este endpoint la convierte en movimiento sin volver a describirla. El prompt lleva solo el cambio (acción, cámara, sonido), así que cada palabra queda para lo que la imagen no puede decir por sí sola.
Revelar lo que el fotograma no muestra
El ejemplo cup-then-two-in-one-shirt abre con un bodegón. Una mano saca la taza del cuadro, la cámara se inclina y cambia el foco, y una segunda figura aparece al fondo de la habitación: tres cambios, todos temporales, ninguno presente en la imagen de entrada. Se generó durante seis segundos, una duración de borrador sensata antes de una ejecución en 2k.
Continuar una escena más allá de 15 segundos
Para continuar una escena, usa MiniMax H3 Extensión de video: abre el siguiente segmento en el último fotograma del clip aprobado y devuelve ambos unidos en un solo archivo, así que cada prompt solo tiene que describir lo que sigue. Si prefieres dirigir tú mismo el siguiente plano fotograma a fotograma, toma ese último fotograma y envíalo aquí como el siguiente image_url.
Guía de prompts y consejos prácticos
No vuelvas a describir el fotograma
Describe el cambio posterior al fotograma inicial y deja la apariencia a la imagen. Una prueba rápida: cada frase debe nombrar algo que se mueve o que suena. El prompt de windowsill-turn, "she turns her head toward camera without changing expression. Rain runs down the window, distant traffic", basta porque el fotograma ya muestra quién es y dónde está.
Prepara los dos fotogramas como un par continuo
Cuando envíes last_image_url, prepáralo junto con el fotograma inicial como un par: mismo sujeto, mismo vestuario, misma luz y un cambio de encuadre creíble. Dos fotogramas que se contradicen obligan a la parte media del clip a negociar entre ellos. Luego describe la acción física que los conecta, como hace el ejemplo de la puerta («se levanta del borde de la cama… se detiene enmarcada en la puerta mirando hacia atrás»), y da a esa acción suficientes segundos para que ocurra.
Prepara el fotograma para la salida
Como el fotograma define la forma de la salida, recórtalo al formato de entrega antes de subirlo y revisa los límites de tamaño. Haz borradores en 768p y luego vuelve a ejecutar en 2k la toma elegida, con al menos cinco segundos. Espera una toma nueva y no un reescalado fotograma por fotograma, porque el endpoint no acepta seed.
Inicio rápido de la API
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/image-to-video",
"input": {
"duration_seconds": 5,
"enable_prompt_expansion": false,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
