Introducción
Referencia a video con MiniMax H3 HighSpeed construye un clip de 768p de 4 a 15 segundos con sonido a partir de los archivos que aportas: imágenes para personas y lugares, clips de video para el movimiento, audio para una voz. El trabajo basado en referencias encaja con un nivel pensado para contenido diario, así que pruébalo primero cuando un rostro, un vestuario o un lugar deba mantenerse igual de una publicación a otra.
Elige un modo según el material de partida
| Lo que tienes | Modo |
|---|---|
| solo una idea | MiniMax H3 HighSpeed Texto a video |
| un fotograma para animar, con un fotograma final opcional | MiniMax H3 HighSpeed Imagen a video |
| personas, vestuarios, lugares, clips de movimiento o voces | MiniMax H3 HighSpeed Referencia a video |
Funciones y aspectos destacados
Hasta 15 referencias
Una solicitud admite 9 imágenes, 3 clips de video y 3 clips de audio. Cada archivo puede encargarse de algo diferente: una persona, un vestuario, una habitación, un movimiento o una voz.
Nómbralas en el prompt
Nombra cada archivo en el prompt como Image 1, Video 1 o Audio 1, por ejemplo “la mujer de Image 1 haciendo el movimiento de Video 1”. Los números siguen el orden de las listas que envías.
Facturación según las entradas
Los segundos de video de referencia cuentan a la tarifa de salida, las imágenes después de la quinta añaden un pequeño cargo y el audio es gratis. Todo lo demás va a la tarifa habitual por segundo.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Obligatorio. Acepta de 1 a 7,000 caracteres y rechaza lo que sea más largo. mínimo 1 caracteres · máximo 7000 caracteres |
reference_image_urls | No | Hasta 9 imágenes, numeradas según el orden de la lista para el prompt (Image 1, Image 2, etc.). Cinco están incluidas en el precio; cada una desde la sexta añade un pequeño cargo. mínimo 1 elementos · máximo 9 elementos |
reference_video_urls | No | Hasta 3 clips de 2 a 15 segundos cada uno, 15 segundos combinados, que se nombran como Video 1, Video 2 y Video 3. Sus segundos se facturan a la tarifa de salida. mínimo 1 elementos · máximo 3 elementos |
reference_audio_urls | No | Hasta 3 archivos WAV o MP3 que guían una voz o un sonido, sin costo. Combínalos siempre con al menos una imagen o un video y deja en el prompt las palabras que se dirán. mínimo 1 elementos · máximo 3 elementos |
aspect_ratio | No | Forma del encuadre: 16:9 por defecto, o bien 9:16, 1:1, 4:3, 3:4 o 21:9. No afecta al precio. |
resolution | No |
|
duration_seconds | No | Un número entero de 4 a 15 (5 por defecto); cada segundo se factura a la tarifa de 768p. Una solicitud de 4 segundos volvió como un clip de 3.75 segundos. |
Precios
Pagas cada segundo del clip terminado en 768p. El video de referencia suma sus propios segundos a la misma tarifa, las primeras 5 imágenes de referencia están incluidas, las siguientes añaden un pequeño cargo y el audio es gratis. La tarifa vigente está en la página del modelo.
| Especificación | Precio |
|---|---|
| $0.072 / segundo |
Casos de uso
Escenas armadas a partir de archivos separados
Envía un retrato, una foto de vestuario y una imagen de una habitación como tres imágenes, y añade un clip de voz como Audio 1 si el personaje habla. El resultado coloca a esa persona con esa ropa en ese lugar.
El mismo personaje en varios clips
Usa el mismo retrato como Image 1 en cada solicitud y el rostro y el vestuario pasan de una publicación a otra mientras cambia la escena. Así los personajes recurrentes y los presentadores virtuales siguen siendo reconocibles.
Copiar un movimiento
Aporta un clip corto como Video 1 y pide su movimiento con la persona de Image 1, para un baile, un gesto o un movimiento de cámara. Mantén el clip corto y limpio, porque sus segundos se facturan.
Guía de prompts y consejos prácticos
Un rol por referencia
Decide si cada archivo aporta la identidad, el lugar, el movimiento de cámara o la voz, y nómbralo por tipo y número. Empieza con un sujeto y una acción, y luego añade las demás referencias.
El audio necesita una imagen
Envía siempre al menos una imagen o un video junto con un clip de audio. Pon cada línea exacta entre comillas dobles, nombra a quien habla y revisa juntos la voz, el ritmo y la acción en el resultado.
Recorta primero el video de referencia
Recorta el clip al fragmento más corto que muestre el movimiento que necesitas; se aceptan hasta 15 segundos en total y todos se facturan. Quita las introducciones y di en el prompt qué acción trasladar.
Pagas cada segundo del clip terminado en 768p. El video de referencia suma sus propios segundos a la misma tarifa, las primeras 5 imágenes de referencia están incluidas, las siguientes añaden un pequeño cargo y el audio es gratis. La tarifa vigente está en la página del modelo.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-highspeed/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
