Introducción
La API de referencia a video de MiniMax H3 Lite crea clips con sonido de 4 a 15 segundos en 480p o 768p a partir de imágenes, videos y audio. Nombra en el prompt cada imagen, clip y voz, y comprueba que el reparto funcione bien antes de planear una serie. Su diseño ligero sirve para probar ideas y producir varias versiones. Cada solicitud genera un solo MP4 en el que imagen y sonido salen juntos.
Qué modo abrir según tu punto de partida
| Lo que tienes | Modo |
|---|---|
| solo una idea | MiniMax H3 Lite Texto a video |
| un fotograma para animar, con un fotograma final opcional | MiniMax H3 Lite Imagen a video |
| personas, vestuarios, lugares, clips de movimiento o voces | MiniMax H3 Lite Referencia a video |
Funciones y aspectos destacados
Hasta 15 referencias
MiniMax H3 Lite acepta hasta 9 imágenes, 3 clips de video (15 segundos en total) y 3 clips de audio en una sola solicitud. Cada archivo puede aportar algo distinto: una persona, un vestuario, una habitación, un movimiento o una voz.
Nómbralas en el prompt
Refiérete a ellos como "la mujer en Image 1", "el movimiento de Video 1" y "la voz de Audio 1". Los números siguen el orden de cada lista.
Facturación según las entradas
Las primeras 5 imágenes están incluidas y cada imagen a partir de la quinta suma un pequeño cargo; los segundos de video de referencia se cobran como los segundos de salida, y el audio es gratis.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Obligatorio, hasta 7,000 caracteres; uno más largo se rechaza. Pon los diálogos entre comillas dobles. mínimo 1 caracteres · máximo 7000 caracteres |
reference_image_urls | No | Hasta 9 imágenes, numeradas en el orden que usa el prompt (Imagen 1, Imagen 2...). Las primeras 5 son gratis; cada imagen desde la sexta suma 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 en conjunto. Sus segundos cuentan como segundos de salida. mínimo 1 elementos · máximo 3 elementos |
reference_audio_urls | No | Hasta 3 clips WAV o MP3 que fijan una voz o un sonido, sin costo. Envía junto con ellos al menos una imagen o un video. mínimo 1 elementos · máximo 3 elementos |
aspect_ratio | No | Uno de 16:9 (el predeterminado), 9:16, 1:1, 4:3, 3:4 o 21:9. No cambia el precio. |
resolution | No |
|
duration_seconds | No | Número entero de segundos, entre 4 y 15, con 5 por defecto. Esta duración y la resolución determinan juntas la tarifa por segundo. |
Precios
Cada segundo de salida se cobra a la tarifa de la resolución que elijas, 480p o 768p. Los segundos de video de referencia cuentan como segundos de salida, las primeras 5 imágenes de referencia están incluidas, cada imagen adicional suma un pequeño cargo y el audio no cuesta nada. La tarifa vigente siempre aparece en la página del modelo.
| Especificación | Precio |
|---|---|
| $0.025 / segundo |
| $0.04 / segundo |
Casos de uso
Escenas armadas a partir de archivos separados
Un retrato, una foto de vestuario y una imagen de una habitación pueden enviarse como tres imágenes, y MiniMax H3 Lite pone a esa persona con esa ropa en ese lugar, con un clip de voz como Audio 1 si el personaje habla.
El mismo personaje en varios clips
Envía el mismo retrato como Image 1 en cada solicitud y MiniMax H3 Lite mantiene el rostro y el vestuario mientras la escena cambia alrededor; así un personaje recurrente o un presentador virtual sigue siendo reconocible en una serie de clips.
Copiar un movimiento
Envía un clip corto como Video 1 y pide a MiniMax H3 Lite que recree su movimiento con la persona de Image 1, para baile, gestos o movimientos de cámara. Un clip de referencia corto y limpio hace legible el movimiento y reduce la factura, porque sus segundos se cobran.
Guía de prompts y consejos prácticos
Un rol por referencia
Asigna a cada archivo un papel claro: un rostro, un vestuario, una habitación, un movimiento o una voz, y di ese papel en el prompt. Si se mezclan varios roles en una imagen, el resultado se vuelve menos predecible; un rostro recortado funciona mejor que una foto grupal.
El audio necesita una imagen
Los clips de audio no pueden ser la única referencia; envía al menos una imagen o un video, y escribe las palabras habladas en el prompt entre comillas dobles. El audio fija cómo suena la voz, y el prompt decide qué se dice y quién lo dice.
Recorta primero el video de referencia
Los clips se ajustan a 2 a 15 segundos cada uno y 15 segundos en total, y esos segundos se cobran como salida; recorta la referencia a la parte que muestra el movimiento que quieres antes de enviarla.
Cada segundo de salida se cobra a la tarifa de la resolución que elijas, 480p o 768p. Los segundos de video de referencia cuentan como segundos de salida, las primeras 5 imágenes de referencia están incluidas, cada imagen adicional suma un pequeño cargo y el audio no cuesta nada. La tarifa vigente siempre aparece 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-lite/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
