MiniMax H3 X Turbo とは何ですか？

MiniMax H3 X を蒸留した、より速いモデルです。MiniMax H3 X は、SpicyAPI だけで提供されている MiniMax H3 の調整版です。MiniMax 公式のリリースではありません。開発元は、H3 X の品質の約 95% を保ちながらずっと速く動くと述べていますが、これは開発元の説明であり、私たちの測定ではありません。SpicyAPI では 2026 年 10 月 26 日に公開されました。

MiniMax H3 X Turbo の料金は？

480p で出力 1 秒あたり $0.015 からで、H3 X のおよそ半額です。720p と 1080p はそれより高く、最新の価格はモデルページに掲載しています。音とプロンプト拡張で価格は変わりません。参照から動画では、参照動画の秒数は出力の秒数と同じように課金され、参照画像は 5 枚まで料金に含まれ、6 枚目以降は 1 枚ごとに少額が加算されます。参照音声は無料です。

どのくらい速いですか？

送信から完成ファイルまで、キューの待ち時間を含めて、5 秒のクリップは 480p で約 25〜40 秒（43 回の中央値は 37 秒）、720p で約 37〜49 秒、1080p で約 86 秒でした。480p の 2 秒クリップは約 20 秒、720p の 15 秒クリップは約 97 秒でした。

MiniMax H3 X Turbo は検閲なしですか？

はい、3 つのエンドポイントすべてで検閲なしで、私たちのテストで拒否されたリクエストはありません。画像から動画と参照から動画は成人 2 人の親密なシーンを出力しました。男性が主体のシーンは、画像から動画では控えめになり、参照から動画では出力されました。テキストから動画では、1 人だけの場面や男性が主体の場面の NSFW リクエストは控えめになりました。画面に映る人物は全員成人でなければなりません。

どのサイズと比率で返りますか？

テキストから動画と参照から動画は 16:9、9:16、1:1、4:3、3:4、21:9 に対応します。720p では 16:9 のクリップが 1312 x 736、9:16 のクリップが 736 x 1312 で返り、1080p は 1920 x 1088、480p の 21:9 は 960 x 416 で返りました。画像から動画にはアスペクト比のフィールドがなく、冒頭フレームの形を保ちます。どのクリップも H.264 の MP4、24 fps で、ウォーターマークはありません。

参照はいくつ送れますか？

画像 9 枚、動画クリップ 2 本（合計 15 秒）、音声クリップ 3 本までで、種類を問わず少なくとも 1 件の参照が必要です。参照にできるのは、人物、衣装、商品、場所、写したい動き、声です。Image 1、Video 1、Audio 1 のように呼びます。フレームと参照を 1 つのリクエストで混ぜることはできません。

H3 X を使うべきなのはどんなときですか？

H3 X は Turbo の蒸留元となった品質重視のモデルで、秒単価はおよそ 2 倍、待ち時間も長くなります。480p の 5 秒クリップは H3 X で中央値 67 秒、Turbo では 37 秒でした。どちらも同じパラメータを受け付けるので、Turbo で下書きし、同じプロンプトと設定を H3 X に送って最終テイクを作れます。

格安の MiniMax H3 API：H3 X Turbo、検閲なしの NSFW 動画

minimax/h3-x-turbo/text-to-video

Turbo の指示は 1〜7,000 文字に収め、場面の進行を明確にします。発話させる言葉には二重引用符を使います。Turbo の短編は 2〜15 秒から整数で選べます。既定は 5 秒、フレームレートは 24 fps です。

最低価格 $0.015/秒

モデルを実行 API を見る

入力

テキストから動画

プロンプト327/7000

アスペクト比

解像度料金に影響

長さ料金に影響

プロンプト自動拡張

セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち

サンプル出力

延長

動画翻訳

動画編集

{
  "model": "minimax/h3-x-turbo/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 5,
    "enable_prompt_expansion": false,
    "prompt": "Night pool party lit by pink and teal neon. A woman in a red one-piece swimsuit climbs out of the glowing pool, wrings out her long dark hair and laughs at friends off camera, then turns and blows a kiss to the camera. Bass-heavy music thumping, splashing, crowd chatter. Cinematic, wet skin highlights, shallow depth of field."
  }
}

はじめに

MiniMax H3 X Turbo API は、短い制作サイクルに向けた蒸留版です。SpicyAPI で 1 秒 $0.015 から利用でき、MiniMax の公式モデルとは区別されます。

Turbo の指示は 1〜7,000 文字に収め、場面の進行を明確にします。発話させる言葉には二重引用符を使います。Turbo の試作はカットの時点を決め、場面の指示を一度に一つ変えると比較しやすくなります。

Turbo の短編は 2〜15 秒から整数で選べます。既定は 5 秒、フレームレートは 24 fps です。Turbo の試作には 480p または既定の 720p を選べます。1080p も指定できますが、1920 x 1088 の実測映像は切り抜き比較でより鮮明には見えませんでした。Turbo のテキスト・参照生成は 16:9 を初期値として 9:16・1:1・4:3・3:4・21:9 に対応します。画像から作る場合は入力フレームの形に従います。Turbo は映像と同時に音楽・効果音・台詞を作り、H.264 MP4 に AAC ステレオ音声を収録します。発話する言葉を二重引用符で示します。

Turbo は全エンドポイントが検閲なしの NSFW 動画に分類されます。ただし SpicyAPI の試験では表現が弱まる結果もあり、受理されても指示どおりの描写は保証されません。Turbo で扱う人物は同意のある成人に限り、顔・声・素材に関する権利を確認してください。

Turbo のテキスト・画像生成は解像度別の単価と生成秒数で計算します。音声、終了フレーム、プロンプト拡張には追加料金がかかりません。

Turbo のテキストによる NSFW 試験では、単独人物の指示どおりの結果は 4 回中 1 回でした。男性主体の 5 回はすべて表現が弱まり、拒否がなくても一致は保証されません。

MiniMax H3 X Turbo · Text to Video の仕様
項目	値
入力	テキスト
出力	動画
出品元	SpicyAPI / MiniMax H3 X Turbo
モデル	MiniMax H3 X Turbo
公開日	2026 年 10 月 26 日
エンドポイント	MiniMax H3 X Turbo — テキスト生成 / 画像生成 / 参照生成
長さ	Turbo の短編は 2〜15 秒から整数で選べます。既定は 5 秒、フレームレートは 24 fps です。
解像度	480p、720p（既定）、1080p
アスペクト比	Turbo のテキスト・参照生成は 16:9 を初期値として 9:16・1:1・4:3・3:4・21:9 に対応します。画像から作る場合は入力フレームの形に従います。
プロンプトの長さ	1〜7,000 文字
参照	Turbo の参照素材は画像 9 枚、合計 15 秒の動画 2 本、音声 3 本が上限です。種類と番号を使って、どの素材を何に使うか指示します。
コンテンツポリシー	Turbo は全エンドポイントが検閲なしの NSFW 動画に分類されます。ただし SpicyAPI の試験では表現が弱まる結果もあり、受理されても指示どおりの描写は保証されません。
実行方式	Turbo の料金は解像度・生成秒数・参照動画の秒数・6 枚目以降の画像で決まります。参照音声、生成音声、プロンプト拡張には追加料金がありません。

主な機能とハイライト

ネオンのプールパーティを 1 回で

夜のプールパーティーで、赤いワンピース水着の女性が光るプールから上がり、髪を絞って笑い、カメラに投げキスをします。音はアップテンポのダンスミュージックで、台詞はなく、このビルドではクリップが 1 分足らずで返ってきました。

引用符内の台詞 2 つで 1 つのシーン

モーテルの部屋で、赤いネオンの下、男性が "Stay." と言い、女性が "Give me one reason." と答えます。どちらの台詞も二重引用符で書き、低い環境音の上で男性の声と女性の声でそれぞれ話されました。

こちらを見返すフレーム

黄金色の夕暮れ、縞模様のビーチタオルに寝そべる女性を最初のフレームとして入れます。プロンプトにはその後のことだけを書きます。サングラスをずらし、その上からこちらを見て笑います。クリップには明るいアコースティックギターと彼女の笑い声が入ります。

2 人の顔を 1 ショットで保つ

グリーンのガウンの女性とタキシードの男性の 2 枚のポートレートを Image 1、Image 2 として入れます。階段の上で彼女が身を寄せてささやき、彼が笑い、2 人は一緒に降り始め、2 人の顔と衣装は保たれます。彼女はプロンプトにない台詞をささやきます。"I think we should skip the rest of the speeches."

リクエストパラメーター

MiniMax H3 X Turbo · Text to Video のリクエストパラメーター
パラメーター	必須	説明
`prompt`	はい	Turbo の指示は 1〜7,000 文字に収め、場面の進行を明確にします。発話させる言葉には二重引用符を使います。 1 文字以上 · 7000 文字以内
`aspect_ratio`	いいえ	Turbo のテキスト・参照生成は 16:9 を初期値として 9:16・1:1・4:3・3:4・21:9 に対応します。画像から作る場合は入力フレームの形に従います。 `16:9` · `9:16` · `1:1` · `4:3` · `3:4` · `21:9` · デフォルト値: `16:9`
`resolution`	いいえ	Turbo の試作には 480p または既定の 720p を選べます。1080p も指定できますが、1920 x 1088 の実測映像は切り抜き比較でより鮮明には見えませんでした。 `480p` · `720p` · `1080p` · デフォルト値: `720p`
`duration_seconds`	いいえ	Turbo の短編は 2〜15 秒から整数で選べます。既定は 5 秒、フレームレートは 24 fps です。 `≥ 2` · `≤ 15` · デフォルト値: `5`
`enable_prompt_expansion`	いいえ	Turbo で文面の違いを比べる際は、既定で無効のプロンプト拡張をそのままにできます。この書き換え機能の追加料金はありません。デフォルト値: `false`

料金

Turbo のテキスト・画像生成は解像度別の単価と生成秒数で計算します。音声、終了フレーム、プロンプト拡張には追加料金がかかりません。

料金
仕様	料金
`480p`	$0.015 / 秒
`720p`	$0.024 / 秒
`1080p`	$0.032 / 秒

ユースケース

台詞のあるシーン

Turbo の短い会話では各話者の言葉を引用符で囲み、応答を収める時間を確保します。

マルチショットのシーケンス

Turbo の試作はカットの時点を決め、場面の指示を一度に一つ変えると比較しやすくなります。

ファッション、商品、ロケーションの映像

Turbo の広告試作では出演者・衣装・部屋を別素材から組み合わせ、できた一場面を確認できます。

モーションのコピー

Turbo の動き参照は 2 本以内、合計 15 秒以内にします。動画参照の秒数分も見積もりに加わります。

コンテンツフィルターのないアプリ

Turbo で扱う人物は同意のある成人に限り、顔・声・素材に関する権利を確認してください。

主なユースケースのチュートリアルを見る

プロンプトガイドと実践のヒント

台詞はダブルクォートで囲む

Turbo の短い会話では各話者の言葉を引用符で囲み、応答を収める時間を確保します。
ショットに時間を指定する

Turbo の試作はカットの時点を決め、場面の指示を一度に一つ変えると比較しやすくなります。
参照は種類と順番で呼ぶ

Turbo の参照素材は画像 9 枚、合計 15 秒の動画 2 本、音声 3 本が上限です。種類と番号を使って、どの素材を何に使うか指示します。
実測上の制限

Turbo で扱う人物は同意のある成人に限り、顔・声・素材に関する権利を確認してください。
場面の指示

Turbo の画像生成では静止画が舞台を示すため、続く動作やカメラの案を短い試作で比べられます。

MiniMax H3 X Turbo

MiniMax H3 X Turbo API は、短い制作サイクルに向けた蒸留版です。SpicyAPI で 1 秒 $0.015 から利用でき、MiniMax の公式モデルとは区別されます。

場面の指示

Turbo の指示は 1〜7,000 文字に収め、場面の進行を明確にします。発話させる言葉には二重引用符を使います。Turbo の試作はカットの時点を決め、場面の指示を一度に一つ変えると比較しやすくなります。Turbo の短い会話では各話者の言葉を引用符で囲み、応答を収める時間を確保します。

出力と音声

Turbo の短編は 2〜15 秒から整数で選べます。既定は 5 秒、フレームレートは 24 fps です。Turbo の試作には 480p または既定の 720p を選べます。1080p も指定できますが、1920 x 1088 の実測映像は切り抜き比較でより鮮明には見えませんでした。Turbo は映像と同時に音楽・効果音・台詞を作り、H.264 MP4 に AAC ステレオ音声を収録します。発話する言葉を二重引用符で示します。

課金の仕組み

Turbo のテキスト・画像生成は解像度別の単価と生成秒数で計算します。音声、終了フレーム、プロンプト拡張には追加料金がかかりません。

実測上の制限

API クイックスタート

# 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-x-turbo/text-to-video",
  "input": {
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "duration_seconds": 5
  }
}'

# 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"

認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。

安くて速い MiniMax H3 動画。音つきで 1 秒 $0.015 から

MiniMax H3 X Turbo は、MiniMax H3 を安く速く使うための方法です。SpicyAPI 限定の H3 調整版である MiniMax H3 X を蒸留したモデルで、動画 1 秒あたり $0.015 から利用できます。MiniMax 公式のリリースではありません。テキストから動画、画像から動画、参照から動画の 3 つのエンドポイントが、480p から 1080p の 2〜15 秒クリップを、ステレオ音声と引用符内の台詞つきで生成します。私たちの実行では、480p の 5 秒クリップが中央値 37 秒で返りました。3 つのエンドポイントはすべて検閲なしです。コンテンツの制限は MiniMax H3 よりやや厳しめですが、1 秒あたりの価格は低く抑えられています。

プレイグラウンドを開く

モデル: SpicyAPI 限定の MiniMax H3 調整版である MiniMax H3 X の蒸留版。MiniMax 公式のリリースではありません
エンドポイント: テキストから動画、冒頭フレームと任意の最終フレームから作る画像から動画、最大 9 枚の画像・2 本の動画クリップ・3 本の音声クリップから作る参照から動画
クリップの長さ: 2〜15 秒の整数秒、24 fps、既定は 5 秒。480p、720p（既定）、1080p
速度: 5 秒クリップは 480p で約 25〜40 秒、720p で約 37〜49 秒、1080p で約 86 秒（キューの待ち時間を含む）
音: すべてのクリップにステレオ音声。ダブルクォート内の台詞は話されます
開始価格: 480p で出力 1 秒あたり $0.015 から。H3 X のおよそ半額で、720p と 1080p はそれより高くなります

価格: MiniMax H3 を低コストで使う方法Turbo は 480p で出力 1 秒あたり $0.015 からで、H3 X のおよそ半額です。解像度ごとの最新価格はモデルページに掲載しています。音とプロンプト拡張は秒単価に含まれます。
速度: 5 秒の下書きが 1 分以内に返る43 回の実行で、480p の 5 秒クリップは送信から完成ファイルまで、キューの待ち時間を含めて中央値 37 秒でした。720p は約 37〜49 秒、720p の 15 秒クリップは約 97 秒です。長いレンダリング 1 回分の時間で、プロンプトの案をいくつも試せます。
コンテンツ: 3 つのエンドポイントすべてで検閲なし私たちのテストで拒否されたリクエストはありません。画像から動画と参照から動画は成人 2 人の親密なシーンを出力し、参照から動画は男性が主体の NSFW シーンも出力しました。テキストから動画は、1 人だけの場面や男性が主体の場面の一部の NSFW 表現を控えめにするため、その場合は画像か参照から始めてください。コンテンツの制限は MiniMax H3 よりやや厳しめです。

MiniMax H3 X Turbo の使いこなし方

2 人の人物に、引用符の台詞を 2 つ

赤いネオンに照らされたモーテルの部屋で、ベッドに座った男性が "Stay." と言い、ドアの前の女性が "Give me one reason." と返します。どちらの台詞もプロンプトの中でダブルクォートに囲まれ、雨とネオンのうなりは音として書かれています。音声認識による確認では、引用符内の台詞が一字一句そのまま返り、口の動きも合っていました。1 つの台詞だけでなく、短いやり取りも書けます。

フレームを動かし、見た目はそのまま保つ

冒頭フレームは、夕暮れの光の中、ストライプのビーチタオルに寝そべる、サングラスとデニムのショートパンツ姿の女性でした。プロンプトにはその先だけを書きました。体を起こし、サングラスを下げてウインクし、笑います。音は波と遠くの音楽です。画像から動画にはアスペクト比のフィールドがなく、クリップは冒頭フレームの形を保ちます。左上が冒頭フレーム、残りの 3 コマはクリップの各場面です。

15 秒のクリップを時間指定のショットに分ける
"from 0 to 5 seconds"、"at 5 seconds the shot cuts to"、"at 10 seconds" のように、ショットごとに開始時間を書きます。3 つのショットに時間を指定した Turbo の 15 秒プロンプトは、およそ 5 秒と 10 秒でカットが入り、3 つのショットを通して同じ 2 人が登場しました。720p の 15 秒クリップは約 97 秒かかりました。
速い動きでも破綻しにくい
スピン、ハイキック、開脚を含む 9:16 の速いダンスは、なめらかな動きと、ほぼ正しい手足で返りました。最も速い動きにはモーションブラーが出ています。振り付けは名前のついた動きを数個に絞り、最後は止まってカメラに笑いかけるなど、ダンサーがどう終わるかを書いてください。
音声クリップは声を、プロンプトは言葉を決める
参照から動画は音声クリップを 3 本まで受け付けます。参照音声を使った Turbo の実行では、引用符内の台詞が一字一句そのまま返りました。クリップが決めるのは声の質感だけです。言葉はダブルクォートで囲んで書き、クリップは Audio 1 と呼びます。参照音声は無料です。

MiniMax H3 X Turbo の主な使い手

SNS・ショート動画チーム
1 枚のポートレートから縦型のダンスクリップ
参照から動画は、ポートレート 1 枚だけでも使えます。ボックスブレイズに白いクロップド T シャツ、カーゴパンツ姿の女性の全身写真は、ネオンに照らされたスタジオで踊る 9:16 のクリップとして返り、ブレイズと服装は保たれました。プロンプトには動きの名前と、ヒップホップのビートを書いています。左が参照のポートレートです。
スポーツ・フィットネスブランド
1 枚のフレームからトレーニングクリップ
無骨なジムで手にバンデージを巻くボクサーのフレームを、冒頭フレームとして送りました。巻き終えてカメラに笑いかけたあと、ショットがより広いアングルに切り替わり、サンドバッグに速いコンビネーションを打ち込みます。左が冒頭フレーム、右がクリップの一場面です。
成人向けプラットフォームの開発者
最終レンダリングの前に、安い初回テイク
Turbo は 3 つのエンドポイントすべてで検閲なしで、料金は H3 X のおよそ半分です。成人向けアプリは、ユーザーのフレームやプロンプトをまず速い初回テイクに通し、残したいものだけを H3 X に送れます。テキストから動画では、1 人だけの場面の一部の NSFW 表現が控えめになるため、そうしたシーンは画像から始めてください。画面に映る人物は全員成人でなければなりません。写真は、テキストプロンプトから生成した夜のネオンのプールパーティーです。
イベント、ファッション、キャラクターの作り手
2 枚のポートレートから 2 人をそのまま
1 人につき 1 枚のポートレートを送り、それぞれを順番で呼びます。深緑のサテンのドレスの女性と黒いタキシードの男性を Image 1 と Image 2 として送ると、大理石の階段の上で腕を組んだ 2 人として返りました。彼女が身を寄せて耳元でささやき、彼が笑い、2 人の顔はどちらも保たれています。左の列が 2 枚のポートレートです。

MiniMax H3 X Turbo で速く下書きし、うまくいったら仕上げる

どのアイデアも 480p・5 秒から始める
秒単価が最も低いのは 480p で、5 秒のクリップは私たちの実行で中央値 37 秒で返りました。台詞はダブルクォートで囲み、書いたとおりに演出させたいときはプロンプト拡張をオフのままにしてください。
1 テイクで変えるのは 1 か所だけ
テイクごとにプロンプト全体を書き直すのではなく、動き、カメラ、台詞のどれか 1 つを調整します。それぞれの変更が何をもたらしたかが分かります。
720p とフル尺に進む
うまくいったテイクは、720p で、シーンに必要な長さ（最長 15 秒）で作り直します。1080p を選ぶのは、より大きなフレームが必要なときだけにしてください。切り出して比べても 720p より鮮明には見えませんでした。
残したいテイクは H3 X へ
最終版には、同じプロンプトと設定を MiniMax H3 X に送ります。H3 X は、Turbo の蒸留元となった品質重視のモデルです。どちらも同じパラメータと上限を受け付けます。
1 人だけ・男性が主体の NSFW シーンは画像から始める
テキストから動画は、1 人だけの場面や男性が主体の場面の一部の NSFW 表現を控えめにします。人物の写ったフレームから画像から動画を使うか、男性が主体の NSFW シーンも出力した参照から動画を使ってください。画面に映る人物は全員成人でなければなりません。

そのまま使える MiniMax H3 X Turbo のプロンプト

2 つの台詞のやり取り

テキストから動画、16:9 向け。人物ごとに台詞を別々の引用符で囲み、音は最後に書いています。

A roadside motel room at night, red neon flickering through the blinds. A man in an unbuttoned denim shirt sits on the edge of the bed; a woman in a leather jacket stands at the door with her hand on the handle. He says quietly, "Stay." She turns back and says, "Give me one reason." Rain outside, neon buzzing. Cinematic, moody, film grain.

ウインクを返すフレーム

服を着た成人 1 人のフレームから作る画像から動画向け。フレームの後に起きることだけを書きます。

She sits up, slides her sunglasses down her nose, looks over them at the camera and winks, then laughs and flips her hair. Waves, wind, distant beach music. Warm golden light, handheld.

2 枚のポートレートで 1 つの登場シーン

1 人につき 1 枚のポートレートを、プロンプトで呼ぶ順番どおりに渡す参照から動画向け。

At the top of a marble staircase at a black-tie gala, the man from Image 2 offers his arm to the woman from Image 1; she takes it and leans close to whisper in his ear, and he laughs as they start down the stairs together. Crystal chandeliers, string quartet, murmuring guests. Cinematic, warm light.