はじめに
MiniMax H3 X API は、フレーム指定と複数素材の組み合わせに対応する調整版です。SpicyAPI では 1 秒 $0.022 から利用でき、MiniMax の公式モデルではありません。
H3 X には 1〜7,000 文字のプロンプトが必要です。動作・カメラ・音を説明し、台詞だけを二重引用符で囲みます。H3 X の複数ショットでは各場面の時間を割り当て、角度が変わる箇所で人物の説明を繰り返します。
H3 X の長さは 2〜15 秒の整数で指定します。初期値は 5 秒で、出力は 24 fps です。H3 X は 480p・720p・1080p に対応し、既定は 720p です。SpicyAPI の切り抜き比較では、1920 x 1088 の大きな出力でも細部の向上は確認できませんでした。H3 X のテキスト・参照生成は 16:9 が既定で、9:16・1:1・4:3・3:4・21:9 も選べます。画像生成では開始画像の比率を引き継ぎます。H3 X は H.264 MP4 と AAC ステレオ音声をまとめて生成します。台詞は二重引用符で囲み、環境音は別に説明します。
H3 X の全 3 エンドポイントは検閲なしの NSFW 動画に分類されます。SpicyAPI の試験では拒否はありませんでしたが、テキストや開始画像による結果には表現が弱まる例がありました。H3 X で人物の外見や声を利用する際は同意を得て、登場人物は全員成人にしてください。
H3 X のテキスト・開始画像生成は、選んだ解像度と生成秒数で課金します。音声・任意の終了画像・プロンプト拡張の追加料金はありません。
SpicyAPI の H3 X テキスト試験では、単独人物の指示どおりの結果は 2 回中 0 回で、男性主体の 5 回も表現が弱まりました。NSFW リクエストの受理と忠実な出力は別です。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| 出品元 | SpicyAPI / MiniMax H3 X |
| モデル | MiniMax H3 X |
| 公開日 | 2026 年 10 月 26 日 |
| エンドポイント | MiniMax H3 X — テキスト生成 / 画像生成 / 参照生成 |
| 長さ | H3 X の長さは 2〜15 秒の整数で指定します。初期値は 5 秒で、出力は 24 fps です。 |
| 解像度 | 480p、720p(既定)、1080p |
| アスペクト比 | H3 X のテキスト・参照生成は 16:9 が既定で、9:16・1:1・4:3・3:4・21:9 も選べます。画像生成では開始画像の比率を引き継ぎます。 |
| プロンプトの長さ | 1〜7,000 文字 |
| 参照 | H3 X の参照生成は画像 9 枚、合計 15 秒までの動画 2 本、音声 3 本まで受け付けます。Image 1・Video 1・Audio 1 で役割を指定します。 |
| コンテンツポリシー | H3 X の全 3 エンドポイントは検閲なしの NSFW 動画に分類されます。SpicyAPI の試験では拒否はありませんでしたが、テキストや開始画像による結果には表現が弱まる例がありました。 |
| 実行方式 | H3 X は解像度と生成秒数で課金します。参照動画の秒数も加算され、画像は 5 枚まで含まれ、以降は追加料金が発生します。参照音声は無料です。 |
主な機能とハイライト
雨の中の引用符内の台詞
雨に濡れた屋上で、カップルがゆっくりタンゴを踊ります。彼が彼女を深くディップし、クローズアップで彼女が彼のシャツの襟を引いて起こし、"Not yet." と言います。プロンプトには、雨、車の流れ、バンドネオンも書かれていますが、クリップでは台詞がゆったりと物悲しい音楽に重なって聞こえます。引用符内の台詞は、私たちの音声認識による確認で一字一句そのまま話されました。
12 秒のクリップに 3 つのショット
1 つのプロンプトに、開始時間つきの 3 つのショットを並べます。広角での廊下の歩行、4 秒で鍵を回す手元、8 秒で部屋の中のミディアムショットです。このクリップではカットが約 3.9 秒と 8.3 秒で入り、全編を通して同じ女性でした。
囁くフレーム
ウォルナットのバーカウンターの奥に立つ、黒いベルベットのドレスの黒髪ウェーブの女性を、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。グラスを置き、カメラに身を乗り出して "Last call." と言います。クリップでは、台詞の下に静かな音楽が流れます。
3 つの参照で 1 つのシーン
ポートレート、トレンチコートの商品写真、無人のフィッティングルームを Image 1、2、3 として入れます。プロンプトでは位置で呼び、3 つを 1 つのシーンにまとめるよう頼みます。クリップでは、顔、服、コート、部屋のすべてが参照と一致しました。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | H3 X には 1〜7,000 文字のプロンプトが必要です。動作・カメラ・音を説明し、台詞だけを二重引用符で囲みます。 1 文字以上 · 7000 文字以内 |
aspect_ratio | いいえ | H3 X のテキスト・参照生成は 16:9 が既定で、9:16・1:1・4:3・3:4・21:9 も選べます。画像生成では開始画像の比率を引き継ぎます。 |
resolution | いいえ | H3 X は 480p・720p・1080p に対応し、既定は 720p です。SpicyAPI の切り抜き比較では、1920 x 1088 の大きな出力でも細部の向上は確認できませんでした。 |
duration_seconds | いいえ | H3 X の長さは 2〜15 秒の整数で指定します。初期値は 5 秒で、出力は 24 fps です。 |
enable_prompt_expansion | いいえ | H3 X のプロンプト拡張は初期状態では無効です。有効にすると生成前に指示を補い、料金は変わりません。 デフォルト値: |
料金
H3 X のテキスト・開始画像生成は、選んだ解像度と生成秒数で課金します。音声・任意の終了画像・プロンプト拡張の追加料金はありません。
| 仕様 | 料金 |
|---|---|
| $0.022 / 秒 |
| $0.032 / 秒 |
| $0.045 / 秒 |
ユースケース
台詞のあるシーン
H3 X の台詞シーンは、人物の振り向きに短い発話と場の音を組み合わせて構成できます。
マルチショットのシーケンス
H3 X の複数ショットでは各場面の時間を割り当て、角度が変わる箇所で人物の説明を繰り返します。
ファッション、商品、ロケーションの映像
H3 X の商品シーンでは人物・衣装・セットを別々の画像に割り当て、素材どうしの関係を説明します。
モーションのコピー
H3 X は最大 2 本、合計 15 秒までの参照動画から動きを取り込めます。参照秒数は生成秒数と同じように課金対象です。
コンテンツフィルターのないアプリ
H3 X で人物の外見や声を利用する際は同意を得て、登場人物は全員成人にしてください。
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
H3 X の台詞シーンは、人物の振り向きに短い発話と場の音を組み合わせて構成できます。
ショットに時間を指定する
H3 X の複数ショットでは各場面の時間を割り当て、角度が変わる箇所で人物の説明を繰り返します。
参照は種類と順番で呼ぶ
H3 X の参照生成は画像 9 枚、合計 15 秒までの動画 2 本、音声 3 本まで受け付けます。Image 1・Video 1・Audio 1 で役割を指定します。
実測上の制限
H3 X で人物の外見や声を利用する際は同意を得て、登場人物は全員成人にしてください。
場面の指示
H3 X の開始画像にはすでに構図があります。その後の仕草・カメラ移動・返答にプロンプトを使います。
MiniMax H3 X
MiniMax H3 X API は、フレーム指定と複数素材の組み合わせに対応する調整版です。SpicyAPI では 1 秒 $0.022 から利用でき、MiniMax の公式モデルではありません。
場面の指示
H3 X には 1〜7,000 文字のプロンプトが必要です。動作・カメラ・音を説明し、台詞だけを二重引用符で囲みます。H3 X の複数ショットでは各場面の時間を割り当て、角度が変わる箇所で人物の説明を繰り返します。H3 X の台詞シーンは、人物の振り向きに短い発話と場の音を組み合わせて構成できます。
出力と音声
H3 X の長さは 2〜15 秒の整数で指定します。初期値は 5 秒で、出力は 24 fps です。H3 X は 480p・720p・1080p に対応し、既定は 720p です。SpicyAPI の切り抜き比較では、1920 x 1088 の大きな出力でも細部の向上は確認できませんでした。H3 X は H.264 MP4 と AAC ステレオ音声をまとめて生成します。台詞は二重引用符で囲み、環境音は別に説明します。
課金の仕組み
H3 X のテキスト・開始画像生成は、選んだ解像度と生成秒数で課金します。音声・任意の終了画像・プロンプト拡張の追加料金はありません。
実測上の制限
H3 X の全 3 エンドポイントは検閲なしの NSFW 動画に分類されます。SpicyAPI の試験では拒否はありませんでしたが、テキストや開始画像による結果には表現が弱まる例がありました。H3 X で人物の外見や声を利用する際は同意を得て、登場人物は全員成人にしてください。
| アイデアだけ | MiniMax H3 X Text to video | | 動かしたいフレーム(任意で最終フレームも) | MiniMax H3 X Image to video | | 人物、衣装、場所、モーションクリップ、声 | MiniMax H3 X Reference to video | 1 人の場面と男性の被写体のリクエストは、多くの場合和らげられました。これらには image to video か reference to video を使ってください。
SpicyAPI の H3 X テキスト試験では、単独人物の指示どおりの結果は 2 回中 0 回で、男性主体の 5 回も表現が弱まりました。NSFW リクエストの受理と忠実な出力は別です。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-x/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 5
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
























