はじめに
MiniMax H3 テキストから動画 は、画像も参照素材も使わず、プロンプトだけからクリップを生成します。長さは 5〜15 秒の整数、解像度は 768p・2k、アスペクト比は 6 種類から選べ、音声は映像と同じ生成で返ります。プロンプト欄は最大 7,000 文字まで入るので、キャプションではなくショット全体の記述を書き込めます。
開始素材に応じてモードを選ぶ
| 開始素材 | モード |
|---|---|
| 書いた場面やスクリプト | MiniMax H3 テキストから動画 |
| 承認済みの開始画像 | MiniMax H3 画像から動画 |
| 1〜9 枚の参照画像 | MiniMax H3 参照から動画 |
主な機能とハイライト
6 種類の画面比率をリクエストごとに指定
aspect_ratio は 16:9(既定)、9:16、1:1、4:3、3:4、21:9 を受け付けます。21:9 はアナモルフィックのレターボックスで出力され、公開例の noir-window はこの比率で作られています。赤いネオンの明滅、ブラインドの影、ゆっくり振り向く顔まで、すべてワイド画面を前提に 1 段落で書かれています。比率は書き始める前に決め、その画面に合わせて被写体を配置してください。
音も同じブリーフで演出
音声は後から付けるのではなく映像と一緒に生成されるため、サウンドトラックもプロンプトで指示します。環境音、フォーリー、音楽、台詞のいずれも書けます。thunder-wheat-field の例では雷鳴が稲妻と同じファイルに入って返るので、編集で稲妻に合わせて音を切る必要がありません。
768p・2k はどちらもネイティブ
2 つの解像度はどちらもネイティブ出力で、480p と 720p は選べません(スキーマが拒否します)。長さと解像度はどちらも料金に影響するため、動きと構図が固まるまで 768p で試し、採用するテイクを 2k で生成するのが基本の流れです。このエンドポイントは seed を受け取らないので、2k の実行は下書きの高精細版ではなく、同じブリーフから生まれる新しいテイクになります。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | カットとして書きます。被写体、動作、カメラの動き、光、音。 1 文字以上 · 7000 文字以内 |
aspect_ratio | いいえ | 16:9、9:16、1:1、4:3、3:4、21:9。21:9 でアナモルフィックの帯になります。 |
resolution | いいえ | 768p と 2k、どちらもネイティブ出力です。下書きは 768p、納品は 2k で。 |
duration_seconds | いいえ | 5〜15 の整数秒。料金を左右します。 |
料金
| 仕様 | 料金 |
|---|---|
| $0.037 / 秒 |
| $0.058 / 秒 |
ユースケース
アイデアだけからショットを起こす
text-to-video は H3 の中で画像入力を必要としないエンドポイントです。curtain-silhouette の例は、再実行しても安定しやすいブリーフの典型です。固定カメラ、薄いカーテン、その奥に暖かいランプが 1 つ、そして輪郭だけが読み取れるシルエット。未確定の要素が少ないほど、続けて生成したテイク同士が近くなります。
光やタイミングのアイデアを試す
時間とともに変わる光は、すべてプロンプトで書きます。thunder-wheat-field のブリーフは断続的な露出を求めていて、稲妻が走るたびにずぶ濡れのシャツが一瞬白く浮かび、また闇に戻ります。条件は 16:9、768p、6 秒です。こうした短い下書きで効果が伝わるかを確かめてから、2k で生成してください。
別のモードへ続くシーケンスの起点にする
H3 には編集エンドポイントがなく、1 リクエストの上限は 15 秒です。長い場面を作るときは、最初のショットをここで生成し、MiniMax H3 ビデオ延長で続けます。承認したクリップの最終フレームから次のショットを始め、両者をつないだ 1 つのファイルで返します。被写体をデザインどおりに見せたいときは、代わりに image-to-video に切り替えてください。文章だけでは衣装や体つき、構図がモデル任せになり、続けて生成したテイクがぶれるからです。
プロンプトガイドと実践のヒント
起きる順番どおりにショットを書く
プロンプトは被写体、動作、カメラ、光、音の順に組み立てます。noir-window のプロンプトはそのままひな形になります。窓辺にいるのは誰で何を着ているか、何をするか(煙を吐き、ゆっくりカメラへ振り向く)、次に画調(ブラインドの影、深い黒、1970 年代の粒子)、最後に音(雨と遠くの車の音)です。
2 つの被写体には 1 つのカメラワークを
1 つの画面に 2 つの要素を同時に収めたいときは、両方に効く動きを 1 つだけカメラに与えます。mirror-two-views の例では、右へのゆっくりしたアークを指示して、女性の背中とアンティークの鏡に映る正面を同時に見せています。同じプロンプトは衣装が最後まで脱げないことも明記しています。衣装がそのまま残ることが前提のショットでは、暗黙に任せず書いておいてください。
1 回の実行で変えるのは 1 か所だけ
seed がないため、同じ設定で 2 回実行すると別々のテイクが返ります。テイクを比べる間は文言を固定し、外れたときはカメラの指示や照明の一文など 1 つの要素だけを変えて、ブリーフ全体を書き直さないようにします。被写体と構図を毎回そろえる必要があるなら、image-to-video の開始フレームで固定してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"aspect_ratio": "16:9",
"duration_seconds": 5,
"enable_prompt_expansion": false
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。











