LTX 2.5 kontra MiniMax H3: najpierw dobierz zadanie wideo

Osiemnastosekundowe ciągłe ujęcie, kwadratowa animacja produktu i scena z postacią zbudowana z kilku fotografii to zadania wideo. Nie oznaczają jednak tego samego zakupu. LTX 2.5 i MiniMax H3 mają wspólne zastosowania w krótkim generowaniu z tekstu i animowaniu pierwszej klatki, ale opcje wyjściowe, referencje i ceny mogą przesądzić o wyborze jeszcze przed porównaniem jakości obrazu.

Wybierz LTX 2.5, jeśli potrzebujesz deklarowanego wariantu 4K, ciągłego ujęcia dłuższego niż piętnaście sekund lub iteracji kontrolowanej przez seed. Wybierz MiniMax H3 dla niższego kosztu generowania, kwadratowego lub szerokiego kadru albo ujęcia komponowanego z wielu obrazów referencyjnych. Przy wspólnym żądaniu pięciu sekund w 2k LTX kosztuje 0,95 $, a H3 0,29 $. Istniejące testy pokazują, że oba przyjmują żądania treści dla dorosłych; nie wskazują zwycięzcy pod względem ruchu ani dźwięku w równych warunkach.

Szybka tabela decyzji

Pierwsza klatka i zbiór referencji rozwiązują różne problemy. Jeśli masz już zatwierdzoną osobę, pozę i kompozycję, wyślij ten nieruchomy obraz do zadania obraz na wideo. Jeśli masz osobne obrazy składników i chcesz nowej kompozycji, właściwą ścieżką jest zadanie referencyjne H3. Porównanie go z generowaniem LTX z tekstu bez warunkowania oznaczałoby porównanie przepływów z różnymi informacjami.

Dobór zadania: najpierw wybierz wymagane wejście i format dostawy, potem oceń wygenerowane ujęcie.

Wejścia i kontrolki wpływające na ujęcie

Rodzina LTX 2.5 ma zadania tekstowe i obrazowe w usłudze. Rodzina MiniMax H3 dodaje generowanie z referencji obrazowych. Chodzi o bazowy H3 i LTX 2.5, nie H3 Max, wariant Spicy ani LTX 2.3.

W zadaniu obraz na wideo początkową kompozycję określa klatka źródłowa, a nie niezależny wybór proporcji. Obraz końcowy powinien przedstawiać fizycznie wiarygodną kontynuację: tę samą postać, kierunek kamery i otoczenie, z jedną istotną zmianą stanu. To zamierzony punkt docelowy, nie dowód, że każda klatka pośrednia zachowa źródło.

W ujęciu dłoni i obiektu przygotowanie źródła jest cenniejsze niż dodatkowe przymiotniki. Pokaż cały obiekt, powierzchnię planowanego kontaktu i dość przestrzeni na działanie. Ciasno wykadrowana dłoń obok niewidocznej filiżanki wymaga od modelu wymyślenia brakującej relacji. Szerszy zatwierdzony kadr definiuje tę relację przed początkiem ruchu.

Natywna karta modelu LTX i repozytorium MiniMax H3 opisują szerszy zestaw narzędzi i przepływów referencyjnych. To zadanie referencyjne H3 w usłudze przyjmuje obrazy, a nie natywne tablice referencji wideo/audio. Lokalnych możliwości LoRA i środowiska wykonawczego również nie należy przesyłać jako wymyślonych pól API.

Cena: różnica na tyle duża, by zmienić iteracje

To stawki wyjściowe SpicyAPI dla generowania z tekstu i pierwszej klatki.

Ceny wspólnego wariantu 2k potwierdzono bezpłatnymi wycenami konkretnych żądań. Cena H3 wynosząca 0,29 $ jest około 69% niższa od 0,95 $ za LTX dla tej samej żądanej długości i nazwy wariantu. To różnica kosztu zakupu, nie zmierzona poprawa wydajności produkcji o 69%. Czterech kandydatów H3 kosztuje 1,16 $; dwóch kandydatów LTX kosztuje 1,90 $. Jeśli tańsze wyniki wielokrotnie nie realizują wymaganego ruchu, przewaga cenowa może nie dać gotowego ujęcia.

Przydatne obliczenie obejmuje wszystkie opłaty za generowanie potrzebne do uzyskania zaakceptowanego ujęcia oraz istotne prace wykończeniowe. Przykładowo dwa ukończone, ale bezużyteczne szkice H3 w 2k i trzeci nadający się do zachowania kosztują łącznie 0,87 $. Jedno udane ujęcie LTX kosztowałoby 0,95 $. Nieudane zadanie i ukończony wynik, który nie trafia w cel twórczy, mają inne skutki rozliczeniowe; przy obliczaniu rzeczywistej sumy użyj rozliczonych zapisów zadań.

Referencje H3 powodują kolejną opłatę. Bezpłatna wycena pięciu sekund w 768p z jedną referencją zwróciła 0,1918 $, zamiast częściowej kwoty 0,185 $ za wyjście bez referencji. Wyceń faktyczną liczbę referencji, zamiast traktować je jako bezpłatne wejście. Bazowy H3 nie oferuje już też rozszerzania promptu (usunięto 9 października 2026), więc nie ma przełącznika rozszerzania ani opłaty, którą trzeba by uwzględnić. Nie uwzględniaj opcji w budżecie tylko dlatego, że jej pole jest w schemacie.

Porównanie najniższych wariantów odpowiada na inne pytanie. LTX 720p i H3 768p mają różne rozmiary wyjściowe. Przy małym szkicu może to być rozsądna oszczędność; przy ocenie w jednakowej rozdzielczości nie zastępuje wspólnego wariantu.

Wspólna etykieta 2k wskazuje przecięcie konfiguracji. Porównaj zdekodowane wymiary i oglądaj pełne pliki w stałym rozmiarze wyświetlania.

Co istniejące testy mówią o NSFW i jakości

Według naszych testów z września 2026 obie rodziny mogą generować wideo dla dorosłych bez cenzury:

• LTX 2.5: dwadzieścia cztery żądania treści dla dorosłych w zadaniach tekstowych i obrazowych dały dwadzieścia trzy zgodne wyniki oraz jeden złagodzony wynik z tekstu. Kategorie i liczebności różnią się; to nie dwadzieścia cztery testy tej samej sceny.
• Bazowy MiniMax H3: dwanaście żądań treści dla dorosłych było zgodnych w zarchiwizowanej próbie zadań tekstowych, obrazowych i referencyjnych. Dwie dodatkowe próby przemocy są oddzielone od tej próby treści dla dorosłych.
• Żadna próba nie jest sparowanym konkursem. Różne prompty, daty i powtórzenia oznaczają, że sumy nie dowodzą ogólnie wyższej niezawodności H3 ani niższych możliwości LTX.

Recenzja LTX 2.5 opisuje zróżnicowane wyniki wizualne, w tym dobrą scenę klubową i poważne artefakty w części skomplikowanych ruchów. Recenzja H3 dokumentuje własne historyczne wyniki dotyczące treści i zadań. Przyjmowanie treści ma znaczenie w pracy dla dorosłych, lecz nie ocenia geometrii dłoni, kontroli kamery ani tożsamości w przebiegu sceny.

Jest już konkretna kontrola wyjścia: wrześniowe archiwum możliwości rejestruje jedenastosekundowe żądanie LTX 2.5 w 2k, które dostarczyło 2560×1408 pikseli, 11,04 sekundy i istotną ścieżkę dźwiękową. Dowodzi to rzeczywistego długiego wyjścia audio-wideo o wysokiej rozdzielczości w tej konfiguracji. Nie dowodzi dokładności synchronizacji ust, stałego czasu renderowania ani porównania z klipem H3.

W ujęciu redakcyjnym dla dorosłych przygotuj postać i garderobę w obrazie początkowym, a potem wyreżyseruj jeden widoczny ruch. Oceń zarówno zamierzoną treść, jak i filmowy efekt. Klip z właściwą treścią, ale niestabilnymi dłońmi nadal jest nieodpowiedni, gdy ich kontakt jest kluczowy dla zlecenia.

Praktyczne wspólne ujęcie: jedna filiżanka, jeden ruch, jeden dźwięk

Aby porównać obie ścieżki na czymś obserwowalnym, użyj pięciosekundowej sceny garncarskiej: dorosły garncarz obraca niebieską filiżankę o ćwierć obrotu, stuka raz w jej brzeg i kładzie obie dłonie obok. Kamera jest nieruchoma. Widoczny kontakt i dźwięk ułatwiają opisanie błędów.

Storyboard i ilustracje pokazują zamierzone działanie, nie wyniki żadnego modelu.

Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron stands behind a wooden workbench. One small blue glazed cup with a single handle rests on the bench. The potter brings both hands to the cup, gently turns the cup a quarter-turn with both hands, taps its rim once with one finger, then rests both hands beside it. Keep the cup intact and continuously visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.

Ten prompt nadaje każdej instrukcji funkcję:

• Postać i otoczenie: określają, kto działa i gdzie, zamiast długiej listy stylów.
• Obiekt: jedna niebieska filiżanka z jednym uchem ujawnia powielenie lub zmianę projektu.
• Kolejność działań: zbliżenie, obrót, stuknięcie i odpoczynek nadają scenie zakończenie zamiast niekończącego się ruchu.
• Kamera: statyczna kompozycja ułatwia ocenę ruchu.
• Dźwięk: jeden krótki kontakt pozwala sprawdzić czas; nie testuje dialogu ani śpiewu.

W generowaniu z pierwszej klatki użyj tego samego zatwierdzonego pliku na obu ścieżkach. Zastąp początkowe zdania opisowe tekstem: „Use the supplied image as the character, cup and studio design. Preserve their appearance and composition.” Zachowaj instrukcje działania, kamery i dźwięku. Dwa osobno wygenerowane obrazy źródłowe wprowadziłyby dodatkową różnicę przed rozpoczęciem któregokolwiek zadania wideo.

Cztery momenty: dłonie się zbliżają, filiżanka się obraca, palec stuka w brzeg, potem dłonie odpoczywają.

Wejścia API dla tekstu na wideo

Zapisz jedno z tych żądań jako request.json i wyślij je za pomocą przepływu SDK w przewodniku po API wideo. Program odczytuje wybrany identyfikator modelu i wejście, domyślnie wycenia bez tworzenia zadania oraz używa zapisanego identyfikatora zadania do odzyskiwania.

{
  "model": "lightricks/ltx-2.5/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9",
    "seed": 42017
  }
}

W odpowiednim żądaniu H3 zachowaj prompt, długość, wariant i kadr. Usuń seed, bo bazowe zadanie H3 go nie udostępnia:

{
  "model": "minimax/h3/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9"
  }
}

Dla obrazu na wideo wybierz zadanie obrazowe każdej rodziny, podaj źródło jako image_url, pomiń aspect_ratio i zachowaj prompt ruchu. Nie dodawaj obrazu końcowego przy pierwszej próbie, chyba że pytanie dotyczy dojścia do tej konkretnej klatki. Jeśli kontrola końca ma znaczenie, dodaj obu modelom ten sam zgodny obraz końcowy w oddzielnej próbie.

Kiedy referencje H3 są lepszym przepływem

Załóżmy, że garncarz, filiżanka i pracownia są trzema oddzielnymi zatwierdzonymi obrazami. Zadanie referencyjne H3 może połączyć je w nowe ujęcie. Wyraźnie objaśnij ich role: „Image 1 defines the potter and indigo apron; Image 2 defines the blue cup and handle; Image 3 defines the studio. Compose a medium-wide view of the potter at the workbench, then perform the turn, tap and rest sequence.”

To przydatne nawet bez zwycięzcy porównania. Nie trzeba prosić modelu o wymyślenie obiektu z tekstu ani wciskać wszystkich składników w już zatwierdzoną pierwszą klatkę. Sprawdź, czy rzeczywiście zachowuje każdą rolę. Jeśli precyzyjna kompozycja początkowa jest niezbędna, najpierw skomponuj ten nieruchomy obraz, a następnie użyj generowania z pierwszej klatki.

Oceń wynik bez zamieniania każdej próby w laboratorium

Obejrzyj cały klip w docelowym tempie, zanim sprawdzisz pojedyncze klatki. Dobra pierwsza klatka nie pokazuje, czy ucho zniknie w połowie ani czy akcja zostanie ucięta przed stuknięciem.

Przy generowaniu z tekstu modele mogą wymyślić różne twarze. Samo to nie jest błędem. Oceń ciągłość każdej wymyślonej postaci. Przy wejściu obrazowym porównaj zwróconą postać również ze źródłem.

Sprawdź rzeczywiste wymiary, długość i strumień audio. Żądane pięć sekund może nie odpowiadać dokładnie zakodowanej długości. Zachowaj oryginał przed przycinaniem, skalowaniem lub wymianą dźwięku. Jeśli dobry wizualnie wynik wymaga tylko edycji dźwięku, zapisz go jako sukces wizualny z naprawą audio; nie przedstawiaj podmienionego dźwięku jako natywnego wyjścia.

Garncarz, niebieska filiżanka bez ucha i tablica ze szkicami obrotu i stuknięcia. Filiżankę z uchem wymaganą przez prompt pokazuje ostatnia ilustracja.

Napraw błąd istotny dla zlecenia

Zmień instrukcję powiązaną z widocznym problemem zamiast przepisywać cały prompt po każdej próbie.

Przy twórczości dla dorosłych uwzględnij garderobę i zamierzony stan końcowy w zatwierdzonym źródle lub zleceniu. Jeśli scena zwiększy intensywność ponad zamówienie, potraktuj to jako problem wierności, nie automatyczną poprawę. Przyjęcie treści to tylko jeden warunek użytecznego ujęcia.

Niewielki budżet porównania, z którego można skorzystać

Dobierz próbę do decyzji. Jeśli osiemnastosekundowe ciągłe ujęcie już wymusza LTX, nie finansuj niepowiązanych żądań H3, by ponownie dowieść limitu długości. Jeśli potrzebujesz zbioru referencji H3, porównaj układy referencji w H3. Jeśli chodzi o wspólny ruch z pierwszej klatki, zacznij od niego zamiast płacić za ścieżki tekstową i obrazową.

Przy pięciu sekundach w 2k:

• Jedna para z pierwszej klatki: 0,95 $ + 0,29 $ = 1,24 $.
• Jedna para tekstowa i jedna obrazowa: cztery klipy, 2,48 $.
• Dwie próby na model w każdym trybie: osiem klipów, 4,96 $.

Te sumy częściowe nie obejmują tworzenia obrazów źródłowych, referencji, dalszych zmian ani wykończenia. Jedna para pokazuje, co stało się w jednym ujęciu; nie mierzy stabilnego odsetka udanych wyników. Powtarzaj tylko wtedy, gdy pierwszy wynik pozostawia ważną decyzję nierozstrzygniętą.

Dla ścisłej bazy zachowaj to samo źródło i prompt oraz daj modelom tę samą liczbę prób. Jeśli dostosujesz słowa do jednego modelu, zachowaj tę ścieżkę oddzielnie i daj drugiemu tę samą możliwość. Seed o tym samym numerze w różnych modelach nie wyrównałby ich losowości nawet wtedy, gdyby oba go udostępniały; tutaj robi to tylko LTX.

Minimum czterech klipów na schemacie obejmuje tryby tekstowy i obrazowy. W porównaniu z pierwszej klatki dwa klipy kosztują 1,24 $; przygotowanie źródła jest dodatkowe, a wariantów nie sumuje się.

Wdrożenie lokalne, deklaracje szybkości i warunki użycia

Strona porównawcza Lightricks miesza możliwości natywne i różnie opisane wdrożenia. Czas generowania lokalnego i czas ukończenia w hostowanym API nie są bezpośrednio porównywalne. Dyskusja społeczności o tej tabeli podnosi właśnie ten problem zakresu; jej opinie nie są benchmarkiem SpicyAPI w równych warunkach.

W pracy w usłudze aktualny obraz ukończeń z 30 dni wskazuje H3 jako szybszy do iteracji:

Te ruchome dane obejmują różne długości, rozdzielczości i wewnętrzne zadania testowe; nie są sparowanymi próbami pięciosekundowymi. H3 jest bardziej obiecującym początkiem, gdy liczy się czas realizacji, ale rzeczywiste żądanie może ukończyć się poza typowymi czasami.

Natywne wagi i ich licencjonowane użycie podlegają odrębnym warunkom. Licencja społeczności H3 wyłącza USA, UE, Wielką Brytanię i Koreę Południową z domyślnego terytorium i wyraźnie reguluje usługi hostowane oraz wyniki. Licencja LTX-2.x ma inne warunki komercyjne. Sama obecność w katalogu nie ustala uprawnień do konkretnego wdrożenia lub użycia; sprawdź właściwą umowę usługi oraz warunki modelu.

Najczęstsze pytania

Co jest lepsze do wideo NSFW, LTX 2.5 czy MiniMax H3?

Oba przyjmowały żądania dla dorosłych w zarchiwizowanych próbach zadań bazowych. LTX miał jeden złagodzony wynik tekstowy; mniejsza próba H3 dla dorosłych była zgodna. Różne próby nie dowodzą ogólnego zwycięzcy. Użyj H3 do tanich krótkich szkiców lub wielu obrazów referencyjnych, a LTX do dłuższego ujęcia lub wariantu 4K; oceń rzeczywistą treść razem z ruchem.

Czy MiniMax H3 jest tańszy przy tym samym wariancie wyjścia?

Przy wspólnej etykiecie 2k pięć sekund wycenia się na 0,29 $ w H3 i 0,95 $ w LTX. Referencje zwiększają opłaty, a zdekodowane wymiary należy sprawdzić przed określeniem porównania jako identycznego pod względem pikseli. Ukończone próby potrzebne do końcowego ujęcia określają rzeczywisty koszt produkcji.

Czy H3 może zrobić dwudziestosekundowy klip lub 4K w tych zadaniach?

Nie. Te bazowe zadania H3 w usłudze kończą się na piętnastu sekundach i 2k. LTX 2.5 deklaruje do dwudziestu sekund i wariant 4K. Można połączyć kilka klipów H3 w edytorze, ale powstaje sekwencja, nie gwarantowana nieprzerwana generacja dwudziestosekundowa.

Czy mogę użyć tych samych obrazów początkowych i końcowych w obu?

Tak, w obu zadaniach obraz na wideo. Użyj identycznych plików i zgodnych kompozycji. Sprawdź środek zwróconych klipów oraz ich końce: podobna ostatnia klatka nie dowodzi, że dłonie i obiekty były spójne podczas przejścia.

Czy oba generują dźwięk i który jest szybszy?

Oba generują audio-wideo. H3 ma krótszą medianę w usłudze w powyższym porównaniu: około pół minuty wobec prawie półtorej minuty LTX. To sprzyja H3 przy szybkich szkicach, lecz pomiar mieszanych obciążeń nie ocenia jakości dialogów ani synchronizacji.

Decyzja

Dla krótkiej sceny bez szczególnych ograniczeń dostawy H3 jest tańszym kandydatem na początek. Dla długiego ciągłego ujęcia, deklarowanego 4K lub iteracji kontrolowanej przez seed LTX ma właściwe kontrolki. Wybierz referencje H3, gdy osobne obrazy składników mają definiować nową kompozycję. Wybierz generowanie z pierwszej klatki w dowolnym modelu, gdy kompozycja jest już zatwierdzona.

Filiżanka z uchem i trzy działania po zbliżeniu dłoni: ćwierć obrotu, jedno stuknięcie w brzeg i odpoczynek.

Gdy oba zadania pasują, użyj pięciosekundowej pary 2k za 1,24 $, by rozstrzygnąć rzeczywiste pytanie o ruch zamiast domyślnie kupować szeroki benchmark. Oceń razem działanie, zachowanie źródła, dźwięk i opłatę, a potem zachowaj model dostarczający ujęcie potrzebne w projekcie.