Wprowadzenie
MiniMax H3 Obraz na wideo zaczyna od klatki początkowej podanej w image_url i generuje to, co dzieje się dalej: od 4 do 15 pełnych sekund w 768p lub 2k, z dźwiękiem z tego samego przebiegu. Opcjonalne last_image_url daje klipowi klatkę końcową, do której ma dojść. Pola formatu kadru nie ma, bo kształt wyniku wyznacza klatka początkowa.
Wybierz tryb według materiału początkowego
| Materiał początkowy | Tryb |
|---|---|
| napisana scena lub scenariusz | MiniMax H3 Tekst na wideo |
| zatwierdzony obraz początkowy | MiniMax H3 Obraz na wideo |
| od jednego do dziewięciu obrazów referencyjnych | MiniMax H3 Referencje na wideo |
Najważniejsze funkcje
O postaci decyduje klatka początkowa
Model ściśle trzyma się przekazanej klatki, więc to najbardziej dosłowny sposób, by dostać postać, strój i wnętrze, które zaprojektowano. W przykładzie windowsill-turn wszystko, co identyfikuje — od twarzy, przez strój, po okno ze smugami deszczu — pochodzi ze zdjęcia; prompt prosi tylko o wydech, pulsowanie neonu i obrót głowy. Klatka początkowa, która już pokazuje scenę, zbliża wynik do briefu znacznie bardziej niż te same słowa wpisane w text-to-video.
Opcjonalna klatka końcowa
last_image_url ustala, gdzie ujęcie ląduje. Przykład z drzwiami wykorzystuje oba końce: osiem sekund zaczynających się w pokoju i kończących na dostarczonym kadrze w drzwiach. Klatka końcowa zaciska tylko zakończenie. Środek klipu nadal generuje się swobodnie, a im dłuższy klip, tym dalej ruch może odejść od klatki końcowej.
Długość, rozdzielczość i limity wejścia
Długość wynosi od 4 do 15 pełnych sekund, ale 4 sekundy są dostępne tylko w 768p; 2k wymaga co najmniej 5 sekund. Obie rozdzielczości są natywne. Klatka początkowa musi mieć od 256 do 5760 px na każdym boku, proporcje od 2:5 do 5:2 i rozmiar poniżej 30 MB.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Opisz zmianę następującą po klatce początkowej: akcję, kamerę, dźwięk. Nie opisuj samej klatki po raz drugi. od 1 znaków · do 7000 znaków |
image_url | Tak | Klatka początkowa. Ustala bohatera, strój i kompozycję – model trzyma się jej ściśle. |
last_image_url | Nie | Opcjonalna klatka końcowa. Domyka wyłącznie zakończenie; środek klipu pozostaje swobodny. |
resolution | Nie | 768p albo 2k, obie natywne. Szkicuj w 768p, dostarczaj w 2k. |
duration_seconds | Nie | Pełne sekundy, od 4 do 15. Cztery sekundy są dostępne tylko w 768p. |
Cennik
| Specyfikacja | Cena |
|---|---|
| $0.037 / sekundę |
| $0.058 / sekundę |
Zastosowania
Ożywienie już zatwierdzonego kadru
Jeśli klatka już istnieje – wygenerowana albo zdjęcie z uregulowanymi prawami – ten endpoint zamienia ją w ruch bez ponownego opisywania. Prompt niesie tylko zmianę (akcję, kamerę, dźwięk), więc każde słowo zostaje na to, czego sam obraz nie powie.
Odsłonięcie tego, czego nie ma w kadrze
Przykład cup-then-two-in-one-shirt otwiera martwa natura. Dłoń wynosi filiżankę z kadru, kamera odchyla się i przenosi ostrość, a w głębi pokoju pojawia się druga postać: trzy zmiany, wszystkie w czasie, żadnej z nich nie ma na obrazie wejściowym. Wygenerowano go przez sześć sekund – rozsądna długość szkicu przed przebiegiem w 2k.
Kontynuacja sceny ponad 15 sekund
Aby poprowadzić scenę dalej, użyj MiniMax H3 Przedłużanie wideo: otwiera kolejny segment na ostatniej klatce zatwierdzonego klipu i zwraca oba połączone w jednym pliku, więc każdy prompt opisuje tylko to, co dzieje się dalej. Jeśli chcesz sam sterować kolejnym ujęciem klatka po klatce, weź tę ostatnią klatkę i wyślij ją tutaj jako kolejne image_url.
Wskazówki
Nie opisuj kadru od nowa
Opisz zmianę po klatce początkowej, a wygląd zostaw obrazowi. Szybki test: każdy człon zdania powinien nazywać coś, co się rusza albo wydaje dźwięk. Prompt windowsill-turn – „she turns her head toward camera without changing expression. Rain runs down the window, distant traffic” – wystarcza, bo kadr już pokazuje, kim ona jest i gdzie się znajduje.
Przygotuj obie klatki jako ciągłą parę
Wysyłając last_image_url, przygotuj ją w parze z klatką początkową: ta sama postać, ten sam strój, to samo światło i wiarygodna zmiana kadru. Dwie sprzeczne klatki zmuszają środek klipu do negocjowania między nimi. Następnie opisz fizyczną akcję łączącą oba kadry, jak robi to przykład z drzwiami („wstaje z brzegu łóżka… zatrzymuje się w framudze drzwi, patrząc za siebie”), i daj tej akcji dość sekund, by mogła się wydarzyć.
Przygotuj klatkę pod wynik
Skoro klatka wyznacza kształt wyniku, przytnij ją do docelowego formatu przed wysłaniem i sprawdź limity rozmiaru. Szkicuj w 768p, a wybrany dubel powtórz w 2k z długością co najmniej pięciu sekund. Spodziewaj się nowego dubla, a nie skalowania klatka po klatce, bo endpoint nie przyjmuje seeda.
Szybki start z 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/image-to-video",
"input": {
"duration_seconds": 5,
"enable_prompt_expansion": false,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
