Wprowadzenie
Referencje na wideo w MiniMax H3 HighSpeed budują klip 768p o długości 4–15 sekund z dźwiękiem wokół przekazanych plików: obrazy dla osób i miejsc, klipy wideo dla ruchu, audio dla głosu. Praca na referencjach pasuje do poziomu nastawionego na codzienne treści, więc wypróbuj ją najpierw, gdy twarz, strój lub miejsce mają być spójne od posta do posta.
Wybierz tryb według materiału wyjściowego
| Co masz | Tryb |
|---|---|
| tylko pomysł | MiniMax H3 HighSpeed – tekst na wideo |
| klatkę do animacji, opcjonalnie z klatką końcową | MiniMax H3 HighSpeed – obraz na wideo |
| osoby, stroje, miejsca, klipy ruchu lub głosy | MiniMax H3 HighSpeed – referencje na wideo |
Najważniejsze funkcje
Do 15 referencji
Jedno żądanie przyjmuje 9 obrazów, 3 klipy wideo i 3 klipy audio. Każdy plik może wnosić coś innego: osobę, strój, pomieszczenie, ruch lub głos.
Nazywaj je w prompcie
W prompcie odwołuj się do każdego pliku jako Image 1, Video 1 lub Audio 1, na przykład „kobieta z Image 1 wykonująca ruch z Video 1”. Numery odpowiadają kolejności wysłanych list.
Rozliczanie zależne od wejść
Sekundy wideo referencyjnego liczą się po stawce wyjścia, obrazy po piątym dodają niewielką opłatę, a audio jest bezpłatne. Reszta rozlicza się według zwykłej stawki za sekundę.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Wymagane. Przyjmuje od 1 do 7 000 znaków i odrzuca dłuższy tekst. od 1 znaków · do 7000 znaków |
reference_image_urls | Nie | Do 9 obrazów, numerowanych według kolejności listy na potrzeby promptu (Image 1, Image 2 itd.). Pięć jest wliczonych w cenę; każdy od szóstego dodaje niewielką opłatę. od 1 elementów · do 9 elementów |
reference_video_urls | Nie | Do 3 klipów po 2–15 sekund, łącznie najwyżej 15 sekund, w prompcie nazywane Video 1, Video 2 i Video 3. Ich sekundy są rozliczane po stawce wyjścia. od 1 elementów · do 3 elementów |
reference_audio_urls | Nie | Do 3 plików WAV lub MP3 wskazujących głos lub dźwięk, bezpłatnie. Zawsze łącz je z co najmniej jednym obrazem lub wideo, a wypowiadane słowa zostaw w prompcie. od 1 elementów · do 3 elementów |
aspect_ratio | Nie | Kształt kadru: domyślnie 16:9, a także 9:16, 1:1, 4:3, 3:4 lub 21:9. Nie wpływa na cenę. |
resolution | Nie |
|
duration_seconds | Nie | Liczba całkowita od 4 do 15 (domyślnie 5); każda sekunda jest rozliczana według stawki 768p. Żądanie na 4 sekundy wróciło jako klip 3,75-sekundowy. |
Cennik
Płacisz za każdą sekundę gotowego klipu w 768p. Wideo referencyjne dolicza własne sekundy po tej samej stawce, pierwsze 5 obrazów referencyjnych jest wliczone, kolejne dodają niewielką opłatę, a audio jest bezpłatne. Aktualna stawka jest na stronie modelu.
| Specyfikacja | Cena |
|---|---|
| $0.072 / sekundę |
Zastosowania
Sceny składane z osobnych plików
Wyślij portret, zdjęcie stroju i obraz pomieszczenia jako trzy obrazy, a jeśli postać mówi, dodaj klip z głosem jako Audio 1. W wyniku ta osoba pojawi się w tych ubraniach w tym miejscu.
Ta sama postać w kolejnych klipach
Używaj tego samego portretu jako Image 1 w każdym żądaniu, a twarz i strój przechodzą z posta do posta, choć scena się zmienia. Dzięki temu powracające postacie i wirtualni prezenterzy pozostają rozpoznawalni.
Kopiowanie ruchu
Przekaż krótki klip jako Video 1 i poproś o jego ruch w wykonaniu osoby z Image 1, na przykład taniec, gest lub ruch kamery. Niech klip będzie krótki i czysty, bo jego sekundy są rozliczane.
Wskazówki
Jedno zadanie na referencję
Ustal, czy dany plik wnosi tożsamość, miejsce, ruch kamery czy głos, i wskazuj go przez typ i numer. Zacznij od jednego bohatera i jednej akcji, a potem dodawaj pozostałe referencje.
Audio potrzebuje obrazu
Zawsze wysyłaj co najmniej jeden obraz lub wideo razem z klipem audio. Dokładną kwestię ujmij w podwójny cudzysłów, wskaż, kto mówi, a w wyniku sprawdź razem głos, wyczucie czasu i akcję.
Najpierw przytnij wideo referencyjne
Przytnij klip do najkrótszego fragmentu pokazującego potrzebny ruch; przyjmowane jest łącznie do 15 sekund i wszystkie są rozliczane. Usuń wstępy i napisz w prompcie, jaką akcję przenieść.
Płacisz za każdą sekundę gotowego klipu w 768p. Wideo referencyjne dolicza własne sekundy po tej samej stawce, pierwsze 5 obrazów referencyjnych jest wliczone, kolejne dodają niewielką opłatę, a audio jest bezpłatne. Aktualna stawka jest na stronie modelu.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-highspeed/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
