Wprowadzenie
API wideo z materiałów referencyjnych w MiniMax H3 Lite tworzy klipy z dźwiękiem o długości 4–15 sekund w 480p lub 768p na podstawie obrazów, wideo i audio. Nazwij w prompcie każdy obraz, klip i głos i sprawdź, czy obsada się spina, zanim zaplanujesz serię. Lekka wersja sprawdza się przy testowaniu pomysłów i tworzeniu wielu wariantów. Każde żądanie daje dokładnie jeden plik MP4, w którym obraz i dźwięk powstają jednocześnie.
Wybierz tryb według materiału wyjściowego
| Co masz | Tryb |
|---|---|
| tylko pomysł | MiniMax H3 Lite – tekst na wideo |
| klatkę do animacji, opcjonalnie z klatką końcową | MiniMax H3 Lite – obraz na wideo |
| osoby, stroje, miejsca, klipy ruchu lub głosy | MiniMax H3 Lite – referencje na wideo |
Najważniejsze funkcje
Do 15 referencji
MiniMax H3 Lite przyjmuje w jednym żądaniu do 9 obrazów, 3 klipów wideo (15 sekund łącznie) i 3 klipów audio. Każdy plik może wnosić coś innego: osobę, strój, pokój, ruch albo głos.
Nazywaj je w prompcie
Odwołuj się tak: „kobieta na Image 1”, „ruch z Video 1” i „głos z Audio 1”. Kolejność list jest kolejnością numerów.
Rozliczanie zależne od wejść
Pięć obrazów na żądanie jest wliczonych, każdy kolejny dodaje niewielką opłatę. Sekundy wideo referencyjnego liczą się jak sekundy wyjścia, a audio jest za darmo.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Wymagany, 1–7,000 znaków; dłuższe są odrzucane. Wpisz wypowiedzi w cudzysłowie. od 1 znaków · do 7000 znaków |
reference_image_urls | Nie | Do 9 obrazów, ponumerowanych w kolejności, w jakiej używa ich prompt (Image 1, Image 2...). Pierwsze 5 jest za darmo; każdy obraz od szóstego dodaje niewielką opłatę. od 1 elementów · do 9 elementów |
reference_video_urls | Nie | Do 3 klipów po 2–15 sekund każdy, łącznie 15 sekund. Ich sekundy są rozliczane jak sekundy wyjścia. od 1 elementów · do 3 elementów |
reference_audio_urls | Nie | Do 3 klipów WAV lub MP3 ustalających głos lub dźwięk, bez dopłaty. Dołącz do nich co najmniej jeden obraz lub wideo. od 1 elementów · do 3 elementów |
aspect_ratio | Nie | Jedna z wartości: 16:9 (domyślnie), 9:16, 1:1, 4:3, 3:4 lub 21:9. Nie zmienia ceny. |
resolution | Nie |
|
duration_seconds | Nie | Pełne sekundy, 4–15, domyślnie 5. Rozliczane za sekundę razem z rozdzielczością. |
Cennik
Rozliczane za sekundę wyjścia w wybranej rozdzielczości. Sekundy wideo referencyjnego liczą się jak sekundy wyjścia, pierwsze 5 obrazów referencyjnych jest wliczonych, każdy kolejny dodaje niewielką opłatę, a audio nic nie kosztuje. Aktualną cenę znajdziesz na stronie modelu.
| Specyfikacja | Cena |
|---|---|
| $0.025 / sekundę |
| $0.04 / sekundę |
Zastosowania
Sceny składane z osobnych plików
Portret, zdjęcie stroju i zdjęcie pokoju mogą pójść jako trzy obrazy, a MiniMax H3 Lite umieści tę osobę w tych ubraniach w tym miejscu. Gdy postać mówi, dodaj klip głosowy jako Audio 1.
Ta sama postać w kolejnych klipach
Wyślij ten sam portret jako Image 1 w każdym żądaniu, a MiniMax H3 Lite zachowa twarz i strój, gdy scena wokół się zmienia. Dzięki temu powracająca postać lub wirtualny prezenter pozostaje rozpoznawalny w całej serii klipów.
Kopiowanie ruchu
Wyślij krótki klip jako Video 1 i poproś MiniMax H3 Lite, by odtworzył jego ruch z osobą z Image 1, np. taniec, gest czy ruch kamery. Krótki, czysty klip referencyjny ułatwia odczytanie ruchu i obniża rachunek, bo jego sekundy są naliczane.
Wskazówki
Jedno zadanie na referencję
Nadaj każdemu plikowi wyraźną rolę: twarz, strój, pokój, ruch albo głos, i wpisz tę rolę w prompt. Gdy w jednym obrazie miesza się kilka ról, wynik jest trudniejszy do przewidzenia; przycięta twarz sprawdza się lepiej niż zdjęcie grupowe.
Audio potrzebuje obrazu
Klipy audio nie mogą być jedyną referencją. Wyślij co najmniej jeden obraz lub wideo, a wypowiadane słowa zapisz w prompcie w cudzysłowie. Audio ustala brzmienie głosu, a prompt rozstrzyga, co zostanie powiedziane i kto to mówi.
Najpierw przytnij wideo referencyjne
Klipy są dopasowywane do 2–15 sekund każdy i 15 sekund łącznie, a te sekundy są rozliczane jak wyjście. Przed wysłaniem wytnij więc fragment pokazujący pożądany ruch.
Rozliczane za sekundę wyjścia w wybranej rozdzielczości. Sekundy wideo referencyjnego liczą się jak sekundy wyjścia, pierwsze 5 obrazów referencyjnych jest wliczonych, każdy kolejny dodaje niewielką opłatę, a audio nic nie kosztuje. Aktualną cenę znajdziesz na stronie modelu.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-lite/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
