Wprowadzenie
MiniMax H3 LoRA Referencje na wideo buduje jedno ujęcie z twojego materiału referencyjnego i maksymalnie trzech własnych plików LoRA na MiniMax H3 z otwartymi wagami. Wyślij do dziewięciu obrazów, trzech klipów i trzech klipów audio, odwołuj się do nich po numerze w prompcie i odbierz plik MP4 o długości od 3 do 15 sekund ze stereofoniczną ścieżką dźwiękową w 480p, 540p, 768p lub 1080p, w jednej z siedmiu proporcji obrazu.
Wybierz tryb według materiału wyjściowego
| Co masz | Tryb |
|---|---|
| opisaną scenę | MiniMax H3 LoRA Tekst na wideo |
| obraz startowy | MiniMax H3 LoRA Obraz na wideo |
| obrazy, klipy lub audio jako referencje | MiniMax H3 LoRA Referencje na wideo |
Najważniejsze funkcje
Trzy rodzaje referencji w jednym żądaniu
Obrazy ustalają twarz, strój lub pomieszczenie. Klipy wnoszą ruch, tempo i pracę kamery, a ich dźwięk przechodzi automatycznie. Klipy audio dają głos, rytm lub tło akustyczne do naśladowania. Nazywaj je Picture 1, Video 1 i Audio 1, żeby każde wejście miało jedno jasne zadanie.
LoRA i referencje razem
LoRA postaci i zdjęcia referencyjne tej samej osoby trzymają tożsamość lepiej niż każde z nich osobno. Dodaj LoRA stylu z niższym scale, a całe ujęcie przejmie twój wygląd, nie gubiąc postaci.
Bez cenzury na każdym wejściu
Obrazy referencyjne są przyjmowane takie, jakie są, cokolwiek pokazują. Z LoRA zbudowanym pod najmocniejszą treść i naszym najmocniejszym promptem treściowym ujęcie wyrenderowało się zgodnie z zapisem z przywołaną postacią, a ścieżka dźwiękowa wróciła w tym samym pliku.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Nazwij każde wejście po numerze i daj mu jedno zadanie: <Picture 1> to kobieta, <Picture 2> to pokój, <Video 1> to ruch kamery, Audio 1 to jej głos. Potem opisz akcję i dźwięk. od 1 znaków · do 7000 znaków |
reference_image_urls | Nie | Do dziewięciu obrazów. Każdy dolicza opłatę za referencję. od 1 elementów · do 9 elementów |
reference_video_urls | Nie | Do trzech klipów dla ruchu, tempa lub kamery. Ich sekundy są rozliczane jak sekundy wyniku, łącznie maksymalnie 15. od 1 elementów · do 3 elementów |
reference_audio_urls | Nie | Do trzech klipów audio na głos, rytm lub tło. Każdy dolicza opłatę za referencję. od 1 elementów · do 3 elementów |
aspect_ratio | Nie | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 lub 9:21. Nie wpływa na cenę. |
resolution | Nie | 480p, 540p, 768p lub 1080p. Stawka za sekundę rośnie z każdym stopniem. |
duration_seconds | Nie | Długość wyniku od 3 do 15 sekund. Przy rozliczeniu doliczane są sekundy klipów referencyjnych. |
loras | Nie | Do trzech wpisów {path, scale} wytrenowanych pod MiniMax H3; scale od 0 do 4. LoRA postaci plus zdjęcia referencyjne tej samej osoby najmocniej trzymają tożsamość. Domyślnie: |
seed | Nie | Utrzymuje porównywalność serii, gdy wymieniasz referencje lub wartości scale. |
Cennik
Rozliczane za sekundę w wybranej rozdzielczości; sekundy klipów referencyjnych liczą się jako rozliczane sekundy (łącznie do 15), a każdy obraz lub klip audio w referencjach dolicza opłatę za referencję. LoRA nie generują osobnej opłaty.
| Specyfikacja | Cena |
|---|---|
| $0.06 / sekundę |
| $0.09 / sekundę |
| $0.12 / sekundę |
| $0.24 / sekundę |
Zastosowania
Powracająca postać w nowych scenach
Zachowaj te same dwa lub trzy zdjęcia postaci, dodaj jej LoRA i między ujęciami zmieniaj tylko linie z miejscem i akcją. Każda nowa scena startuje od tej samej tożsamości, zamiast losować ją od nowa.
Skopiuj ruch z klipu
Wyślij krótki klip z tańcem, akcentem walki lub ruchem kamery, o który ci chodzi, do tego zdjęcie nowego wykonawcy, i opisz nowe miejsce. Napisz wprost, że osoba pochodzi z obrazu, a z klipu bierzemy tylko ruch: w naszym teście pominięcie tego zdania sprawiło, że razem z ruchem przyszła tancerka z klipu. Klip trzymaj krótki, bo jego sekundy są rozliczane jak sekundy wyniku.
Podłóż głos pod obraz
Dodaj klip z głosem lub muzyką jako Audio 1 i powiedz modelowi, kto mówi albo do czego rusza się scena. To najszybszy sposób, by dostać kwestię dialogową głosem, który już masz.
Wskazówki
Zacznij od mapy
Rozpocznij prompt jednym krótkim zdaniem na każde wejście: Picture 1 to kobieta, Picture 2 to pokój hotelowy, Video 1 to jazda kamery. Potem opisz akcję i zakończ dźwiękiem. Wejścia bez zadania mają tendencję do zlewania się.
Pilnuj budżetu referencji
Każdy obraz i każdy klip audio w referencjach dolicza niewielką opłatę, a sekundy klipów są rozliczane jak sekundy wyniku, łącznie do 15. Wycena na żywo pokazuje pełną kwotę przed wysłaniem. Dziewięć nakładających się zdjęć kosztuje więcej i zwykle gorzej trzyma tożsamość niż trzy dobre.
Niech LoRA niesie wygląd
Gdy LoRA stylu jest załadowana, nie opisuj dodatkowo tego stylu szczegółowo w prompcie. Opisz postać i akcję, a renderowanie zostaw wagom.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-lora/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "480p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
