Wprowadzenie
API MiniMax H3 X łączy dostrojony wariant H3 z kontrolą klatek i referencjami multimodalnymi, od $0.022/s w SpicyAPI; nie jest to oficjalne wydanie MiniMax.
W H3 X image_url określa kompozycję początkową, a opcjonalny last_image_url zakończenie; dla zestawu referencji służy osobny endpoint. W scenie H3 X z obrazu przeznacz prompt na gest, ruch kamery lub odpowiedź następujące po dostarczonej klatce.
Dla sekwencji H3 X wybierz od 2 do 15 pełnych sekund; domyślnie ustawiono 5, a wynik ma 24 kl./s. W H3 X udostępniono 480p, domyślne 720p i 1080p; w porównaniu wycinków SpicyAPI większy plik 1920 x 1088 nie dał widocznego przyrostu szczegółów. W H3 X image_url określa kompozycję początkową, a opcjonalny last_image_url zakończenie; dla zestawu referencji służy osobny endpoint. W H3 X powstaje H.264 MP4 ze stereofonicznym AAC; zapisz dialog w podwójnych cudzysłowach, a dźwięki otoczenia opisz oddzielnie.
Wszystkie trzy endpointy H3 X sklasyfikowano jako wideo NSFW bez cenzury; w testach SpicyAPI nie było odmów, ale część wyników z tekstu lub klatki początkowej łagodziła polecenie. Dla H3 X uzyskaj zgodę osób, których wygląd lub głos wykorzystujesz, i przedstawiaj wyłącznie dorosłych.
H3 X z tekstu lub klatki początkowej rozlicza się według sekund wyniku i wybranej rozdzielczości; dźwięk, opcjonalna klatka końcowa i rozszerzanie promptu nie podlegają dopłacie.
W SpicyAPI H3 X z klatki początkowej objął testowany zakres NSFW, ale wszystkie 5 wyników z męskimi postaciami złagodzono, a część akcji pozostała poza kadrem.
| Pole | Wartość |
|---|---|
| Wejście | Obraz |
| Wyjście | Wideo |
| Twórca modelu | SpicyAPI / MiniMax H3 X |
| Model | MiniMax H3 X |
| Premiera | 26 października 2026 |
| Endpointy | MiniMax H3 X — Z tekstu / Z obrazu / Z referencji |
| Czas trwania | Dla sekwencji H3 X wybierz od 2 do 15 pełnych sekund; domyślnie ustawiono 5, a wynik ma 24 kl./s. |
| Rozdzielczość | 480p, 720p (domyślnie), 1080p |
| Proporcje obrazu | Dla tekstu i referencji H3 X dostępne są domyślne 16:9 oraz 9:16, 1:1, 4:3, 3:4 i 21:9; w trybie obrazu proporcje wynikają z klatki początkowej. |
| Wynik | W H3 X powstaje H.264 MP4 ze stereofonicznym AAC; zapisz dialog w podwójnych cudzysłowach, a dźwięki otoczenia opisz oddzielnie. |
| Długość promptu | 1–7000 znaków |
| Referencje | Do sceny H3 X można dodać do 9 obrazów, 2 filmów o łącznej długości 15 sekund i 3 nagrań audio; przypisz ich role przez Image 1, Video 1 i Audio 1. |
| Polityka treści | Wszystkie trzy endpointy H3 X sklasyfikowano jako wideo NSFW bez cenzury; w testach SpicyAPI nie było odmów, ale część wyników z tekstu lub klatki początkowej łagodziła polecenie. |
| Wykonanie | W H3 X rozlicza się sekundy wyniku i rozdzielczość; dolicza się sekundy filmów referencyjnych, 5 obrazów jest w cenie, kolejne są płatne, a audio referencyjne jest bezpłatne. |
Najważniejsze funkcje
Cytowana kwestia w deszczu
Para tańczy powolne tango na zalanym deszczem dachu. On opuszcza ją nisko, a potem w zbliżeniu ona podciąga go za kołnierz koszuli i mówi „Not yet.” Prompt wylicza też deszcz, ruch uliczny i bandoneon, ale w klipie kwestię słychać na tle powolnej, melancholijnej muzyki. Cytowane kwestie zostały wypowiedziane słowo w słowo w naszych kontrolach rozpoznawania mowy.
Trzy ujęcia w jednym 12-sekundowym klipie
Jeden prompt wylicza trzy ujęcia z czasami startu: marsz korytarzem w ujęciu szerokim, dłoń przekręcająca klucz w zamku w 4. sekundzie i ujęcie średnie w pokoju w 8. sekundzie. W klipie cięcia wypadły około 3,9 i 8,3 sekundy, a przez cały czas występowała ta sama kobieta.
Kadr, który szepcze
Kobieta z ciemnymi falowanymi włosami w czarnej aksamitnej sukni za orzechowym barem wchodzi jako klatka początkowa. Prompt mówi tylko, co dzieje się dalej: odstawia kieliszek, pochyla się do kamery i mówi „Last call.” W klipie pod kwestią gra cicha muzyka.
Trzy referencje, jedna scena
Portret, zdjęcie produktowe trenczu i pusta przymierzalnia wchodzą jako Image 1, 2 i 3. Prompt nazywa je według pozycji i prosi o jedną scenę ze wszystkimi trzema. W klipie twarz, strój, płaszcz i pomieszczenie zgadzają się z referencjami.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | H3 X wymaga promptu o długości 1–7 000 znaków z opisem akcji, kamery i dźwięku; wypowiedzi umieść w podwójnych cudzysłowach. od 1 znaków · do 7000 znaków |
image_url | Tak | W H3 X |
last_image_url | Nie | W H3 X |
resolution | Nie | W H3 X udostępniono 480p, domyślne 720p i 1080p; w porównaniu wycinków SpicyAPI większy plik 1920 x 1088 nie dał widocznego przyrostu szczegółów. |
duration_seconds | Nie | Dla sekwencji H3 X wybierz od 2 do 15 pełnych sekund; domyślnie ustawiono 5, a wynik ma 24 kl./s. |
enable_prompt_expansion | Nie | W H3 X rozszerzanie promptu jest początkowo wyłączone; po włączeniu instrukcje są przeredagowywane przed generowaniem bez zmiany ceny. Domyślnie: |
Cennik
H3 X z tekstu lub klatki początkowej rozlicza się według sekund wyniku i wybranej rozdzielczości; dźwięk, opcjonalna klatka końcowa i rozszerzanie promptu nie podlegają dopłacie.
| Specyfikacja | Cena |
|---|---|
| $0.022 / sekundę |
| $0.032 / sekundę |
| $0.045 / sekundę |
Zastosowania
Sceny dialogowe
Ujęcie H3 X z dialogiem może łączyć obrót do kamery z krótką cytowaną kwestią i dźwiękami pomieszczenia.
Sekwencje z kilkoma ujęciami
Dla H3 X przydziel czas każdemu ujęciu i powtórz opis postaci przy zmianie kąta kamery.
Filmy o modzie, produktach i lokalizacjach
W scenie produktowej H3 X przypisz oddzielne obrazy osobie, ubraniu i miejscu, a potem opisz ich wzajemne relacje.
Kopiowanie ruchu
W H3 X można wykorzystać ruch z maksymalnie 2 filmów o łącznej długości 15 sekund; ich czas rozlicza się tak jak czas wyniku.
Aplikacje bez filtra treści
Dla H3 X uzyskaj zgodę osób, których wygląd lub głos wykorzystujesz, i przedstawiaj wyłącznie dorosłych.
Wskazówki
Kwestie umieszczaj w podwójnym cudzysłowie
Ujęcie H3 X z dialogiem może łączyć obrót do kamery z krótką cytowaną kwestią i dźwiękami pomieszczenia.
Rozpisz ujęcia w czasie
Dla H3 X przydziel czas każdemu ujęciu i powtórz opis postaci przy zmianie kąta kamery.
Referencje wskazuj po typie i pozycji
Do sceny H3 X można dodać do 9 obrazów, 2 filmów o łącznej długości 15 sekund i 3 nagrań audio; przypisz ich role przez Image 1, Video 1 i Audio 1.
Zaobserwowane ograniczenia
Dla H3 X uzyskaj zgodę osób, których wygląd lub głos wykorzystujesz, i przedstawiaj wyłącznie dorosłych.
Prowadzenie sceny
W scenie H3 X z obrazu przeznacz prompt na gest, ruch kamery lub odpowiedź następujące po dostarczonej klatce.
MiniMax H3 X
API MiniMax H3 X łączy dostrojony wariant H3 z kontrolą klatek i referencjami multimodalnymi, od $0.022/s w SpicyAPI; nie jest to oficjalne wydanie MiniMax.
Prowadzenie sceny
W H3 X image_url określa kompozycję początkową, a opcjonalny last_image_url zakończenie; dla zestawu referencji służy osobny endpoint. W scenie H3 X z obrazu przeznacz prompt na gest, ruch kamery lub odpowiedź następujące po dostarczonej klatce. Ujęcie H3 X z dialogiem może łączyć obrót do kamery z krótką cytowaną kwestią i dźwiękami pomieszczenia.
Obraz i dźwięk
Dla sekwencji H3 X wybierz od 2 do 15 pełnych sekund; domyślnie ustawiono 5, a wynik ma 24 kl./s. W H3 X udostępniono 480p, domyślne 720p i 1080p; w porównaniu wycinków SpicyAPI większy plik 1920 x 1088 nie dał widocznego przyrostu szczegółów. W H3 X powstaje H.264 MP4 ze stereofonicznym AAC; zapisz dialog w podwójnych cudzysłowach, a dźwięki otoczenia opisz oddzielnie.
Rozliczenie
H3 X z tekstu lub klatki początkowej rozlicza się według sekund wyniku i wybranej rozdzielczości; dźwięk, opcjonalna klatka końcowa i rozszerzanie promptu nie podlegają dopłacie.
Zaobserwowane ograniczenia
Wszystkie trzy endpointy H3 X sklasyfikowano jako wideo NSFW bez cenzury; w testach SpicyAPI nie było odmów, ale część wyników z tekstu lub klatki początkowej łagodziła polecenie. Dla H3 X uzyskaj zgodę osób, których wygląd lub głos wykorzystujesz, i przedstawiaj wyłącznie dorosłych.
| tylko pomysł | MiniMax H3 X Tekst na wideo | | kadr do animacji, z opcjonalnym kadrem końcowym | MiniMax H3 X Obraz na wideo | | osoby, stroje, miejsca, klipy z ruchem lub głosy | MiniMax H3 X Referencje na wideo |
W SpicyAPI H3 X z klatki początkowej objął testowany zakres NSFW, ale wszystkie 5 wyników z męskimi postaciami złagodzono, a część akcji pozostała poza kadrem.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3-x/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
