Wprowadzenie
MiniMax H3 Referencje na wideo generuje jedno ujęcie z jednego do dziewięciu obrazów referencyjnych i promptu, który odwołuje się do nich po numerach: Picture 1, Picture 2 i tak dalej. Zwraca od 4 do 15 pełnych sekund w 768p lub 2k w jednym z sześciu formatów kadru, z dźwiękiem generowanym równolegle. Do obrazów można dołączyć do trzech klipów wideo i do trzech klipów audio jako referencje, każda grupa łącznie najwyżej 15 sekund.
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
Do dziewięciu numerowanych miejsc na obrazy
reference_image_urls przyjmuje od jednego do dziewięciu obrazów, a prompt odwołuje się do nich po pozycji. Jeden obraz może nieść twarz, drugi strój, trzeci pokój. Przykład ciągłości postaci robi dokładnie to: zachowuje kobietę ze zdjęcia 1 w stroju ze zdjęcia 2 wewnątrz pokoju hotelowego ze zdjęcia 3.
Nowy kąt na istniejącą inscenizację
Referencje utrzymują spójność produkcji, gdy kamera przechodzi w nowe miejsce. Przykład red-dress-theatre-three-angles trzema kadrami ustala wykonawczynię, suknię i scenę, a potem prosi o trzeci kąt kamery, żeby nowa pozycja nie stała się po cichu inną produkcją. Wygenerowano go w formacie 3:4 przez pięć sekund.
Ruch i dźwięk pochodzą z promptu
Ruch i dźwięk można opisać słowami albo podać jako referencję. Przykład voice-and-room wysyła dwa obrazy – wykonawczynię i oświetlenie sceny – a akustykę klubu opisuje tekstem: ciepły pogłos i szmer publiczności. Wideo referencyjne wnosi ruch i odwołujesz się do niego jako <Video 1>; audio referencyjne ustala głos albo dźwięk. Pierwsze pięć obrazów referencyjnych jest w cenie, a każdy kolejny dodaje opłatę; sekundy wideo referencyjnego mają własną stawkę za sekundę, niższą niż sekundy wyniku, a audio referencyjne jest bezpłatne. Szacunek na żywo uwzględnia to wszystko przed wysłaniem.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Nazwij każdą referencję po numerze – <Picture 1>, <Picture 2> – napisz, jakie ma zadanie, a potem opisz ruch i dźwięk. od 1 znaków · do 7000 znaków |
reference_image_urls | Tak | Od jednego do dziewięciu obrazów. Pierwsze pięć jest w cenie, każdy kolejny dodaje opłatę. od 1 elementów · do 9 elementów |
reference_video_urls | Nie | Do trzech filmów referencyjnych, każdy od 2 do 15 sekund, łącznie 15 sekund, dla ruchu, pracy kamery albo postaci w ruchu. od 1 elementów · do 3 elementów |
reference_audio_urls | Nie | Do trzech klipów audio referencyjnych, WAV lub MP3, każdy od 2 do 15 sekund, łącznie 15 sekund, dla głosu albo dźwięku, za którym ma iść klip. Audio referencyjne jest bezpłatne. od 1 elementów · do 3 elementów |
aspect_ratio | Nie | 16:9, 9:16, 1:1, 4:3, 3:4 albo 21:9. Proporcje 21:9 dają anamorficzny format panoramiczny. |
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
Obrazy referencyjne: pierwsze pięć jest w cenie, każdy kolejny dodaje opłatę. Sekundy wideo referencyjnego mają własną stawkę za sekundę, niższą niż sekundy wyniku; każdy klip jest zaokrąglany w górę do pełnych sekund, łącznie najwyżej 15 sekund. Audio referencyjne jest bezpłatne.
| Specyfikacja | Cena |
|---|---|
| $0.037 / sekundę |
| $0.058 / sekundę |
Zastosowania
Powracająca postać w kolejnych ujęciach
Użyj tego samego zestawu referencji w każdym ujęciu sekwencji i zmieniaj w prompcie tylko linijki o akcji i miejscu. Endpoint nie przyjmuje seeda, więc to referencje utrzymują tożsamość od dubla do dubla; sam tekst by się rozjeżdżał.
Wykonawczyni w konkretnej przestrzeni
Połącz portret z osobnym obrazem przestrzeni i opisz, co się w niej dzieje. W voice-and-room wykonawczyni pochyla się do mikrofonu, mówi jedną kwestię i się uśmiecha; drugi obraz daje oświetlenie sceny, a prompt – dźwięk wnętrza.
Ubranie lub rekwizyt utrzymane w ruchu
Daj ubraniu albo przedmiotowi własne miejsce, zamiast liczyć, że przetrwa wewnątrz portretu. Przykład red-dress opisuje wtedy, co suknia robi w ruchu – rozcięcie otwiera się przy każdym kroku w stronę proscenium – bo krój i kolor są już ustalone przez referencję.
Wskazówki
Każdemu obrazowi jedno zadanie
Zacznij prompt od przypisania, jak w character-continuity: „Keep the woman from Picture 1 and the black lace slip from Picture 2, in the hotel room from Picture 3.” Dopiero potem opisz akcję. Trzy lub cztery obrazy z odrębnymi zadaniami działają lepiej niż dziewięć nakładających się; gdy kilka obrazów pokazuje tę samą postać, model je uśrednia zamiast wybrać jeden.
Pisz tylko to, czego referencje nie dają
Gdy tożsamość, strój i miejsce są pokryte obrazami, przeznacz prompt na ruch, kamerę i dźwięk: „She sits on the arm of the chair, crosses her legs and looks up at camera. Slow handheld drift, warm lamp, quiet room tone.” Ponowny opis twarzy słowami daje modelowi drugi opis, który może nie zgadzać się z obrazem.
Najpierw mały szkic, potem wersja finalna
Długość wynosi od 4 do 15 sekund, a 4 sekundy są dostępne tylko w 768p. Szkicuj w niższej rozdzielczości z zestawem referencji, który zamierzasz zachować, a potem powtórz w 2k. Jeśli dubel się rozjeżdża, zmieniaj naraz tylko jedną referencję albo jedną instrukcję, by wiedzieć, która zmiana zrobiła różnicę.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"enable_prompt_expansion": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "768p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
