MiniMax H3 reference-to-video prowadzi jedno ujęcie na podstawie do dziewięciu numerowanych obrazów referencyjnych, utrzymując postać, strój i miejsce. Klipy 4–15 sekund z generowanym dźwiękiem w 768p lub 2k.
Obszar roboczy
Te przykłady napisano specjalnie dla tego endpointu. Podmień prompt i przykładowe adresy mediów na własne, dostępne materiały, a przed wysłaniem sprawdź aktualną wycenę i dostępność modelu.
- Wyjście5 s
character-continuity-named-refs Trzy referencje, trzy zadania: zdjęcie 1 na twarz, zdjęcie 2 na strój, zdjęcie 3 na pokój — nazywanie ich numerami nie pozwala im zlać się w jedną scenę. `prompt` odpowiada tylko za akcję w `duration_seconds` `5`: siadanie, krzyżowanie nóg, spojrzenie w kamerę, a dryf kamery z ręki jest zapisany jako wskazówka, a nie wzięty z klipu. Twarz pozostaje stała, podczas gdy zmienia się scena.
- 768p
- 5s
- Wyjście5 s
red-dress-theatre-three-angles Trzecie ujęcie na już istniejącą scenografię i po to właśnie są referencje: `reference_image_urls` bierze do dziewięciu kadrów, a razem przypinają wykonawczynię, suknię i scenę tak, żeby nowa pozycja kamery nie zamieniła się po cichu w inną produkcję. Prompt pisze się wtedy wyłącznie pod to ujęcie — przejście, prowadzące światło, to, co suknia robi w ruchu — bo resztę dostarczono jako obrazy.
- 768p
- 3:4
- 5s
- Wyjście7 s
character-continuity Trzy referencje, trzy zadania: zdjęcie 1 na twarz, zdjęcie 2 na strój, zdjęcie 3 na pokój — nazywanie ich numerami nie pozwala im zlać się w jedną scenę. `prompt` odpowiada tylko za akcję w `duration_seconds` `6`: siadanie, krzyżowanie nóg, spojrzenie w kamerę, a dryf kamery z ręki jest zapisany jako wskazówka, a nie wzięty z klipu. Twarz pozostaje stała, podczas gdy zmienia się scena.
- 768p
- 6s
- Wyjście5 s
voice-and-room Dwie referencje dają tylko to, co pokaże zdjęcie: twarz na obrazie 1, rig ze światłami na obrazie 2, a `prompt` dodaje to, czego zdjęcie nie pokaże: mały klub, ciepły pogłos, szmer publiczności. Przy `duration_seconds` `5` starcza czasu na jedną kwestię do mikrofonu przed uśmiechem, dzięki czemu poza zamienia się w zagraną kwestię. Zmień salę, referencje wciąż trzymają twarz i światło.
- 768p
- 5s
Ten przykład zaczyna się od $0.037 za sekundę wyniku. Playground przelicza szacunek po każdej zmianie ustawień.