Wprowadzenie
MiniMax H3 Tekst na wideo generuje klip wyłącznie na podstawie promptu, bez obrazu i bez zestawu referencji. Wybierasz długość od 5 do 15 pełnych sekund, rozdzielczość 768p lub 2k oraz jeden z sześciu formatów kadru; dźwięk powstaje w tym samym przebiegu co obraz. Pole promptu mieści do 7000 znaków, czyli dość, by opisać całe ujęcie, a nie tylko podpis.
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
Sześć formatów kadru wybieranych w każdym żądaniu
aspect_ratio przyjmuje 16:9 (domyślnie), 9:16, 1:1, 4:3, 3:4 i 21:9. Wartość 21:9 daje anamorficzny letterbox – tak powstał opublikowany przykład noir-window: pulsujący czerwony neon, cienie żaluzji i powolny obrót głowy, wszystko napisane jednym akapitem pod szeroki kadr. Ustal format, zanim zaczniesz pisać, żeby brief rozmieścił postać właśnie w tym kadrze.
Dźwięk reżyserowany w tym samym briefie
Dźwięk powstaje razem z obrazem, a nie jest dogrywany później, więc ścieżkę dźwiękową też opisujesz w prompcie: ton pomieszczenia, efekty foley, muzykę albo kwestię dialogową. W przykładzie thunder-wheat-field grzmot przychodzi w tym samym pliku co błyskawice i trafia w rozbłyski bez dopasowywania go w montażu.
768p i 2k – obie natywne
Obie rozdzielczości są natywne, a 480p i 720p nie istnieją – schemat odrzuca te wartości. Długość i rozdzielczość wpływają na cenę, dlatego zwykle robi się szkice w 768p, aż akcja i kadrowanie zagrają, a wybrany dubel generuje się potem w 2k. Endpoint nie przyjmuje seeda, więc przebieg w 2k to nowy dubel tego samego briefu, a nie ostrzejsza kopia szkicu.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Zapisz go jak ujęcie: bohater, akcja, ruch kamery, światło, dźwięk. Język bez cenzury jest przyjmowany. od 1 znaków · do 7000 znaków |
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 5 do 15. Wyznacza cenę. |
Cennik
| Specyfikacja | Cena |
|---|---|
| $0.037 / sekundę |
| $0.058 / sekundę |
Zastosowania
Ujęcie z samego pomysłu
text-to-video to endpoint H3, który nie wymaga żadnego obrazu. Przykład curtain-silhouette pokazuje brief, który najlepiej trzyma się między przebiegami: statyczna kamera, zwiewna zasłona, za nią jedna ciepła lampa i sylwetka, z której czytelny jest tylko kontur. Im mniej szczegółów brief zostawia otwartych, tym bardziej kolejne duble są do siebie podobne.
Test pomysłu na światło lub rytm
Światło zmieniające się w czasie opisuje się w całości w prompcie. Brief thunder-wheat-field prosi o przerywane odsłanianie: każda błyskawica na moment odbija na biało przemoczoną koszulę i oddaje ją z powrotem ciemności, przez sześć sekund w 768p i 16:9. Takie krótkie szkice pokazują, czy efekt jest czytelny, zanim wydasz na niego przebieg w 2k.
Początek sekwencji, która toczy się dalej gdzie indziej
H3 nie ma endpointu do edycji, a jedno żądanie kończy się najpóźniej po 15 sekundach. Przy dłuższej scenie wygeneruj tu pierwsze ujęcie i kontynuuj je za pomocą MiniMax H3 Przedłużanie wideo: otwiera kolejne ujęcie na ostatniej klatce zatwierdzonego klipu i zwraca oba połączone w jednym pliku. Gdy postać ma wyglądać dokładnie tak, jak ją zaprojektowano, przejdź zamiast tego do image-to-video: sam tekst zostawia modelowi strój, ciało i kadrowanie, więc kolejne przebiegi się rozjeżdżają.
Wskazówki
Pisz ujęcie w kolejności, w jakiej się dzieje
Buduj prompt w porządku: postać, akcja, kamera, światło, dźwięk. Prompt noir-window nadaje się na szablon: kto siedzi na parapecie i w co jest ubrana, co robi (wydycha dym, powoli odwraca głowę do kamery), potem wygląd (cienie żaluzji, głęboka czerń, ziarno z lat 70.) i na końcu dźwięk (deszcz i odległy ruch uliczny).
Jeden ruch kamery na dwie postacie
Gdy kadr ma utrzymać dwie rzeczy naraz, daj kamerze jeden ruch, który służy obu. Przykład mirror-two-views utrzymuje jednocześnie czytelne plecy kobiety i jej odbicie w antycznym lustrze dzięki prośbie o powolny łuk w prawo. Ten sam prompt mówi wprost, że ubranie zostaje na miejscu i nic nie jest zdejmowane. Jeśli ujęcie zależy od tego, że strój się nie zmienia, zapisz to zamiast zakładać.
Jedna zmienna na przebieg
Ponieważ nie ma seeda, dwa przebiegi z identycznymi ustawieniami dają dwa różne duble. Trzymaj treść bez zmian, gdy porównujesz duble, a gdy któryś nie wyjdzie, zmień jeden element, na przykład wskazówkę dla kamery albo linijkę o świetle, zamiast przepisywać cały brief. Jeśli postać i kadr mają być identyczne we wszystkich dublach, przypnij je klatką początkową w image-to-video.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p",
"aspect_ratio": "16:9",
"duration_seconds": 5,
"enable_prompt_expansion": false
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
