Wprowadzenie
MiniMax H3 Obraz na wideo zaczyna od klatki początkowej podanej w image_url i generuje to, co dzieje się dalej: od 4 do 30 pełnych sekund w 480p, 768p lub 2k, z dźwiękiem z tego samego przebiegu. Opcjonalne last_image_url daje klipowi klatkę końcową, do której ma dojść. Pola formatu kadru nie ma, bo kształt wyniku wyznacza klatka początkowa.
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
O postaci decyduje klatka początkowa
Model ściśle trzyma się przekazanej klatki, więc to najbardziej dosłowny sposób, by dostać postać, strój i wnętrze, które zaprojektowano. W przykładzie windowsill-turn wszystko, co identyfikuje — od twarzy, przez strój, po okno ze smugami deszczu — pochodzi ze zdjęcia; prompt prosi tylko o wydech, pulsowanie neonu i obrót głowy. Klatka początkowa, która już pokazuje scenę, zbliża wynik do briefu znacznie bardziej niż te same słowa wpisane w text-to-video.
Opcjonalna klatka końcowa
last_image_url ustala, gdzie ujęcie ląduje. Przykład z drzwiami wykorzystuje oba końce: osiem sekund zaczynających się w pokoju i kończących na dostarczonym kadrze w drzwiach. Klatka końcowa zaciska tylko zakończenie. Środek klipu nadal generuje się swobodnie, a im dłuższy klip, tym dalej ruch może odejść od klatki końcowej.
Długość, rozdzielczość i limity wejścia
Długość wynosi od 4 do 30 pełnych sekund. Rozdzielczości to 480p, 768p i 2k, ale 2k jest ograniczone do 15 sekund, a dłuższe żądanie w 2k jest odrzucane bez opłaty. Klip dłuższy niż 15 sekund jest rozliczany po dwukrotnej stawce za sekundę za całą długość. Klatka początkowa musi mieć od 256 do 5760 px na każdym boku, proporcje od 2:5 do 5:2 i rozmiar poniżej 30 MB.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Opisz zmianę następującą po klatce początkowej: akcję, kamerę, dźwięk. Nie opisuj samej klatki po raz drugi. od 1 znaków · do 7000 znaków |
image_url | Tak | Klatka początkowa. Ustala bohatera, strój i kompozycję – model trzyma się jej ściśle. |
last_image_url | Nie | Opcjonalna klatka końcowa. Domyka wyłącznie zakończenie; środek klipu pozostaje swobodny. |
resolution | Nie | 480p, 768p albo 2k. 480p to tańszy poziom szkicowy do sprawdzania pomysłów; wybrany dubel renderuj w 768p lub 2k. |
duration_seconds | Nie | Pełne sekundy, od 4 do 30. 2k jest ograniczone do 15 sekund, a klip dłuższy niż 15 sekund jest rozliczany po dwukrotnej stawce za sekundę za całą długość. |
Cennik
| Specyfikacja | Cena |
|---|---|
| $0.025 / sekundę |
| $0.037 / sekundę |
| $0.058 / sekundę |
Zastosowania
Ożywienie już zatwierdzonego kadru
Jeśli klatka już istnieje – wygenerowana albo zdjęcie z uregulowanymi prawami – ten endpoint zamienia ją w ruch bez ponownego opisywania. Prompt niesie tylko zmianę (akcję, kamerę, dźwięk), więc każde słowo zostaje na to, czego sam obraz nie powie.
Odsłonięcie tego, czego nie ma w kadrze
Przykład cup-then-two-in-one-shirt otwiera martwa natura. Dłoń wynosi filiżankę z kadru, kamera odchyla się i przenosi ostrość, a w głębi pokoju pojawia się druga postać: trzy zmiany, wszystkie w czasie, żadnej z nich nie ma na obrazie wejściowym. Wygenerowano go przez sześć sekund – rozsądna długość szkicu przed przebiegiem w 2k.
Kontynuacja sceny ponad 30 sekund
Aby poprowadzić scenę dalej, użyj MiniMax H3 Przedłużanie wideo: otwiera kolejny segment na ostatniej klatce zatwierdzonego klipu i zwraca oba połączone w jednym pliku, więc każdy prompt opisuje tylko to, co dzieje się dalej. Jeśli chcesz sam sterować kolejnym ujęciem klatka po klatce, weź tę ostatnią klatkę i wyślij ją tutaj jako kolejne image_url.
Wskazówki
Nie opisuj kadru od nowa
Opisz zmianę po klatce początkowej, a wygląd zostaw obrazowi. Szybki test: każdy człon zdania powinien nazywać coś, co się rusza albo wydaje dźwięk. Prompt windowsill-turn – „she turns her head toward camera without changing expression. Rain runs down the window, distant traffic” – wystarcza, bo kadr już pokazuje, kim ona jest i gdzie się znajduje.
Przygotuj obie klatki jako ciągłą parę
Wysyłając last_image_url, przygotuj ją w parze z klatką początkową: ta sama postać, ten sam strój, to samo światło i wiarygodna zmiana kadru. Dwie sprzeczne klatki zmuszają środek klipu do negocjowania między nimi. Następnie opisz fizyczną akcję łączącą oba kadry, jak robi to przykład z drzwiami („wstaje z brzegu łóżka… zatrzymuje się w framudze drzwi, patrząc za siebie”), i daj tej akcji dość sekund, by mogła się wydarzyć.
Przygotuj klatkę pod wynik
Skoro klatka wyznacza kształt wyniku, przytnij ją do docelowego formatu przed wysłaniem i sprawdź limity rozmiaru. Szkicuj w 480p, a wybrany dubel powtórz w 480p, 768p lub 2k. Spodziewaj się nowego dubla, a nie skalowania klatka po klatce, bo endpoint nie przyjmuje seeda.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/h3/image-to-video",
"input": {
"duration_seconds": 5,
"enable_prompt_expansion": false,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "768p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
