LTX 2.5 vs MiniMax H3: escolha a tarefa de vídeo primeiro

Uma tomada contínua de dezoito segundos, uma animação quadrada de produto e uma cena de personagem criada a partir de várias fotografias são trabalhos de vídeo. Não são a mesma compra. LTX 2.5 e MiniMax H3 se sobrepõem em vídeos curtos a partir de texto e na animação de um quadro inicial, mas suas opções de entrega, referências e preços podem decidir a escolha antes de comparar a qualidade visual.

Escolha LTX 2.5 para um nível de saída 4K anunciado, uma tomada contínua além de quinze segundos ou iterações controladas por seed. Escolha MiniMax H3 para menor custo de geração, enquadramento quadrado ou amplo, ou uma tomada composta com várias imagens de referência. Para uma mesma solicitação de cinco segundos em 2k, LTX custa $0,95 e H3 $0,29. Os testes existentes mostram que ambos aceitam pedidos para adultos; não apontam um vencedor em movimento ou áudio sob condições equivalentes.

Tabela rápida de decisão

Um quadro inicial e uma coleção de referências resolvem problemas diferentes. Se você já aprovou pessoa, pose e composição, envie essa imagem estática para imagem para vídeo. Se tem imagens separadas dos elementos e quer uma composição nova, a tarefa de referências do H3 é o caminho pertinente. Compará-la com geração LTX a partir de texto sem condicionamento seria comparar fluxos com informações diferentes.

Adequação da tarefa: escolha primeiro a entrada e a entrega necessárias, depois avalie a tomada gerada.

Entradas e controles que afetam a tomada

A família LTX 2.5 tem tarefas hospedadas de texto e imagem. A família MiniMax H3 acrescenta geração com imagens de referência. São H3 base e LTX 2.5, não H3 Max, uma variante Spicy ou LTX 2.3.

Em imagem para vídeo, o quadro de origem determina a composição inicial, em vez de um seletor independente de proporção. A imagem final deve representar uma continuação fisicamente plausível: o mesmo personagem, direção de câmera e cenário, com uma mudança significativa de estado. É o destino pretendido, não a prova de que cada quadro intermediário preservará a fonte.

Em uma tomada com mãos e objeto, preparar a fonte vale mais que acrescentar adjetivos. Mantenha visíveis o objeto inteiro, a superfície de contato prevista e espaço suficiente para a ação. Uma mão muito recortada ao lado de uma xícara invisível obriga o modelo de vídeo a inventar a relação ausente. Um quadro aprovado mais amplo define essa relação antes do movimento.

O cartão do modelo LTX nativo e o repositório MiniMax H3 descrevem ferramentas e fluxos de referência mais amplos. Esta tarefa hospedada de referências H3 aceita imagens, não arrays nativos de referências de vídeo/áudio. Capacidades locais de LoRA e execução também não devem ser enviadas como campos API inventados.

Preço: uma diferença que pode mudar as iterações

Estas são as tarifas de saída SpicyAPI para geração a partir de texto e quadro inicial.

Os preços do nível 2k compartilhado foram confirmados por cotações gratuitas das solicitações exatas. Os $0,29 do H3 são cerca de 69% abaixo dos $0,95 do LTX para a mesma duração solicitada e o mesmo rótulo de nível. É uma diferença de compra, não uma melhoria medida de 69% na eficiência de produção. Quatro candidatos H3 custam $1,16; dois candidatos LTX custam $1,90. Se os candidatos mais baratos errarem repetidamente o movimento necessário, a vantagem de preço pode não resultar em uma tomada pronta.

Um cálculo útil inclui todas as cobranças de geração necessárias para obter a tomada aprovada, além do trabalho relevante de finalização. Por exemplo, dois rascunhos H3 2k concluídos mas inutilizáveis e um terceiro aproveitável somam $0,87. Uma única tomada LTX aproveitável custaria $0,95. Uma tarefa com falha e uma geração concluída que erra criativamente têm resultados de cobrança diferentes; use os registros de tarefas com cobrança liquidada para calcular o total real.

As referências H3 geram outra cobrança. Uma cotação gratuita de cinco segundos em 768p com uma referência retornou $0,1918, em vez do subtotal de saída de $0,185 sem referência. Faça a cotação com a quantidade real de referências, em vez de tratá-las como entradas gratuitas. O H3 base também deixou de oferecer expansão do prompt (removida em 9 de outubro de 2026), então não há chave de expansão nem cobrança de expansão para orçar. Não inclua uma opção no orçamento só porque seu campo aparece no esquema.

A comparação dos menores níveis responde a outra pergunta. LTX 720p e H3 768p têm tamanhos de entrega diferentes. Para um rascunho pequeno, pode ser uma economia sensata; para avaliar em resolução igual, não substitui o nível compartilhado.

O rótulo 2k compartilhado identifica uma interseção de configurações. Compare as dimensões decodificadas e veja os arquivos completos com um tamanho de exibição consistente.

O que os testes existentes dizem sobre NSFW e qualidade

Com base nos nossos testes de setembro de 2026, as duas famílias podem gerar vídeos adultos sem censura:

• LTX 2.5: vinte e quatro pedidos de conteúdo adulto entre tarefas de texto e imagem produziram vinte e três correspondências de conteúdo e um resultado de texto suavizado. Categorias e contagens diferem; não são vinte e quatro testes da mesma cena.
• MiniMax H3 base: doze pedidos de conteúdo adulto corresponderam no conjunto arquivado das tarefas de texto, imagem e referências. Duas sondagens adicionais de violência são separadas dessa amostra adulta.
• Nenhuma amostra é um confronto pareado. Prompts, datas e repetições diferentes impedem que os totais demonstrem que H3 seja geralmente mais confiável ou LTX menos capaz.

A avaliação do LTX 2.5 descreve resultados visuais variados, incluindo uma boa cena em uma boate e artefatos graves em alguns movimentos complexos. A avaliação do H3 documenta seus próprios achados históricos de conteúdo e tarefas. Aceitar o conteúdo importa em um fluxo adulto, mas não avalia geometria das mãos, controle da câmera ou identidade ao longo da cena.

Uma verificação concreta de entrega já está disponível: o arquivo de capacidades de setembro registra uma solicitação LTX 2.5 em 2k de onze segundos que entregou 2560×1408 pixels, 11,04 segundos e uma faixa de áudio significativa. Isso estabelece uma saída real de áudio e vídeo longa e de alta resolução nessa configuração. Não estabelece precisão de sincronização labial, tempo fixo de renderização ou comparação com um clipe H3.

Para uma tomada editorial adulta, prepare personagem e figurino na imagem inicial e depois dirija um movimento visível. Avalie tanto o conteúdo pretendido quanto o resultado cinematográfico. Um clipe com conteúdo correto e mãos instáveis continua inadequado se o contato das mãos é central no briefing.

Uma tomada comum prática: uma xícara, um movimento, um som

Para comparar as duas rotas em algo observável, use uma cena de cerâmica de cinco segundos: um ceramista adulto gira uma xícara azul um quarto de volta, dá uma batida leve em sua borda e repousa ambas as mãos ao lado. A câmera fica parada. O contato visível e o som facilitam descrever os erros.

O storyboard e as ilustrações mostram a ação pretendida, não resultados de nenhum dos modelos.

Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron stands behind a wooden workbench. One small blue glazed cup with a single handle rests on the bench. The potter brings both hands to the cup, gently turns the cup a quarter-turn with both hands, taps its rim once with one finger, then rests both hands beside it. Keep the cup intact and continuously visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.

Este prompt dá uma função a cada instrução:

• Sujeito e cenário: definem quem age e onde, em vez de uma longa lista de estilos.
• Objeto: uma xícara azul com uma única alça torna visíveis duplicações ou alterações de design.
• Ordem das ações: aproximar, girar, bater e repousar dá um final à cena, em vez de movimento sem conclusão.
• Câmera: uma composição estática facilita avaliar o movimento.
• Som: um contato curto permite verificar o tempo; não testa diálogo ou canto.

Para uma execução com quadro inicial, use o mesmo arquivo aprovado nas duas rotas. Substitua as primeiras frases descritivas por: “Use the supplied image as the character, cup and studio design. Preserve their appearance and composition.” Preserve as instruções de ação, câmera e som. Duas imagens de origem geradas separadamente introduziriam uma diferença extra antes de começar qualquer tarefa de vídeo.

Quatro momentos: mãos se aproximam, xícara gira, dedo bate de leve na borda e mãos repousam.

Entradas API de texto para vídeo

Salve uma destas solicitações como request.json e envie usando o fluxo SDK do guia da API de vídeo. O programa lê o ID do modelo escolhido e a entrada, faz a cotação sem criar a tarefa por padrão e usa um ID de tarefa salvo para recuperação.

{
  "model": "lightricks/ltx-2.5/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9",
    "seed": 42017
  }
}

Para a solicitação H3 correspondente, mantenha prompt, duração, nível e enquadramento. Remova seed, porque a tarefa H3 base não o expõe:

{
  "model": "minimax/h3/text-to-video",
  "input": {
    "prompt": "Static medium-wide shot in a quiet ceramics studio. An adult potter in an indigo apron brings both hands to the cup, gently turns one blue handled cup a quarter-turn on a wooden workbench, taps its rim once, then rests both hands beside it. Keep the cup intact and visible. No cuts or camera movement. Quiet room tone and one light ceramic tap, no dialogue or music.",
    "duration_seconds": 5,
    "resolution": "2k",
    "aspect_ratio": "16:9"
  }
}

Para imagem para vídeo, selecione a tarefa de imagem de cada família, forneça a fonte como image_url, omita aspect_ratio e mantenha o prompt de movimento. Deixe a imagem final fora da primeira tentativa, a menos que alcançar aquele quadro específico seja a questão. Se o controle do final importa, acrescente a mesma imagem final compatível aos dois em uma tentativa separada.

Quando referências H3 são o melhor fluxo

Suponha que ceramista, xícara e ateliê existam como três imagens separadas aprovadas. A tarefa de referências H3 pode combiná-las em uma nova tomada. Explique seus papéis explicitamente: “Image 1 defines the potter and indigo apron; Image 2 defines the blue cup and handle; Image 3 defines the studio. Compose a medium-wide view of the potter at the workbench, then perform the turn, tap and rest sequence.”

Isso é útil mesmo sem um vencedor na comparação. Evita pedir ao modelo que invente o objeto a partir de texto e evita forçar todos os elementos em um primeiro quadro já aprovado. Verifique se realmente preserva cada papel. Se uma composição inicial precisa é essencial, componha primeiro essa imagem estática e use geração com quadro inicial.

Avalie o resultado sem transformar cada tentativa em laboratório

Assista ao clipe completo na velocidade pretendida antes de examinar quadros individuais. Um bom primeiro quadro não mostra se a alça desaparece no meio ou se a ação corta antes da batida.

Na geração por texto, os modelos podem inventar rostos diferentes. Isso sozinho não é um erro. Avalie a continuidade de cada personagem inventado. Com entrada de imagem, compare também o personagem retornado com a fonte.

Inspecione dimensões reais, duração e fluxo de áudio. Os cinco segundos pedidos podem não coincidir exatamente com a duração codificada. Preserve o original antes de cortar, redimensionar ou trocar o som. Se uma tomada visualmente aproveitável só precisa de edição sonora, registre como sucesso visual com reparo de áudio; não apresente o som substituído como saída nativa.

Um ceramista, uma xícara azul sem alça e um quadro com esboços de giro e batida. A xícara com alça exigida pelo prompt aparece na ilustração final.

Corrija a falha que importa ao briefing

Altere a instrução ligada ao problema visível, em vez de reescrever todo o prompt depois de cada tentativa.

Para criação adulta, inclua figurino e estado final pretendido na fonte ou no briefing aprovado. Se a cena ganha intensidade além do pedido, considere um problema de fidelidade, não uma melhoria automática. Aceitação do conteúdo é só uma condição para uma tomada utilizável.

Um pequeno orçamento de comparação que você pode usar

Escolha a tentativa em função da decisão. Se uma tomada contínua de dezoito segundos já seleciona LTX, não financie pedidos H3 sem relação para provar novamente o limite de duração. Se precisa da coleção de referências H3, compare os arranjos dentro do H3. Se a questão é o movimento com quadro inicial compartilhado, comece ali em vez de pagar pelos caminhos de texto e imagem.

Em cinco segundos e 2k:

• Um par com quadro inicial: $0,95 + $0,29 = $1,24.
• Um par de texto e um de imagem: quatro clipes, $2,48.
• Duas tentativas por modelo em cada modo: oito clipes, $4,96.

Esses subtotais excluem criação das imagens de origem, referências, revisões adicionais e finalização. Um par mostra o que ocorreu em uma tomada; não mede uma taxa estável de resultados aproveitáveis. Repita apenas se o primeiro resultado deixar uma decisão importante em aberto.

Para uma base rigorosa, preserve a mesma fonte e prompt e dê a cada modelo o mesmo número de tentativas. Se adaptar a redação para um modelo, mantenha esse caminho separado e dê ao outro a mesma oportunidade. Um seed de mesmo número entre modelos diferentes não alinharia sua aleatoriedade, mesmo que ambos o expusessem; aqui só LTX faz isso.

O mínimo de quatro clipes do diagrama cobre os modos texto e imagem. Para uma comparação com quadro inicial, dois clipes custam $1,24; preparação da fonte é extra, e as alternativas não se somam.

Implantação local, alegações de velocidade e termos de uso

A página de comparação competitiva da Lightricks mistura capacidades nativas e implantações descritas de maneiras diferentes. Tempo de geração local e tempo de conclusão de API hospedada não são diretamente comparáveis. A discussão da comunidade sobre essa tabela aponta exatamente esse problema de escopo; suas opiniões não são um benchmark SpicyAPI em condições equivalentes.

Para trabalho hospedado, o retrato atual de conclusões em 30 dias favorece H3 para iterações mais rápidas:

Essas métricas móveis incluem durações, resoluções e tarefas internas de teste variadas; não são tentativas pareadas de cinco segundos. H3 é o ponto de partida mais promissor quando o prazo importa, mas a solicitação real pode terminar fora desses tempos típicos.

Os pesos nativos e seu uso licenciado têm termos separados. A licença comunitária H3 exclui EUA, UE, Reino Unido e Coreia do Sul do território padrão e trata expressamente de serviços hospedados e saídas. A licença LTX-2.x tem condições comerciais diferentes. A disponibilidade no catálogo não estabelece sozinha permissões para determinada implantação ou uso; consulte o acordo de serviço aplicável e os termos do modelo.

Perguntas frequentes

Qual é melhor para vídeo NSFW, LTX 2.5 ou MiniMax H3?

Ambos aceitaram pedidos adultos nas amostras arquivadas de tarefas base. LTX teve um resultado por texto suavizado; a amostra adulta menor do H3 correspondeu. Amostras diferentes não provam um vencedor geral. Use H3 para rascunhos curtos baratos ou várias imagens de referência e LTX para a tomada mais longa ou nível 4K; avalie conteúdo e movimento reais juntos.

MiniMax H3 é mais barato no mesmo nível de saída?

No rótulo compartilhado 2k, cinco segundos são cotados em $0,29 no H3 contra $0,95 no LTX. Referências acrescentam tarifas e as dimensões decodificadas devem ser verificadas antes de chamar isso de comparação com pixels idênticos. As tentativas concluídas necessárias para a tomada final determinam o custo real de produção.

H3 pode fazer um clipe de vinte segundos ou 4K nessas tarefas?

Não. Essas tarefas H3 base hospedadas param em quinze segundos e 2k. LTX 2.5 lista até vinte segundos e um nível 4K. É possível juntar vários clipes H3 em um editor, mas isso gera uma sequência, não uma geração garantida e ininterrupta de vinte segundos.

Posso usar as mesmas imagens inicial e final nos dois?

Sim, nas duas tarefas de imagem para vídeo. Use arquivos idênticos e composições compatíveis. Inspecione o meio dos clipes retornados além dos extremos: atingir um último quadro parecido não prova que mãos e objetos permaneceram coerentes durante a transição.

Ambos geram som e qual é mais rápido?

Ambos geram áudio e vídeo. H3 tem a menor mediana hospedada na comparação acima: cerca de meio minuto contra quase um minuto e meio para LTX. Isso favorece H3 para rascunhos rápidos, mas tempos de cargas mistas não classificam qualidade de diálogo ou sincronização.

A decisão

Para uma cena curta sem restrição especial de entrega, H3 é o candidato inicial de menor custo. Para uma tomada contínua longa, saída 4K anunciada ou iterações controladas por seed, LTX tem os controles pertinentes. Escolha referências H3 quando imagens separadas dos elementos devem definir uma nova composição. Escolha geração com quadro inicial em qualquer um quando a composição já foi aprovada.

A xícara com alça e as três ações após a aproximação das mãos: quarto de volta, uma única batida na borda e repouso.

Quando ambas as tarefas servem, use o par de cinco segundos em 2k por $1,24 para resolver a questão real de movimento, em vez de comprar um benchmark amplo por padrão. Avalie juntos ação, preservação da fonte, som e cobrança, depois mantenha o modelo que entrega a tomada necessária ao seu projeto.