Texto ou imagem para vídeo: por onde começar?

Para um personagem adulto recorrente, comece com imagem para vídeo quando o rosto, a roupa e o plano de abertura estiverem aprovados. Comece com texto para vídeo quando ainda estiver escolhendo o personagem ou descobrindo a cena. Uma imagem fornece uma abertura específica; um prompt de texto deixa o modelo inventá-la. Nenhuma entrada garante que o rosto permaneça estável quando o personagem se move.

A comparação usa MiniMax H3 porque a SpicyAPI oferece as duas tarefas pelos mesmos preços por segundo. A escolha depende do que você já tem e do que precisa corrigir, não de um desconto por seguir um caminho. Os prompts de exemplo usam uma pessoa adulta fictícia completamente vestida.

A mesma família, duas entradas diferentes

Os detalhes de cada tarefa estão nas páginas de texto para vídeo e imagem para vídeo.

As duas tarefas geram som junto com o vídeo. Descreva o som no prompt, mesmo que seja só chuva e o ambiente da sala; uma imagem não informa qual trilha sonora deve acompanhar a cena.

Começar pelo texto permite descobrir a aparência; começar pela imagem fornece uma aparência inicial aprovada. São ilustrações, não resultados do MiniMax.

O que isso significa para um criador NSFW

Nos testes de setembro de 2026, as duas tarefas H3 aceitaram solicitações de conteúdo adulto até o nível mais intenso que verificamos: texto para vídeo com uma descrição escrita e imagem para vídeo com imagens iniciais geradas por IA. Ambas estão listadas como sem restrições; portanto, o caminho não altera o que é permitido, mas o controle que você tem.

Aceitação e identidade são questões separadas. Um modelo pode aceitar o tema e ainda mudar o rosto no meio de uma virada. Escolha o caminho conforme o plano e avalie se o personagem continua reconhecível.

MiniMax H3 Spicy é uma família separada de imagem para vídeo, não o modo de entrada por imagem do H3 comum. Em 768p, o preço atual é $0,084 por segundo, contra $0,037 do H3 comum em 768p. Não compare esse preço mais alto com texto para vídeo do H3 comum para chamar a diferença de “taxa extra de imagem para vídeo”. Da mesma forma, H3 LoRA é uma família separada para pesos LoRA compatíveis, não uma opção nesses dois formulários.

Caminho A: descobrir o plano a partir do texto

Use esse caminho para um novo personagem fictício ou um teaser independente cujo rosto exato ainda não foi definido. A descrição de exemplo contém uma ação: Mara, de 30 anos, vira-se de uma janela marcada pela chuva para o espectador. O vestido de festa cor de carvão continua no corpo; a câmera fica parada.

1. Abra MiniMax H3 texto para vídeo.
2. No formulário, defina Aspect ratio como 9:16, Resolution como 768p e Duration como 5.
3. Cole o prompt do plano abaixo em Prompt e confira a estimativa antes de executar.

Vertical medium shot of Mara, a fictional 30-year-old woman with a short dark bob, wearing a charcoal evening dress beside a rain-streaked window. Cool window light illuminates her face; a warm lamp glows behind her. She begins looking toward the window, slowly turns her head toward the camera, then holds eye contact. Her face and upper body stay in frame. Static camera. The dress remains unchanged. Audio: soft rain against the glass and quiet room tone, no speech or music.

Escolha quando: o personagem ainda estiver indefinido, você quiser explorar aparências e cenários, ou um único clipe independente for todo o trabalho. Escolha outro caminho quando: o rosto ou o figurino já estiverem definidos; use o caminho B.

Avalie o primeiro resultado como escolha do personagem mais encenação. Se o rosto for atraente, mas diferente de um personagem estabelecido, a entrada só de texto não forneceu aquele rosto estabelecido. Repetir o nome e a descrição do cabelo não transforma uma nova geração em referência de identidade.

Assim que aprovar uma aparência, salve-a antes de alterar o prompt. “Keep everything, only change the lamp” ainda é uma nova geração nessa tarefa, não uma edição local de imagem. Se a luminária importar, prepare uma imagem inicial aprovada com a luminária correta e passe ao segundo caminho.

Caminho B: animar uma abertura aprovada

Use imagem para vídeo quando o público já reconhecer Mara ou o plano precisar combinar com uma imagem de campanha aprovada. A imagem deve mostrar o começo da ação, não ser apenas seu melhor retrato do personagem.

Para a virada junto à janela, prepare um plano médio vertical com a cabeça voltada para a janela, rosto suficientemente visível para inspeção e espaço ao redor dos ombros. Um close do rosto muito recortado é um ponto de partida ruim para uma grande virada de ida e volta. Refaça a composição primeiro, em vez de pedir ao prompt de movimento que resolva enquadramento, identidade e ação ao mesmo tempo.

Corrija um enquadramento restritivo antes de pedir movimento.

1. Abra MiniMax H3 imagem para vídeo.
2. Adicione a abertura vertical aprovada em Input image. Cada lado deve medir 256–5.760 pixels, a proporção ficar entre 2:5 e 5:2, e o arquivo ter menos de 10 MB (o limite do Playground).
3. Defina Resolution como 768p e Duration como 5. A imagem determina a proporção; essa tarefa não tem campo Aspect ratio.
4. Cole o prompt de movimento abaixo em Prompt. Deixe Closing frame vazio para a primeira virada simples.

She slowly turns her head from the window toward the camera, then holds direct eye contact. Her shoulders stay relaxed. The camera remains fixed. Audio: soft rain against the glass and quiet room tone, no speech or music.

A imagem já mostra o rosto, o vestido e a sala, então o prompt diz apenas o que muda.

Inspecione o começo, o meio e a pausa final. Um primeiro quadro correto pode ocultar um rosto que muda depois. Se a virada revelar um perfil pouco convincente, tente um ângulo inicial que mostre mais da parte relevante do rosto ou peça uma virada menor. Se o contato visual direto for essencial, preserve esse final em vez de reduzir o movimento até o personagem quase não agir.

Inspecione o começo, a virada e a pausa final como critérios separados de aprovação.

Escolha quando: o personagem for recorrente, o plano precisar combinar com uma imagem aprovada ou você já tiver definido o rosto e o figurino. Escolha outro caminho quando: ainda precisar encontrar a aparência, pois uma imagem também fixa seus pontos fracos.

O quadro final opcional (last_image_url na API) é útil quando você também aprovou a composição final. Prepare-o com o mesmo personagem, figurino e iluminação, pedindo uma ação que conecte os quadros de forma plausível. Ele restringe o destino; não fornece cada posição intermediária das mãos nem garante uma transição correta.

Quanto custam cinco segundos

Os preços atuais do H3 comum são iguais para essas duas tarefas:

A criação da imagem é um custo extra. Se você já tiver um still aprovado, a preparação pode custar quase nada; se primeiro gerar e rejeitar muitos stills, conte esse gasto. Em 768p, três tentativas de texto para vídeo custam $0,555, enquanto uma tentativa de imagem para vídeo custa $0,185 mais a imagem. Portanto, o caminho da imagem só ganha se o still aprovado custar menos de $0,37. Se ambos funcionarem na primeira tentativa, texto para vídeo é mais barato, porque o caminho da imagem acrescenta o custo do still.

Rascunhar em 768p e finalizar em 2k é o padrão econômico, mas a execução em 2k é uma nova tomada, não uma ampliação do rascunho: H3 não oferece seed, então até uma solicitação idêntica retorna um movimento diferente. Se o movimento aprovado precisar permanecer exatamente igual, use uma tarefa separada de ampliação de resolução. Famílias que oferecem seed, como H3 Spicy imagem para vídeo ou Seedance 2.5, permitem repetir uma solicitação com mais reprodutibilidade.

Corrija o primeiro defeito visível

Quando o figurino inicial estiver errado, revise a fonte antes de outra tentativa de movimento.

Uma referência de identidade e um quadro de abertura são recursos diferentes. Se quiser Mara sentada à mesa, não envie o retrato dela junto à janela como abertura literal esperando que funcione apenas como referência do rosto. H3 referência para vídeo é uma tarefa separada que aceita de uma a nove imagens de referência; confira as entradas extras e a estimativa separadamente.

Execute pela API

Quando um resultado no Playground estiver certo, a mesma solicitação funciona no código. Este é o exemplo de texto para vídeo; para imagem para vídeo, altere o modelo para minimax/h3/image-to-video, remova aspect_ratio e adicione image_url.

import os
import uuid

import requests

response = requests.post(
    "https://api.spicyapi.ai/api/v1/jobs/createTask",
    headers={
        "Authorization": f"Bearer {os.environ['SPICY_API_KEY']}",
        "Idempotency-Key": str(uuid.uuid4()),  # new key for each new request
    },
    json={
        "model": "minimax/h3/text-to-video",
        "input": {
            "prompt": "Vertical medium shot of Mara, a fictional 30-year-old woman with a short dark bob, wearing a charcoal evening dress beside a rain-streaked window. She slowly turns her head toward the camera, then holds eye contact. Static camera. Audio: soft rain, quiet room tone.",
            "aspect_ratio": "9:16",
            "resolution": "768p",
            "duration_seconds": 5,
        },
    },
)
print(response.json())

Campos, resultados e erros estão na referência da API.

Ou deixe um Agent executar. Um agente pode fazer a mesma chamada pela CLI, pelo servidor MCP ou pelo Agent Skill. Os três leem o esquema atual do modelo, e a CLI e o MCP mostram o preço e pedem confirmação antes de criar uma tarefa.

# CLI
npx @spicyapi/cli tasks create --model minimax/h3/text-to-video \
  --input-json '{"prompt": "Mara turns from a rain-streaked window toward the camera and holds eye contact. Static camera. Audio: soft rain.", "aspect_ratio": "9:16", "resolution": "768p", "duration_seconds": 5}' --wait

# MCP server: the command your assistant's MCP config runs
npx --yes --package=@spicyapi/mcp spicyapi-mcp

# Agent Skill
npx skills add spicyapi-ai/spicy-skill

Crie uma cena com mais de 15 segundos

Uma solicitação H3 tem limite de 15 segundos, e não existe tarefa de extensão. Aprove o clipe, extraia seu quadro final e use-o como imagem inicial do próximo plano de imagem para vídeo; cada prompt descreve apenas o que acontece depois. Assim você leva a aparência do plano anterior ao próximo quadro de abertura, em vez de pedir ao texto que redefina o personagem a cada vez.

Qual caminho escolher

Para uma série semanal com um personagem, aprove uma imagem inicial para cada plano e anime-a. Para um cenário novo sem personagens definidos, comece pelo texto e trate o resultado como exploração. Mude quando o rosto e a composição se tornarem requisitos que valem a pena preservar.