Pular para o conteúdo principal

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.Ver todos os modelos com esse nível de filtragem
minimax/h3-x/reference-to-video

Uma cena H3 X aceita até 9 imagens, 2 vídeos que somem 15 segundos e 3 clipes de áudio; use Image 1, Video 1 e Audio 1 para definir suas funções. Para uma sequência H3 X, você escolhe de 2 a 15 segundos inteiros, com 5 por padrão e saída a 24 fps.

A partir de $0.022/s
Executar modelo

Playground

Entrada

Referência para vídeo
340/7000

Reordenar atualiza as referências no prompt. Excluir um arquivo também remove suas referências; confira o prompt.

H3 X exige um prompt de 1 a 7.000 caracteres para ação, câmera e som; coloque as falas entre aspas duplas. pelo menos 1 caracteres · no máximo 7000 caracteres
Informe pelo menos um destesRequisito atendido
afeta o preço3/9

Arraste arquivos ou links de mídia, cole ou selecione · Até 9 arquivos · Máx. 10 MB · JPG · PNG · WEBP · GIF

  • Image 1
  • Image 2
  • Image 3
3 / 9 arquivos
Em H3 X, a ordem define Image 1 a Image 9; separe identidade, figurino e cenário, lembrando que só as primeiras 5 imagens entram no valor base. pelo menos 1 itens · no máximo 9 itens
afeta o preço0/2

Solte um vídeo aqui ou procure no computador · Até 2 arquivos · Máx. 90 MB · MP4 · WEBM

0 / 2 arquivos
H3 X pode aproveitar movimentos de até 2 vídeos com 15 segundos combinados; essa duração é cobrada como a duração da saída. pelo menos 1 itens · no máximo 2 itens
0/3

Solte um arquivo de áudio aqui ou procure no computador · Até 3 arquivos · Máx. 90 MB · MP3 · WAV

0 / 3 arquivos
Até 3 referências de áudio podem guiar a voz H3 X; o arquivo fornece o timbre, o prompt fornece as palavras e não há adicional pela referência de áudio. pelo menos 1 itens · no máximo 3 itens
H3 X oferece para texto e referências 16:9 padrão, 9:16, 1:1, 4:3, 3:4 e 21:9; com imagem inicial, o enquadramento vem do quadro.
afeta o preço
H3 X oferece 480p, 720p padrão e 1080p; os recortes da SpicyAPI não mostraram ganho visível de detalhe no arquivo de 1920 x 1088.
Duraçãoafeta o preço
Para uma sequência H3 X, você escolhe de 2 a 15 segundos inteiros, com 5 por padrão e saída a 24 fps. não menor que 2 · não maior que 15
Expansão do prompt
A expansão de prompt H3 X vem desativada; ao ativá-la, as instruções são reescritas antes da geração sem alterar o preço.
Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução
Resultado de exemplo
Estender
Tradução de vídeo
Edição de vídeo

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Vídeo MiniMax H3 acessível, com falas, planos cronometrados e até 9 referências

O MiniMax H3 X é uma versão ajustada e mais econômica do MiniMax H3, disponível somente na SpicyAPI, a partir de $0.022 por segundo de vídeo. Não é um lançamento oficial da MiniMax. Três endpoints geram clipes de 2 a 15 segundos em 480p, 720p ou 1080p com som estéreo: texto para vídeo, imagem para vídeo a partir de um quadro inicial com quadro final opcional, e referência para vídeo com até 9 imagens, 2 clipes de vídeo e 3 clipes de voz. Uma fala escrita entre aspas duplas é pronunciada, e os três endpoints são sem censura. Os limites de conteúdo são um pouco mais rígidos que os do MiniMax H3, mas cada segundo custa menos.

Abrir o playground
Vídeo MiniMax H3 acessível, com falas, planos cronometrados e até 9 referências
Modelo
Uma versão ajustada do MiniMax H3, só na SpicyAPI desde 26 de outubro de 2026; não é um lançamento oficial da MiniMax
Endpoints
Texto para vídeo; imagem para vídeo a partir de um quadro inicial e um quadro final opcional; referência para vídeo com até 9 imagens, 2 clipes de vídeo e 3 clipes de voz
Duração
De 2 a 15 segundos inteiros a 24 fps, padrão 5
Resolução
480p, 720p (padrão) ou 1080p; texto e referência para vídeo em 16:9, 9:16, 1:1, 4:3, 3:4 ou 21:9
Som
Som estéreo em todo clipe; uma fala entre aspas duplas é pronunciada
Preço inicial
A partir de $0.022 por segundo gerado em 480p; 720p e 1080p custam mais
Preço
MiniMax H3 por menosO H3 X começa em $0.022 por segundo gerado em 480p, e o preço atual de cada resolução está na página do modelo. Som e expansão do prompt já estão incluídos no preço por segundo. Para rascunhos existe o H3 X Turbo, uma versão destilada deste modelo por mais ou menos metade do preço.
Diálogo
Falas entre aspas voltam palavra por palavraEscreva o que a pessoa diz entre aspas duplas. Nas nossas checagens de fala para texto, a fala voltou palavra por palavra, com movimento labial sincronizado, inclusive numa execução com clipe de voz de referência. Chuva, respiração e música também seguem o prompt.
Conteúdo
Sem censura nos três endpointsNenhuma solicitação foi recusada nos nossos testes. Imagem e referência para vídeo entregaram uma cena íntima entre dois adultos. Os limites de conteúdo são um pouco mais rígidos que os do MiniMax H3: texto para vídeo suaviza algumas cenas NSFW com uma única pessoa ou com sujeitos masculinos, então, nesses casos, comece por uma imagem ou por referências.

Trabalhando com o MiniMax H3 X

Comece de um quadro e escreva o que vem depois

Comece de um quadro e escreva o que vem depois

Nosso quadro inicial mostrava uma bartender com vestido de veludo preto de costas nuas atrás de um balcão de nogueira, num lounge de vinil à meia-luz. O prompt descrevia só o que vem depois: ela pousa a taça, se debruça sobre o balcão, apoia o queixo na mão e sussurra "Last call.", com o chiado do disco e soul ao fundo. O clipe em 720p manteve o rosto dela, o vestido e a luz âmbar. No canto superior esquerdo está o quadro inicial; os outros três são momentos do clipe.

Chame cada referência pela posição

Chame cada referência pela posição

Enviamos o retrato de uma mulher de chanel platinado, a foto de produto de um trench coat caramelo e um provador art déco vazio como Image 1, 2 e 3, e escrevemos "the woman from Image 1", "the trench coat from Image 2" e "the fitting room from Image 3" no prompt. O rosto dela, o casaco e o espelho de moldura dourada voltaram numa única cena em 720p. A coluna da esquerda mostra as três referências.

  • Dê a cada fala as próprias aspas

    Num terraço encharcado de chuva, à noite, um casal dança um tango lento e ela diz "Not yet." O prompt também nomeia o som: a chuva batendo no piso, o trânsito ao longe, um bandoneón. Imagem, voz e efeitos saem numa única passada, sem etapa de áudio separada. Mantenha cada fala curta o bastante para ser dita sem pressa dentro da duração que você pedir.

  • Copie um movimento de um clipe de referência

    Um vídeo de referência pode servir de modelo de movimento. Enviamos o retrato de um homem de regata branca como Image 1 e um clipe curto de dança como Video 1, e pedimos o mesmo giro e o mesmo movimento de ombros num loft ensolarado, com o rosto e a regata de Image 1 e só o movimento de Video 1. Os segundos de vídeo de referência são cobrados como segundos gerados, então corte o clipe só nos movimentos de que você precisa.

  • Escolha 1080p pelo tamanho do quadro, não pelo detalhe

    720p é o padrão. 1080p entrega um arquivo real de 1920 x 1088, mas com bitrate menor que o de 720p, cerca de 3,3 contra cerca de 10 Mbps, e nos nossos recortes não pareceu mais nítido. Um clipe de 5 segundos levou cerca de 50 a 110 segundos em 480p, 100 a 130 em 720p e cerca de 171 em 1080p, então faça rascunhos em 480p, onde o segundo custa menos, e finalize a tomada que você gostar em 720p.

Quem usa o MiniMax H3 X

  • Três planos a partir de um único prompt

    Criadores de séries e microdramas

    Três planos a partir de um único prompt

    Dê a cada plano um tempo de início e mantenha as mesmas pessoas em todas as linhas do prompt. Nosso clipe de 12 segundos pedia um plano geral no corredor de um hotel, um corte aos 4 segundos para uma chave girando numa fechadura de latão e um corte aos 8 segundos para o quarto, e voltou com esses três planos e a mesma mulher. Num teste de 15 segundos, os cortes caíram por volta dos 5 e dos 10 segundos.

  • Clipes verticais direto do texto

    Equipes de redes sociais e vídeos curtos

    Clipes verticais direto do texto

    Texto e referência para vídeo aceitam 9:16, além de 16:9, 1:1, 4:3, 3:4 e 21:9, e um clipe 9:16 em 720p volta em 736 x 1312. Nosso salva-vidas se apoiou no parapeito de uma torre branca na hora dourada, levantou os óculos escuros e sorriu para uma câmera baixa. Na imagem: dois momentos desse clipe de 5 segundos.

  • Comece pelos quadros dos seus próprios usuários

    Plataformas adultas

    Comece pelos quadros dos seus próprios usuários

    Nos nossos testes, imagem para vídeo aceitou quadros iniciais NSFW e entregou uma cena íntima entre dois adultos, com o contato em si fora do quadro. Algumas cenas com sujeitos masculinos foram suavizadas; nesses casos, use referência para vídeo. Todas as pessoas na tela devem ser adultas. Na imagem: duas mulheres trocando um beijo suave numa sacada de Paris ao amanhecer, a partir de um quadro inicial com as duas vestidas.

  • Duas pessoas a partir de dois retratos

    Criadores de personagens e séries

    Duas pessoas a partir de dois retratos

    Envie um retrato por pessoa e chame cada uma pela posição, por exemplo "the man from Image 1" e "the man from Image 2". Dois retratos de dois homens de terno voltaram num elevador de hotel de latão espelhado, um afrouxando a gravata do outro, com os dois rostos preservados. Reutilize os mesmos retratos na mesma ordem em todos os planos de uma sequência.

Do primeiro prompt à tomada final com o MiniMax H3 X

  1. Escolha o endpoint pelo que você tem

    Só palavras vão para texto para vídeo. Um quadro da cena vai para imagem para vídeo, com quadro final opcional. Fotos separadas de pessoas, roupas, produtos ou lugares, um clipe de movimento ou uma voz vão para referência para vídeo. Quadros e referências não se misturam na mesma solicitação.

  2. Escreva a ação, a câmera e o som

    Descreva em ordem o que acontece, o que a câmera faz e o que se ouve, e coloque cada fala entre aspas duplas. Em imagem para vídeo, descreva o que vem depois do quadro, não o quadro em si. Deixe a expansão do prompt desligada quando quiser que o seu texto seja usado do jeito que está.

  3. Faça rascunhos em 480p

    Rode algumas tomadas de 5 segundos em 480p, onde o segundo custa menos, e confira rostos, mãos e a fala antes de alongar.

  4. Finalize em 720p, só com a duração necessária

    Gere de novo a tomada que você gostou em 720p e com a duração que a cena pede, até 15 segundos; todo clipe é cobrado por segundo gerado. Escolha 1080p só quando precisar do quadro maior.

  5. Para cenas NSFW com uma única pessoa ou com sujeitos masculinos, comece por uma imagem

    Texto para vídeo suaviza algumas cenas NSFW com uma única pessoa ou com sujeitos masculinos. Use imagem para vídeo com um quadro das pessoas, ou referência para vídeo. Todas as pessoas na tela devem ser adultas.

Prompts do MiniMax H3 X para copiar

  • Um tango com uma fala entre aspas

    Para texto para vídeo em 16:9. A roupa, o movimento, a fala entre aspas e o som aparecem uma vez cada.

    Night, a rain-soaked rooftop above a glittering city. A couple dances a slow tango in the downpour: she wears a clinging crimson satin slip dress, he wears a soaked white shirt open at the collar. He dips her low, she pulls him back up by the collar, their faces an inch apart, and she says, "Not yet." Rain hissing on the tiles, distant traffic, a bandoneon playing a slow tango. Cinematic, shallow depth of field, wet reflections, warm city glow against blue night.

  • Um quadro que sussurra

    Para imagem para vídeo a partir de um quadro de um adulto vestido. Descreva só o que acontece depois do quadro.

    She sets the glass down slowly, leans across the bar toward the camera, rests her chin on her hand and whispers, "Last call." A record crackles on the turntable, low soul music, ice clinking. The camera pushes in slowly. Warm amber light, shallow depth of field.

  • Três referências, uma prova de roupa

    Para referência para vídeo com um retrato, uma foto da peça e uma foto do lugar, nessa ordem. Chame cada imagem pela posição.

    The woman from Image 1, in her black slip dress, tries on the trench coat from Image 2 in the fitting room from Image 3. She belts it, turns to the gold mirror, then lets the coat slide off one shoulder and glances back at the camera over that shoulder. Soft spotlight, rustle of wool, quiet lounge music. Cinematic, shallow depth of field.

Mais perguntas sobre o MiniMax H3 X

Use quando a cena precisa de voz e o orçamento é curto

Escolha texto para vídeo quando as palavras bastam, imagem para vídeo quando você já tem o quadro, e referência para vídeo quando pessoas, roupas, lugares ou um movimento precisam bater.

Coloque cada fala entre aspas, cronometre os planos, faça rascunhos em 480p e finalize em 720p. Para cenas NSFW com uma única pessoa ou com sujeitos masculinos, comece por uma imagem ou por referências.

Todos os modelos MiniMax17

Modelos de vídeo12

Modelos de áudio3

Modelos de texto1

Modelos de imagem1