Что такое MiniMax H3 X?

Доработанная версия MiniMax H3, доступная только на SpicyAPI, работает с 26 октября 2026 года. Это не официальный релиз MiniMax. Те, кто её обучал, описывают раунд дообучения с подкреплением: модель вознаграждения оценивала клипы по следованию промпту, качеству картинки и структурной стабильности (тела, руки и предметы сохраняют форму), и модель обучали в сторону более высоких оценок. В неё также встроен улучшатель промптов, доработанный тем же способом. Это их цели доработки; прямого сравнения качества со стандартным H3 мы не проводили.

Сколько стоит MiniMax H3 X?

От $0.022 за секунду сгенерированного видео в 480p; 720p и 1080p стоят дороже, актуальная цена — на странице модели. Звук и расширение промпта на цену не влияют. В «референсах в видео» секунды референсного видео оплачиваются как сгенерированные, до 5 референсных изображений входят в цену, каждое изображение начиная с шестого добавляет небольшую доплату, а референсное аудио бесплатно.

MiniMax H3 X без цензуры?

Да, на всех трёх эндпоинтах, и в наших тестах ни один запрос не был отклонён. «Изображение в видео» выдало интимную сцену двух взрослых, а некоторые сцены с мужчинами смягчило. «Референсы в видео» выдали и такие сцены; интимная сцена двух взрослых получилась в 6 прогонах из 8. «Текст в видео» смягчал NSFW-запросы с одним человеком или с мужчинами. Ограничения по контенту немного строже, чем у MiniMax H3. Все люди в кадре должны быть совершеннолетними.

Как заставить персонажа говорить?

Напишите реплику в двойных кавычках прямо в промпте. В наших проверках распознаванием речи реплика возвращалась слово в слово, с совпадающим движением губ. В «референсах в видео» голосовой клип задаёт звучание голоса, но сами слова всё равно должны быть в промпте.

Можно задать стартовый и финальный кадр?

Да, в «изображении в видео»: image_url — стартовый кадр, last_image_url — необязательный финальный. Поля для соотношения сторон нет: клип сохраняет форму стартового кадра, и кадр 16:9 дал 16:9, даже когда просили другое соотношение. Кадры и референсы нельзя смешивать в одном запросе.

Почему 1080p не выглядит резче 720p?

1080p — настоящий файл 1920 x 1088, но он кодируется с более низким битрейтом, чем 720p, — около 3,3 Мбит/с против примерно 10 Мбит/с, и в нашем сравнении кропов больше деталей не показал. Берите 1080p, когда нужен кадр крупнее; в остальных случаях хватит 720p.

Сколько времени занимает клип?

От отправки до готового файла, с учётом очереди, 5-секундный клип в наших прогонах занимал около 50–110 секунд в 480p (медиана 67 секунд по 32 прогонам), 100–130 секунд в 720p и около 171 секунды в 1080p.

Чем отличается H3 X Turbo?

H3 X Turbo — дистиллированная версия H3 X с теми же тремя эндпоинтами, параметрами и ограничениями. Он стоит примерно вдвое дешевле и в наших тестах был заметно быстрее: 5-секундный клип в 480p занимал в медиане 37 секунд против 67 на H3 X. Те, кто его обучал, утверждают, что он сохраняет около 95% качества H3 X; мы этого не измеряли. Можно делать черновики на Turbo, а тот же промпт с теми же настройками отправить в H3 X для финального дубля.

MiniMax H3 X: недорогой API H3, NSFW-видео без цензуры

minimax/h3-x/image-to-video

В H3 X image_url задаёт начальную композицию, а необязательный last_image_url — финальный кадр; наборы референсов используют другой эндпоинт. Для последовательности H3 X выберите от 2 до 15 целых секунд; по умолчанию задано 5, частота вывода — 24 кадра/с.

От $0.022/с

Запустить модель Открыть API

Ввод

Изображение в видео

Промпт262/7000

Входное изображение1/1

Перетащите файл или ссылку на медиа, вставьте или выберите · 1 файл · Не более 10 МБ · JPG · PNG · WEBP · GIF

Финальный кадр0/1

Перетащите файл или ссылку на медиа, вставьте или выберите · 1 файл · Не более 10 МБ · JPG · PNG · WEBP · GIF

Разрешениевлияет на цену

Длительностьвлияет на цену

Расширение промпта

Фильтр безопасностиВыключен

SpicyAPI не применяет фильтр безопасности к этой модели. Промпт и материалы передаются модели без изменений, а результат определяет сама модель.

Проверяем аккаунт перед включением отправки и расчёта стоимости.

Вывод

Готово к запуску

Пример результата

Продлить

Перевод видео

Редактирование видео

{
  "model": "minimax/h3-x/image-to-video",
  "input": {
    "resolution": "720p",
    "duration_seconds": 6,
    "enable_prompt_expansion": false,
    "prompt": "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.",
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/b446684a0b49ce24.webp"
  }
}

Введение

API MiniMax H3 X объединяет доработанную версию H3 с управлением кадрами и мультимодальными референсами, от $0.022/s на SpicyAPI; это не официальный выпуск MiniMax.

В H3 X image_url задаёт начальную композицию, а необязательный last_image_url — финальный кадр; наборы референсов используют другой эндпоинт. В сцене H3 X из изображения посвятите промпт жесту, движению камеры или ответной реплике после присланного кадра.

Для последовательности H3 X выберите от 2 до 15 целых секунд; по умолчанию задано 5, частота вывода — 24 кадра/с. H3 X предлагает 480p, стандартное 720p и 1080p; сравнение фрагментов на SpicyAPI не показало заметного прироста деталей в файле 1920 x 1088. В H3 X image_url задаёт начальную композицию, а необязательный last_image_url — финальный кадр; наборы референсов используют другой эндпоинт. H3 X выдаёт H.264 MP4 со стереозвуком AAC; реплики заключайте в двойные кавычки, отдельно описывая звуки окружения.

Все три эндпоинта H3 X относятся к NSFW-видео без цензуры; SpicyAPI не зафиксировал отказов, но часть результатов из текста или начального кадра смягчала запрос. Для H3 X получите согласие людей на использование их внешности и голоса; все изображённые люди должны быть взрослыми.

H3 X из текста или начального кадра оплачивается по секундам результата при выбранном разрешении; звук, необязательный финальный кадр и расширение промпта не дают доплаты.

В SpicyAPI H3 X из начального кадра охватил тестовый диапазон NSFW, но все 5 результатов с мужскими персонажами были смягчены, а часть действия осталась за кадром.

Характеристики MiniMax H3 X · Image to Video
Характеристика	Значение
Ввод	Изображение
Вывод	Видео
Разработчик	SpicyAPI / MiniMax H3 X
Модель	MiniMax H3 X
Выход	26 октября 2026
Эндпоинты	MiniMax H3 X — Из текста / Из изображения / По референсам
Длительность	Для последовательности H3 X выберите от 2 до 15 целых секунд; по умолчанию задано 5, частота вывода — 24 кадра/с.
Разрешение	480p, 720p (по умолчанию), 1080p
Соотношение сторон	Для текста и референсов H3 X предлагает стандартное 16:9, а также 9:16, 1:1, 4:3, 3:4 и 21:9; начальное изображение вместо этого определяет форму кадра.
Результат	H3 X выдаёт H.264 MP4 со стереозвуком AAC; реплики заключайте в двойные кавычки, отдельно описывая звуки окружения.
Длина промпта	от 1 до 7000 символов
Референсы	Сцена H3 X принимает до 9 изображений, 2 видео общей длительностью 15 секунд и 3 аудиоклипов; роли задавайте через Image 1, Video 1 и Audio 1.
Контентная политика	Все три эндпоинта H3 X относятся к NSFW-видео без цензуры; SpicyAPI не зафиксировал отказов, но часть результатов из текста или начального кадра смягчала запрос.
Выполнение	H3 X оплачивается по выходным секундам и разрешению; секунды референсного видео добавляются, 5 изображений включены, последующие платные, аудиореференсы бесплатны.

Ключевые возможности и особенности

Реплика в кавычках под дождём

Пара танцует медленное танго на залитой дождём крыше. Он низко наклоняет её, а затем в крупном плане она подтягивает его за воротник рубашки и говорит "Not yet." В промпте также перечислены дождь, шум машин и бандонеон, но в клипе реплика звучит поверх медленной, меланхоличной музыки. Реплики в кавычках звучали слово в слово в наших проверках через распознавание речи.

Три плана в одном 12-секундном клипе

Один промпт перечисляет три плана со временем начала: общий план прохода по коридору, рука, поворачивающая ключ в замке, на 4 секунде и средний план в комнате на 8 секунде. В клипе склейки пришлись примерно на 3,9 и 8,3 секунды, и на всём протяжении была одна и та же женщина.

Кадр, который шепчет

Женщина с тёмными волнистыми волосами в чёрном бархатном платье за ореховой барной стойкой входит как первый кадр. В промпте написано только то, что происходит дальше: она ставит бокал, наклоняется к камере и говорит "Last call." В клипе под репликой звучит тихая музыка.

Три референса, одна сцена

Портрет, фото плаща-тренча как товара и пустая примерочная входят как Image 1, 2 и 3. Промпт называет их по порядку и просит одну сцену со всеми тремя. В клипе лицо, наряд, плащ и комната совпадают с референсами.

Параметры запроса

Параметры запроса MiniMax H3 X · Image to Video
Параметр	Обязательно	Описание
`prompt`	Да	H3 X требует промпт длиной 1–7 000 символов с действием, камерой и звуком; реплики поместите в двойные кавычки. Не менее 1 символов · Не более 7000 символов
`image_url`	Да	В H3 X `image_url` задаёт начальную композицию, а необязательный `last_image_url` — финальный кадр; наборы референсов используют другой эндпоинт.
`last_image_url`	Нет	В H3 X `image_url` задаёт начальную композицию, а необязательный `last_image_url` — финальный кадр; наборы референсов используют другой эндпоинт.
`resolution`	Нет	H3 X предлагает 480p, стандартное 720p и 1080p; сравнение фрагментов на SpicyAPI не показало заметного прироста деталей в файле 1920 x 1088. `480p` · `720p` · `1080p` · По умолчанию: `720p`
`duration_seconds`	Нет	Для последовательности H3 X выберите от 2 до 15 целых секунд; по умолчанию задано 5, частота вывода — 24 кадра/с. `≥ 2` · `≤ 15` · По умолчанию: `5`
`enable_prompt_expansion`	Нет	Расширение промпта H3 X изначально отключено; при включении оно переписывает инструкции до генерации без изменения цены. По умолчанию: `false`

Стоимость

Стоимость
Спецификация	Стоимость
`480p`	$0.022 / секунду
`720p`	$0.032 / секунду
`1080p`	$0.045 / секунду

Сценарии использования

Диалоговые сцены

Разговорный план H3 X сочетает поворот к камере с короткой репликой в кавычках и звуками помещения.

Сцены из нескольких планов

Для H3 X выделите время каждому плану и повторите описание персонажа при смене ракурса камеры.

Ролики о моде, товарах и локациях

В предметной сцене H3 X назначьте отдельные изображения человеку, одежде и помещению, затем опишите их взаимодействие.

Копирование движения

H3 X может перенять движение из 2 референсных видео общей длиной до 15 секунд; их длительность оплачивается так же, как выходные секунды.

Приложения без фильтра контента

Для H3 X получите согласие людей на использование их внешности и голоса; все изображённые люди должны быть взрослыми.

Открыть руководства по ключевым сценариям

Руководство по промптам и практические советы

Заключайте реплики в двойные кавычки

Разговорный план H3 X сочетает поворот к камере с короткой репликой в кавычках и звуками помещения.
Задавайте время планов

Для H3 X выделите время каждому плану и повторите описание персонажа при смене ракурса камеры.
Называйте референсы по типу и номеру

Сцена H3 X принимает до 9 изображений, 2 видео общей длительностью 15 секунд и 3 аудиоклипов; роли задавайте через Image 1, Video 1 и Audio 1.
Наблюдаемые ограничения

Для H3 X получите согласие людей на использование их внешности и голоса; все изображённые люди должны быть взрослыми.
Постановка сцены

В сцене H3 X из изображения посвятите промпт жесту, движению камеры или ответной реплике после присланного кадра.

MiniMax H3 X

Постановка сцены

Изображение и звук

Для последовательности H3 X выберите от 2 до 15 целых секунд; по умолчанию задано 5, частота вывода — 24 кадра/с. H3 X предлагает 480p, стандартное 720p и 1080p; сравнение фрагментов на SpicyAPI не показало заметного прироста деталей в файле 1920 x 1088. H3 X выдаёт H.264 MP4 со стереозвуком AAC; реплики заключайте в двойные кавычки, отдельно описывая звуки окружения.

Оплата

Наблюдаемые ограничения

Быстрый старт 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-x/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "https://example.com/reference.png",
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p"
  }
}'

# 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"

Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.

Связанные модели и следующие шаги

Нужной модели нет?

Напишите, какую модель добавить и для чего она вам нужна. Запрос попадёт к тем, кто решает, что подключать дальше.

Недорогое видео на MiniMax H3 с репликами, раскадровкой по времени и до 9 референсами

MiniMax H3 X — более доступная доработанная версия MiniMax H3, которая есть только на SpicyAPI, от $0.022 за секунду видео. Это не официальный релиз MiniMax. Три эндпоинта создают клипы от 2 до 15 секунд в 480p, 720p или 1080p со стереозвуком: «текст в видео», «изображение в видео» из стартового кадра с необязательным финальным кадром и «референсы в видео» из до 9 изображений, 2 видеоклипов и 3 голосовых клипов. Реплика в двойных кавычках произносится вслух, а все три эндпоинта работают без цензуры. Ограничения по контенту у них немного строже, чем у MiniMax H3, зато каждая секунда стоит дешевле.

Открыть playground

Недорогое видео на MiniMax H3 с репликами, раскадровкой по времени и до 9 референсами

Модель: Доработанная версия MiniMax H3, только на SpicyAPI с 26 октября 2026 года; не официальный релиз MiniMax
Эндпоинты: Текст в видео; изображение в видео из стартового кадра и необязательного финального кадра; референсы в видео из до 9 изображений, 2 видеоклипов и 3 голосовых клипов
Длина клипа: От 2 до 15 целых секунд при 24 кадрах в секунду, по умолчанию 5
Разрешение: 480p, 720p (по умолчанию) или 1080p; текст и референсы в видео в 16:9, 9:16, 1:1, 4:3, 3:4 или 21:9
Звук: Стереозвук в каждом клипе; реплика в двойных кавычках произносится вслух
Стартовая цена: От $0.022 за секунду сгенерированного видео в 480p; 720p и 1080p стоят дороже

Цена: MiniMax H3 дешевлеH3 X стоит от $0.022 за секунду сгенерированного видео в 480p, актуальная цена для каждого разрешения указана на странице модели. Звук и расширение промпта уже входят в посекундную цену. Для черновиков есть H3 X Turbo — дистиллированная версия этой модели примерно за половину цены.
Диалоги: Реплики в кавычках возвращаются слово в словоПишите то, что говорит персонаж, в двойных кавычках. В наших проверках распознаванием речи реплика возвращалась слово в слово, с совпадающим движением губ, в том числе в прогоне с референсным голосовым клипом. Дождь, дыхание и музыка тоже следуют промпту.
Контент: Без цензуры на всех трёх эндпоинтахВ наших тестах ни один запрос не был отклонён. «Изображение в видео» и «референсы в видео» выдали интимную сцену двух взрослых. Ограничения по контенту немного строже, чем у MiniMax H3: «текст в видео» смягчает некоторые NSFW-сцены с одним человеком или с мужчинами, поэтому для таких сцен начинайте с изображения или с референсов.

Как работать с MiniMax H3 X

Начните с кадра и опишите, что будет дальше

На нашем стартовом кадре — барменша в чёрном бархатном платье с открытой спиной за стойкой из ореха в полутёмном виниловом лаунже. Промпт описывал только продолжение: она ставит бокал, наклоняется над стойкой, подпирает подбородок рукой и шепчет "Last call.", под треск пластинки и соул. Клип в 720p сохранил её лицо, платье и янтарный свет. Слева вверху — стартовый кадр, остальные три панели — моменты из клипа.

Называйте каждый референс по его позиции

Мы отправили портрет женщины с платиновым бобом, предметное фото верблюжьего тренча и пустую примерочную в стиле ар-деко как Image 1, 2 и 3 и написали в промпте "the woman from Image 1", "the trench coat from Image 2" и "the fitting room from Image 3". Её лицо, тренч и зеркало в золочёной раме вернулись в одной сцене в 720p. В левой колонке — три референса.

Каждой реплике — свои кавычки
Ночью на мокрой от дождя крыше пара танцует медленное танго, и она говорит "Not yet." Звук в промпте тоже назван: дождь стучит по плитке, далёкий шум машин, бандонеон. Картинка, голос и эффекты получаются за один проход, без отдельного шага для аудио. Делайте каждую реплику достаточно короткой, чтобы её можно было спокойно произнести за заказанную длину клипа.
Перенесите движение из референсного клипа
Референсное видео может служить шаблоном движения. Мы отправили портрет мужчины в белой майке как Image 1 и короткий танцевальный клип как Video 1 и попросили тот же поворот и то же движение плечами в солнечном лофте, с лицом и майкой из Image 1 и только движением из Video 1. Секунды референсного видео оплачиваются как сгенерированные, поэтому обрежьте клип до нужных движений.
1080p — ради размера кадра, а не деталей
По умолчанию стоит 720p. 1080p даёт настоящий файл 1920 x 1088, но с более низким битрейтом, чем 720p, — около 3,3 против примерно 10 Мбит/с, и на наших кропах он не выглядел резче. 5-секундный клип занимал около 50–110 секунд в 480p, 100–130 в 720p и около 171 в 1080p, так что черновики делайте в 480p, где секунда дешевле всего, а понравившийся дубль доводите в 720p.

Кто использует MiniMax H3 X

Авторы сериалов и коротких драм
Три плана из одного промпта
Задайте каждому плану время начала и называйте одних и тех же людей в каждой строке промпта. Наш 12-секундный клип просил общий план в коридоре отеля, склейку на 4-й секунде на ключ, поворачивающийся в латунном замке, и склейку на 8-й секунде в номер — и вернулся именно этими тремя планами с той же женщиной. В 15-секундном тесте склейки пришлись примерно на 5-ю и 10-ю секунды.
Команды соцсетей и коротких форматов
Вертикальные клипы прямо из текста
«Текст в видео» и «референсы в видео» принимают 9:16, а также 16:9, 1:1, 4:3, 3:4 и 21:9, и клип 9:16 в 720p приходит в 736 x 1312. Наш спасатель облокотился на перила белой вышки в золотой час, поднял солнцезащитные очки и улыбнулся в камеру, стоящую внизу. На иллюстрации: два момента из этого 5-секундного клипа.
Разработчики платформ для взрослых
Начинайте с кадров ваших пользователей
В наших тестах «изображение в видео» принимало стартовые кадры NSFW и выдавало интимную сцену двух взрослых, при этом сам контакт оставался за кадром. Некоторые сцены с мужчинами смягчались; для них обращайтесь к «референсам в видео». Все люди в кадре должны быть совершеннолетними. На иллюстрации: две женщины нежно целуются на парижском балконе на рассвете, из стартового кадра, где они одеты.
Создатели персонажей и сериалов
Два человека из двух портретов
Отправляйте по одному портрету на человека и называйте каждого по позиции, например "the man from Image 1" и "the man from Image 2". Два портрета двух мужчин в костюмах вернулись в зеркальном латунном лифте отеля: один ослабляет другому галстук, оба лица сохранены. Для каждого плана одной сцены используйте те же портреты в том же порядке.

От первого промпта до финального дубля с MiniMax H3 X

Выберите эндпоинт по тому, что у вас есть
Только слова — «текст в видео». Кадр сцены — «изображение в видео», с необязательным финальным кадром. Отдельные фото людей, одежды, продуктов или мест, клип с движением или голос — «референсы в видео». Кадры и референсы нельзя смешивать в одном запросе.
Опишите действие, камеру и звук
Опишите по порядку, что происходит, что делает камера и что слышно, а каждую реплику заключите в двойные кавычки. В «изображении в видео» описывайте то, что следует за кадром, а не сам кадр. Оставьте расширение промпта выключенным, если ваш текст должен использоваться как есть.
Черновики — в 480p
Прогоните несколько 5-секундных дублей в 480p, где секунда дешевле всего, и проверьте лица, руки и реплику, прежде чем удлинять клип.
Финал — в 720p и ровно нужной длины
Перезапустите понравившийся дубль в 720p и с той длиной, которая нужна сцене, до 15 секунд; каждый клип оплачивается за секунду сгенерированного видео. Выбирайте 1080p, только когда нужен кадр крупнее.
Для NSFW-сцен с одним человеком или с мужчинами начинайте с изображения
«Текст в видео» смягчает некоторые NSFW-сцены с одним человеком или с мужчинами. Используйте «изображение в видео» с кадром этих людей или «референсы в видео». Все люди в кадре должны быть совершеннолетними.

Промпты MiniMax H3 X, которые стоит скопировать

Танго с одной репликой в кавычках

Для «текста в видео» в 16:9. Одежда, движение, реплика в кавычках и звук названы по одному разу.

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.

Кадр, который шепчет

Для «изображения в видео» из кадра с одним одетым взрослым. Опишите только то, что происходит после кадра.

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.

Три референса, одна примерка

Для «референсов в видео» с портретом, фото вещи и фото места именно в таком порядке. Называйте каждое изображение по позиции.

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.

Ещё вопросы о MiniMax H3 X

Когда сцене нужен голос, а бюджет ограничен

Берите «текст в видео», когда хватает слов, «изображение в видео», когда кадр уже есть, и «референсы в видео», когда должны совпасть люди, одежда, места или движение.

Заключайте каждую реплику в кавычки, расписывайте планы по времени, делайте черновики в 480p и финал в 720p. Для NSFW-сцен с одним человеком или с мужчинами начинайте с изображения или с референсов.