minimax-h3/image-to-video
Anime uma imagem do primeiro quadro em vídeo 768p ou 2K por até 15 segundos
MiniMax H3 is MiniMax's multimodal model family for generating and editing images, video, and audio through natural-language instructions. This page provides MiniMax H3 Text-to-Video: turn one written prompt into a 4–15-second video at 24 FPS, at either 768p or 2K, with native stereo audio generated with the picture. It accepts text only; use the linked H3 workflows when you need image, video, or audio references.
| MiniMax H3 advantage | What it means for you |
|---|---|
| Selectable 768p or 2K with native stereo audio | Draft faster at 768p, or generate detailed visuals, dialogue, effects, ambience, and music in one pass at 2K—reducing separate upscaling, sound-design, and synchronization stages. |
| Language-directed Omni-Reference | Across MiniMax H3 workflows, assign images, video, and audio different roles—such as identity, product appearance, motion, camera style, voice, or music—so several sources can guide one coherent result. |
| V2V transfer and targeted editing | MiniMax H3 can carry over motion or camera language and revise selected visual or audio elements while preserving the rest, giving production teams a path beyond regenerating a shot from scratch. |
| Delivery-ready timing and framing | Generate 4–15 seconds at 24 FPS in six aspect ratios, so hooks, product reveals, and multi-beat scenes fit cinematic, web, feed, portrait, or vertical placements with less recutting and recropping. |
9:16 Shorts, Reels, and Stories or 1:1 feed assets with a clear opening hook and platform-ready framing.768p or 2k resolution.The first table lists the controls exposed by the MiniMax H3 Text-to-Video tool on this page.
| Parameter | Required | Type | Default | Range / Options | How to choose |
|---|---|---|---|---|---|
prompt* | Yes (*) | String | Example prompt | 1–4,000 characters | Give MiniMax H3 a structured brief covering the subject, one main action, camera, setting and lighting, visual style, audio, and intended ending. Clear structure matters more than using the full limit. |
aspect_ratio | No | String | 16:9 | 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 | Match MiniMax H3 output to the destination: 21:9 for ultra-wide cinematic shots, 16:9 for general video and ads, 4:3 for editorial or retro framing, 1:1 for feeds, 3:4 for portrait products, and 9:16 for vertical social video. |
resolution | No | String | 768p | 768p, 2k | Use 768p for cheaper drafts and faster iteration; use 2k when the shot needs higher detail for large placements or crops. |
duration | No | Integer | 5 | 4–15 seconds, in 1-second steps | Use 4–7-second MiniMax H3 clips for one action or fast iteration, 8–10 seconds for a simple change, and 11–15 seconds only when the prompt defines a clear beginning, development, and ending. |
The following table summarizes the wider MiniMax H3 model family. Inputs described for first/last-frame and Omni-Reference modes are available through separate workflows, not as controls on this Text-to-Video page.
| Core dimension | MiniMax H3 |
|---|---|
| Model | MiniMax-H3 |
| Output duration | MiniMax H3 outputs 4–15 seconds. |
| Output aspect ratio | First/last-frame mode: follows the original aspect ratio of the input image.<br>Text-to-Video mode: follows the user-selected 21:9, 16:9, 4:3, 1:1, 3:4, or 9:16 ratio.<br>Omni-Reference mode: uses one of those six ratios or Auto, which lets MiniMax H3 choose the output ratio. |
| Resolution | MiniMax H3 supports two tiers. 768p: for aspect ratios from 16:9 through 9:16, the short side is 768 pixels; for wider output, total resolution is about 1 MP—for example, 21:9 is 1536×672.<br>1440p / 2K: for aspect ratios from 16:9 through 9:16, the short side is 1440 pixels; for wider output, total resolution is about 3.7 MP—for example, 21:9 is 2976×1248. |
| Output frame rate | MiniMax H3 outputs at 24 FPS. |
| Output audio | Every MiniMax H3 result includes native stereo audio. |
| First/last-frame input | Images: 0, 1, or 2; width and height each 256–5760 pixels; aspect ratio from 5:2 to 2:5 (0.4–2.5). With no image input, MiniMax H3 runs in Text-to-Video mode—the tool provided on this page. |
| Omni-Reference input | Images: up to 9; width and height each 256–5760 pixels.<br>Videos: up to 3; each 2–15 seconds; combined video duration up to 15 seconds; width and height each 256–5760 pixels; aspect ratio from 5:2 to 2:5 (0.4–2.5).<br>Audio: up to 3 clips; each 2–15 seconds; combined audio duration up to 15 seconds. Audio must accompany an image or video and cannot be the only reference.<br>Mixed input: up to 12 files total. With no image, video, or audio input, the workflow becomes Text-to-Video. |
| Supported input formats | MiniMax H3 accepts video: H.264/AVC or H.265/HEVC; embedded audio: AAC or MP3.<br>Image: JPG, JPEG, PNG, WEBP, HEIC, or HEIF.<br>Audio: WAV or MP3. |
| Input size limits | Each video: 50 MB; each image: 30 MB; each audio file: 15 MB. There is no separate combined-media limit beyond the per-file limits, but the API request body is limited to 64 MB; URL-based media input is recommended. |
| Prompt limit | The MiniMax H3 product guide allows up to 7,000 characters. This Text-to-Video deployment currently accepts 1–4,000 characters, as shown in the page-control table above. |
MiniMax H3 Text-to-Video pricing depends on resolution and duration:
| Resolution | Price per second | 5s | 10s | 15s |
|---|---|---|---|---|
| 768p | $0.11 | $0.55 | $1.10 | $1.65 |
| 2K | $0.16 | $0.80 | $1.60 | $2.40 |
For batches of 1–4 outputs, calculate the total as duration × per-second rate × output count.
Use this reusable MiniMax H3 prompt structure:
[subject + defining details] + [one action over time] + [camera framing and movement] + [setting + lighting] + [visual treatment] + [dialogue / effects / ambience / music] + [ending frame or constraint]
Weak prompt
> A luxury watch ad, cinematic and dynamic, with music.
Improved MiniMax H3 prompt
> A brushed-steel automatic watch rests on black volcanic stone. A narrow studio light sweeps across the sapphire crystal as the second hand moves and condensation beads on the case. Begin with an extreme macro, then make a slow 30-degree orbit, ending on the watch face. High-contrast luxury commercial, deep black background. Audio: soft mechanical ticking and one low cinematic pulse; no dialogue.
The improved version gives MiniMax H3 an identifiable subject, timed action, separate camera direction, lighting, finish, sound sources, and a final frame that can be reviewed.
Use this MiniMax H3 comparison as a model-family guide; maximum resolution and duration may not be available together, and RunComfy workflows can expose different inputs, resolution tiers, and audio controls.
| Model | Resolution | Max duration | Audio | Standout |
|---|---|---|---|---|
| MiniMax H3 | 768p or 2K | 15s | Native stereo (voice, SFX, music) | Relates text, image, video, and audio references through language for V2V motion transfer and production editing; public weights are planned but have not yet been released. |
| Hailuo 02 | 1080p | ~10s | None | Strong prompt adherence and physics-focused motion suit gymnastics, dance, product movement, and other silent action shots that will receive audio later in production. |
| Kling 3.0 | Up to 4K | 15s | Native audio with lip-sync | Coordinates multi-shot camera changes with multilingual, speaker-assigned dialogue and lip-sync—useful for scripted ads, storyboards, and character-led scenes. |
| Seedance 2.0 | 1080p | 15s | Joint audio and video | Combines dense image, video, and audio references with joint audiovisual generation and precise lip-sync for identity-sensitive ads, branded stories, and reference-heavy edits. |
| Veo 3.1 | 4K | 8s | Native dialogue and effects | Pairs prompted dialogue and effects with first/last-frame, reference-image, and scene-extension controls—suited to cinematic transitions and assembled sequences. |
For Hailuo 02, the listed maxima are mode-specific: 1080p output is limited to 6 seconds, while 10-second output is available at 512p or 768p.
For MiniMax H3, Omni-Reference and V2V capabilities belong to sibling workflows; the Text-to-Video tool on this page remains prompt-only.
What sets MiniMax H3 apart is the combination: one general-purpose model family that relates text, image, video, and audio, generates native stereo sound, and offers both 768p ($0.11/s) and 2K ($0.16/s). Choose MiniMax H3 when you want to start from a text brief and keep a path to reference-guided creation or editing in sibling workflows. Based on publicly available information, run the same brief through each model before committing a pipeline.
If MiniMax H3 is not the right starting point for a project, compare these focused workflows on RunComfy:
Anime uma imagem do primeiro quadro em vídeo 768p ou 2K por até 15 segundos
Crie clipes em 1080p com múltiplas referências e controle de quadros.
Edite com precisão um segmento de uma faixa de áudio sem alterar o restante.
Anime uma imagem necessária a partir de um prompt necessário. Controle o tamanho da saída, a contagem de quadros, a taxa de reprodução, a intensidade do movimento da câmera, a semente, as etapas, a orientação e o deslocamento.
Visuals gerados por IA, controle em tempo real e efeitos pro para criadores
Texto para vídeo cinematográfico de nível Pro por US$ 0,112 por segundo de saída.
Sim. O MiniMax H3 Text-to-Video está disponível no navegador e por meio da API RunComfy usando os créditos da sua conta.
MiniMax H3 é a família de modelos de geração e edição multimodal de uso geral da MiniMax. Seu design de tarefas mais amplo abrange texto, imagem, vídeo e áudio, enquanto fluxos de trabalho individuais expõem diferentes entradas. Esta página fornece o fluxo de trabalho de conversão de texto em vídeo somente com prompt.
MiniMax posiciona H3 para publicidade, branding, comércio eletrônico, filmes, design de títulos, pôsteres animados, narrativas curtas, conceitos de produtos e UI, jogos, personagens virtuais e animação estilizada. O fluxo de trabalho atual de conversão de texto em vídeo é melhor para conceitos curtos que podem ser direcionados a partir de uma solicitação por escrito.
Nesta página, o MiniMax H3 suporta resolução 768p e 2k. Escolha qualquer duração de segundo inteiro de 4 a 15 segundos; o padrão é 5 segundos. Use 768p para rascunhos mais baratos e 2K quando precisar de mais detalhes.
Sim. Este fluxo de trabalho de texto para vídeo gera áudio estéreo nativo com o vídeo. Descreva o diálogo, o ambiente, os efeitos sonoros ou a música no prompt; não há alternância de áudio separada. Os resultados podem variar, portanto revise a sincronização labial e o tempo do áudio.
Não. Esta página é o fluxo de trabalho de texto para vídeo do MiniMax H3 somente prompt e sua API aceita apenas prompt, aspect_ratio, resolution e duration. Para mídia de origem, use um fluxo de trabalho H3 separado de imagem para vídeo ou referência para vídeo.
Em fluxos de trabalho H3 habilitados para referência, a linguagem natural pode atribuir diferentes funções a texto, imagens, vídeo e áudio. Por exemplo, uma fonte pode definir o movimento da câmera, outra o personagem e outra a voz. Este é um recurso de família de modelos, não um recurso de upload de mídia na página atual.
O RunComfy fornece o MiniMax H3 por meio do navegador e de uma API HTTP, portanto, você não precisa hospedar ou dimensionar o modelo sozinho. A postagem de lançamento do MiniMax em 31 de julho descreveu um plano condicional para liberar pesos de modelo; verifique a disponibilidade atual e os termos da licença antes de planejar a auto-hospedagem.
MiniMax H3 Text-to-Video custa US$ 0,11 por segundo gerado em 768p e US$ 0,16 por segundo gerado em 2K. Em 768p, um vídeo de 5 segundos custa US$ 0,55, um vídeo de 10 segundos custa US$ 1,10 e um vídeo de 15 segundos custa US$ 1,65. Em 2K, esses comprimentos custam US$ 0,80, US$ 1,60 e US$ 2,40. A geração em lote multiplica o custo baseado na duração pelo número de resultados.
O MiniMax descreve o Hailuo 02 como focado em arquitetura, dados e escala, enquanto o MiniMax H3 se concentra na generalização de tarefas e modalidades. H3 também adiciona áudio estéreo nativo e saída selecionável de 768p ou 2K ao seu fluxo de trabalho de texto para vídeo.
Teste o prompt, proporção, resolução e duração no RunComfy. Em seguida, chame o mesmo modelo de texto para vídeo MiniMax H3 por meio da API com prompt (obrigatório), aspect_ratio, resolution (768p ou 2k) e duration (4–15). Este fluxo de trabalho não possui campos de upload de mídia.
RunComfy é a principal ComfyUI plataforma, oferecendo ComfyUI online ambiente e serviços, juntamente com fluxos de trabalho do ComfyUI apresentando visuais impressionantes. RunComfy também oferece AI Models, permitindo que artistas utilizem as mais recentes ferramentas de AI para criar arte incrível.
