MiniMax H3：2K 文生视频与立体声音频 | RunComfy

为什么选择 MiniMax H3#

MiniMax H3 是 MiniMax 的多模态模型家族，可通过自然语言指令生成和编辑图像、视频与音频。本页面提供 MiniMax H3 Text-to-Video：将一条文字提示词转换为 5–15 秒、2K、24 FPS 的视频，并在生成画面的同时生成原生立体声音频。此工具仅接受文本；如需图像、视频或音频参考，请使用下方链接中的 H3 工作流。

MiniMax H3 优势	对你的意义
联合生成 2K 视频与原生立体声音频	一次生成细节丰富的画面、对白、音效、环境声和音乐，减少单独进行放大、声音设计与同步的环节。
由语言指挥的 Omni-Reference	在 MiniMax H3 的不同工作流中，可为图像、视频和音频分配不同作用，例如身份、产品外观、动作、镜头风格、声音或音乐，让多个来源共同引导一个连贯的结果。
V2V 迁移与定向编辑	MiniMax H3 可沿用动作或镜头语言，并在保留其余内容的同时修改指定的视觉或音频元素，让制作团队不必只能从头重新生成整个镜头。
可直接交付的时长与画幅	以 24 FPS 生成 5–15 秒视频，并支持六种宽高比，让开场钩子、产品亮相和多节拍场景更好地适配电影、网页、信息流、竖幅或垂直版位，减少重新剪辑和裁切。

最佳使用场景#

• 广告与产品发布： 使用 MiniMax H3 制作主视觉镜头、产品亮相、广告概念和短片，在一个流程中统筹镜头调度与声音设计。
• 社交媒体内容： 使用 MiniMax H3 制作 9:16 的 Shorts、Reels 和 Stories，或 1:1 的信息流素材，以清晰的开场钩子和适合平台的画幅吸引受众。
• 影视与商业预演： 使用 MiniMax H3 测试镜头运动、灯光方案、动作节拍、场景转场或临时配乐，再决定是否投入正式制作。
• 品牌与风格化叙事： 使用 MiniMax H3 探索片头、动态海报、角色片段和图形化风格，将文字构想转化为精致的视听内容。

工作原理#

1. 描述镜头： 告诉 MiniMax H3 画面中出现什么、内容如何随时间变化、镜头怎样运动、场景应呈现何种视觉效果，以及应该听到什么。
2. 选择交付格式： 选择宽高比和 5–15 秒时长。MiniMax H3 的分辨率固定为 2K，因此无需配置画质档位。
3. 生成并优化： 模型同时生成视频和立体声音频。检查动作、文字、人脸、口型同步和声音时序，然后每次只修改一项指令。

参数#

第一张表列出本页面 MiniMax H3 Text-to-Video 工具提供的控件。

参数	必填	类型	默认值	范围 / 选项	如何选择
prompt*	是 (*)	String	示例提示词	1–4,000 个字符	向 MiniMax H3 提供结构清晰的创作简报，涵盖主体、一个主要动作、镜头、环境与光线、视觉风格、音频和预期结尾。清晰的结构比用满字符限制更重要。
aspect_ratio	否	String	16:9	21:9、16:9、4:3、1:1、3:4、9:16	根据投放渠道匹配 MiniMax H3 的输出：21:9 适合超宽银幕镜头，16:9 适合通用视频与广告，4:3 适合编辑或复古画幅，1:1 适合信息流，3:4 适合竖幅产品内容，9:16 适合社交平台垂直视频。
resolution	否	String	2k	2k	此工具固定使用该值，并对应下方的 1440p 档位。当输出需要高分辨率细节且无需选择其他画质档位时，可选择 MiniMax H3。
duration	否	Integer	5	5–15 秒，以 1 秒为步长	MiniMax H3 的 5–7 秒片段适合单一动作或快速迭代，8–10 秒适合简单变化；只有当提示词明确说明开端、发展和结尾时，才使用 11–15 秒。

\* 必填字段。

下表概述更完整的 MiniMax H3 模型家族。首帧/尾帧模式和 Omni-Reference 模式所述的输入通过独立工作流提供，并非本 Text-to-Video 页面上的控件。

核心维度	MiniMax H3
模型	MiniMax-H3
输出时长	MiniMax H3 输出 5–15 秒的视频。
输出宽高比	首帧/尾帧模式： 沿用输入图像的原始宽高比。<br>Text-to-Video 模式： 沿用用户所选的 21:9、16:9、4:3、1:1、3:4 或 9:16。<br>Omni-Reference 模式： 使用上述六种宽高比之一，或使用 Auto 让 MiniMax H3 决定输出宽高比。
分辨率	MiniMax H3 支持两个已公布的档位。768p 模式（后续推出）： 当宽高比介于 16:9 和 9:16 之间时，短边为 768 像素；对于更宽的输出，总分辨率约为 1 MP，例如 21:9 为 1536×672。768p 结果可升级至 1440p。<br>1440p / 2K 模式： 当宽高比介于 16:9 和 9:16 之间时，短边为 1440 像素；对于更宽的输出，总分辨率约为 3.7 MP，例如 21:9 为 2976×1248。
输出帧率	MiniMax H3 以 24 FPS 输出。
输出音频	每个 MiniMax H3 结果都包含原生立体声音频。
首帧/尾帧输入	图像： 0、1 或 2 张；宽和高各为 256–5760 像素；宽高比介于 5:2 和 2:5（0.4–2.5）之间。未输入图像时，MiniMax H3 将以 Text-to-Video 模式运行，也就是本页面提供的工具。
Omni-Reference 输入	图像： 最多 9 张；宽和高各为 256–5760 像素。<br>视频： 最多 3 段；每段 2–15 秒；视频总时长最多 15 秒；宽和高各为 256–5760 像素；宽高比介于 5:2 和 2:5（0.4–2.5）之间。<br>音频： 最多 3 段；每段 2–15 秒；音频总时长最多 15 秒。音频必须与图像或视频同时提供，不能作为唯一参考。<br>混合输入： 共计最多 12 个文件。未输入图像、视频或音频时，工作流将变为 Text-to-Video。
支持的输入格式	MiniMax H3 接受以下格式：视频： H.264/AVC 或 H.265/HEVC；内嵌音频为 AAC 或 MP3。<br>图像： JPG、JPEG、PNG、WEBP、HEIC 或 HEIF。<br>音频： WAV 或 MP3。
输入大小限制	每段视频：50 MB；每张图像：30 MB；每个音频文件：15 MB。除各文件限制外，没有单独的媒体总量限制，但 API 请求正文上限为 64 MB；建议使用基于 URL 的媒体输入。
提示词限制	MiniMax H3 产品指南允许最多 7,000 个字符。此 Text-to-Video 部署当前接受 1–4,000 个字符，如上方页面控件表所示。

定价#

本页面的 MiniMax H3 2K 视频价格为每个生成秒 $0.13 USD。

时长	每个视频的价格
5 秒	$0.65
10 秒	$1.30
15 秒	$1.95

批量生成 1–4 个输出时，总价按 duration × $0.13 × output count 计算。

提示词技巧与示例#

使用以下可复用的 MiniMax H3 提示词结构：

[subject + defining details] + [one action over time] + [camera framing and movement] + [setting + lighting] + [visual treatment] + [dialogue / effects / ambience / music] + [ending frame or constraint]

• 分开描述运动： 分别描述主体运动和镜头运动。
• 呈现顺序： 当片段包含多个节拍时，使用“开始时”“然后”和“结尾定格于”等表述。
• 说明声音来源： 告诉 MiniMax H3 谁在说话、每种声音由什么产生、环境声是什么，以及音乐应占主导还是保持克制。
• 减少互相竞争的想法： 一个主要主体、一个核心动作和一种连贯风格更便于 MiniMax H3 遵循。

较弱的提示词

> 一则奢华腕表广告，要有电影感和动感，并配有音乐。

改进后的 MiniMax H3 提示词

> 一块拉丝钢自动腕表放在黑色火山岩上。随着秒针移动、表壳凝结水珠，一束狭窄的影棚灯光扫过蓝宝石表镜。以极端微距开始，然后缓慢环绕 30 度，最后定格于表盘。高对比度的奢华商业广告，深黑背景。音频：轻柔的机械滴答声和一次低沉的电影感脉冲；无对白。

改进后的版本为 MiniMax H3 提供了可识别的主体、具有时序的动作、独立的镜头指示、光线、画面质感、声音来源，以及可供检查的结束画面。

MiniMax H3 横向对比#

将这份 MiniMax H3 对比作为模型家族指南；最高分辨率和最长时长可能无法同时提供，不同 RunComfy 工作流也可能开放不同的输入、分辨率档位和音频控件。

模型	分辨率	最长时长	音频	突出特点
MiniMax H3	最高 2K	15s	原生立体声（语音、SFX、音乐）	通过语言关联文本、图像、视频和音频参考，用于 V2V 动作迁移和制作编辑；公开权重已有规划，但尚未发布。
Hailuo 02	1080p	~10s	无	出色的提示词遵循能力和注重物理规律的动作表现，适合体操、舞蹈、产品运动和其他将在后期制作中加入音频的无声动作镜头。
Kling 3.0	最高 4K	15s	带口型同步的原生音频	在多个镜头之间协调镜头变化，并支持多语言、指定说话者的对白和口型同步，适合有脚本的广告、故事板和角色驱动场景。
Seedance 2.0	1080p	15s	音视频联合生成	将大量图像、视频和音频参考与联合视听生成、精确口型同步相结合，适合强调身份一致性的广告、品牌故事和参考素材密集的编辑。
Veo 3.1	4K	8s	原生对白和音效	将提示词指定的对白和音效与首帧/尾帧、参考图像和场景延展控件结合，适合电影化转场和拼接式序列。

Hailuo 02 的上述最大值因模式而异：1080p 输出最长为 6 秒，而 10 秒输出可使用 512p 或 768p。

对于 MiniMax H3，Omni-Reference 和 V2V 功能属于相关工作流；本页面的 Text-to-Video 工具仍然仅接受提示词。

MiniMax H3 的独特之处在于这套组合：一个通用模型家族通过语言关联文本、图像、视频和音频，生成原生立体声，并在本页面以每个生成秒 $0.13 的价格达到 2K。如果希望从文字简报开始，同时为后续在相关工作流中进行参考引导的创作或编辑保留路径，请选择 MiniMax H3。根据公开信息，建议先在每个模型中运行同一份简报，再确定制作流程。

更多可尝试的模型#

如果 MiniMax H3 不是项目的理想起点，可在 RunComfy 上比较以下专用工作流：

• MiniMax H3 Image-to-Video： 从一张图像开始，并可选择引导尾帧，适合需要固定构图、身份或产品外观的场景。
• MiniMax H3 Reference-to-Video： 组合图像以及可选的视频和音频，在需要沿用动作、镜头风格、声音、音乐或其他源素材细节时使用。
• Hailuo 02 Image-to-Video： 如果需要专注于图像动画的工作流，可尝试 MiniMax 的早期一代模型。
• Hailuo 2.3 Pro： 以稳定、符合物理规律的动作、细腻的面部表情和自然光照将静态图像制作为 1080p 动画，适合精致的产品、肖像和角色镜头。
• Kling 3.0： 通过可选尾帧、元素参考、定时镜头提示词和同步音频，让起始图像生成可控的品牌与角色序列。
• Seedance 2.0 Pro： 混合最多九张图像、三段视频和三段音频，使身份、镜头语言以及同步的语音、音效和音乐在 4–15 秒片段中保持一致。

官方资源#

• MiniMax H3 发布动态
• MiniMax 官方网站