MiniMax H3：2K 文字轉影片與立體聲音訊 | RunComfy

為什麼選擇 MiniMax H3#

MiniMax H3 是 MiniMax 的多模態模型家族，可透過自然語言指令生成及編輯圖像、影片與音訊。本頁面提供 MiniMax H3 Text-to-Video：將一則文字提示詞轉換為 5–15 秒、2K、24 FPS 的影片，並在生成畫面的同時產生原生立體聲音訊。此工具僅接受文字；如需圖像、影片或音訊參考，請使用下方連結中的 H3 工作流程。

MiniMax H3 優勢	對你的意義
聯合生成 2K 影片與原生立體聲音訊	一次生成細節豐富的畫面、對白、音效、環境聲與音樂，減少分別執行放大、聲音設計與同步的環節。
由語言指揮的 Omni-Reference	在 MiniMax H3 的不同工作流程中，可為圖像、影片和音訊分配不同作用，例如身分、產品外觀、動作、鏡頭風格、聲音或音樂，讓多個來源共同引導一個連貫的結果。
V2V 轉移與定向編輯	MiniMax H3 可沿用動作或鏡頭語言，並在保留其餘內容的同時修改指定的視覺或音訊元素，讓製作團隊不必只能從頭重新生成整個鏡頭。
可直接交付的時長與畫幅	以 24 FPS 生成 5–15 秒影片，並支援六種畫面比例，讓開場鉤子、產品亮相和多節拍場景更能配合電影、網頁、動態消息、直幅或垂直版位，減少重新剪輯和裁切。

最佳使用情境#

• 廣告與產品發表： 使用 MiniMax H3 製作主視覺鏡頭、產品亮相、廣告概念和短片，在同一流程中統籌鏡頭調度與聲音設計。
• 社群媒體內容： 使用 MiniMax H3 製作 9:16 的 Shorts、Reels 和 Stories，或 1:1 的動態消息素材，以清楚的開場鉤子和適合平台的畫幅吸引觀眾。
• 影視與商業預演： 使用 MiniMax H3 測試鏡頭運動、燈光計畫、動作節拍、場景轉場或暫用配樂，再決定是否投入正式製作。
• 品牌與風格化敘事： 使用 MiniMax H3 探索片頭、動態海報、角色片段和圖像化風格，將文字構想轉化為精緻的視聽內容。

運作方式#

1. 描述鏡頭： 告訴 MiniMax H3 畫面中出現什麼、內容如何隨時間變化、鏡頭怎樣移動、場景應呈現何種視覺效果，以及應該聽到什麼。
2. 選擇交付格式： 選擇畫面比例和 5–15 秒時長。MiniMax H3 的解析度固定為 2K，因此無需設定畫質級別。
3. 生成並最佳化： 模型同時生成影片和立體聲音訊。檢查動作、文字、人臉、唇形同步和聲音時序，然後每次只修改一項指令。

參數#

第一張表列出本頁面 MiniMax H3 Text-to-Video 工具提供的控制項。

參數	必填	類型	預設值	範圍 / 選項	如何選擇
prompt*	是 (*)	String	範例提示詞	1–4,000 個字元	向 MiniMax H3 提供結構清楚的創作簡報，涵蓋主體、一個主要動作、鏡頭、環境與光線、視覺風格、音訊和預期結尾。清楚的結構比用滿字元限制更重要。
aspect_ratio	否	String	16:9	21:9、16:9、4:3、1:1、3:4、9:16	根據投放管道配合 MiniMax H3 的輸出：21:9 適合超寬銀幕鏡頭，16:9 適合一般影片與廣告，4:3 適合編輯或復古畫幅，1:1 適合動態消息，3:4 適合直幅產品內容，9:16 適合社群平台垂直影片。
resolution	否	String	2k	2k	此工具固定使用該值，並對應下方的 1440p 級別。當輸出需要高解析度細節且無需選擇其他畫質級別時，可選擇 MiniMax H3。
duration	否	Integer	5	5–15 秒，以 1 秒為間隔	MiniMax H3 的 5–7 秒片段適合單一動作或快速迭代，8–10 秒適合簡單變化；只有當提示詞清楚說明開端、發展和結尾時，才使用 11–15 秒。

\* 必填欄位。

下表概述更完整的 MiniMax H3 模型家族。首幀/尾幀模式和 Omni-Reference 模式所述的輸入透過獨立工作流程提供，並非本 Text-to-Video 頁面上的控制項。

核心面向	MiniMax H3
模型	MiniMax-H3
輸出時長	MiniMax H3 輸出 5–15 秒的影片。
輸出畫面比例	首幀/尾幀模式： 沿用輸入圖像的原始畫面比例。<br>Text-to-Video 模式： 沿用使用者所選的 21:9、16:9、4:3、1:1、3:4 或 9:16。<br>Omni-Reference 模式： 使用上述六種畫面比例之一，或使用 Auto 讓 MiniMax H3 決定輸出比例。
解析度	MiniMax H3 支援兩個已公布的級別。768p 模式（稍後推出）： 當畫面比例介於 16:9 和 9:16 之間時，短邊為 768 像素；對於更寬的輸出，總解析度約為 1 MP，例如 21:9 為 1536×672。768p 結果可升級至 1440p。<br>1440p / 2K 模式： 當畫面比例介於 16:9 和 9:16 之間時，短邊為 1440 像素；對於更寬的輸出，總解析度約為 3.7 MP，例如 21:9 為 2976×1248。
輸出幀率	MiniMax H3 以 24 FPS 輸出。
輸出音訊	每個 MiniMax H3 結果都包含原生立體聲音訊。
首幀/尾幀輸入	圖像： 0、1 或 2 張；寬和高各為 256–5760 像素；畫面比例介於 5:2 和 2:5（0.4–2.5）之間。未輸入圖像時，MiniMax H3 將以 Text-to-Video 模式運作，也就是本頁面提供的工具。
Omni-Reference 輸入	圖像： 最多 9 張；寬和高各為 256–5760 像素。<br>影片： 最多 3 段；每段 2–15 秒；影片總時長最多 15 秒；寬和高各為 256–5760 像素；畫面比例介於 5:2 和 2:5（0.4–2.5）之間。<br>音訊： 最多 3 段；每段 2–15 秒；音訊總時長最多 15 秒。音訊必須與圖像或影片同時提供，不能作為唯一參考。<br>混合輸入： 共計最多 12 個檔案。未輸入圖像、影片或音訊時，工作流程將變為 Text-to-Video。
支援的輸入格式	MiniMax H3 接受以下格式：影片： H.264/AVC 或 H.265/HEVC；內嵌音訊為 AAC 或 MP3。<br>圖像： JPG、JPEG、PNG、WEBP、HEIC 或 HEIF。<br>音訊： WAV 或 MP3。
輸入大小限制	每段影片：50 MB；每張圖像：30 MB；每個音訊檔案：15 MB。除各檔案限制外，沒有單獨的媒體總量限制，但 API 請求本文上限為 64 MB；建議使用以 URL 為基礎的媒體輸入。
提示詞限制	MiniMax H3 產品指南允許最多 7,000 個字元。此 Text-to-Video 部署目前接受 1–4,000 個字元，如上方頁面控制項表所示。

定價#

本頁面的 MiniMax H3 2K 影片價格為每個生成秒 $0.13 USD。

時長	每支影片的價格
5 秒	$0.65
10 秒	$1.30
15 秒	$1.95

批次生成 1–4 個輸出時，總價按 duration × $0.13 × output count 計算。

提示詞技巧與範例#

使用以下可重複使用的 MiniMax H3 提示詞結構：

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

• 分開描述運動： 分別描述主體運動和鏡頭運動。
• 呈現順序： 當片段包含多個節拍時，使用「開始時」、「然後」和「結尾定格於」等表述。
• 說明聲音來源： 告訴 MiniMax H3 誰在說話、每種聲音由什麼產生、環境聲是什麼，以及音樂應占主導還是保持克制。
• 減少互相競爭的想法： 一個主要主體、一個核心動作和一種連貫風格更便於 MiniMax H3 遵循。

較弱的提示詞

> 一則奢華腕錶廣告，要有電影感和動感，並配有音樂。

改進後的 MiniMax H3 提示詞

> 一只拉絲鋼自動腕錶放在黑色火山岩上。隨著秒針移動、錶殼凝結水珠，一束狹窄的攝影棚燈光掃過藍寶石錶鏡。以極端微距開始，然後緩慢環繞 30 度，最後定格於錶盤。高對比度的奢華商業廣告，深黑背景。音訊：輕柔的機械滴答聲和一次低沉的電影感脈衝；無對白。

改進後的版本為 MiniMax H3 提供了可辨識的主體、具有時序的動作、獨立的鏡頭指示、光線、畫面質感、聲音來源，以及可供檢查的結束畫面。

MiniMax H3 橫向比較#

將這份 MiniMax H3 比較作為模型家族指南；最高解析度和最長時長可能無法同時提供，不同 RunComfy 工作流程也可能開放不同的輸入、解析度級別和音訊控制項。

模型	解析度	最長時長	音訊	突出特點
MiniMax H3	最高 2K	15s	原生立體聲（語音、SFX、音樂）	透過語言關聯文字、圖像、影片和音訊參考，用於 V2V 動作轉移和製作編輯；公開權重已有規劃，但尚未發布。
Hailuo 02	1080p	~10s	無	出色的提示詞遵循能力和注重物理規律的動作表現，適合體操、舞蹈、產品運動和其他將在後期製作中加入音訊的無聲動作鏡頭。
Kling 3.0	最高 4K	15s	帶唇形同步的原生音訊	在多個鏡頭之間協調鏡頭變化，並支援多語言、指定說話者的對白和唇形同步，適合有腳本的廣告、故事板和角色驅動場景。
Seedance 2.0	1080p	15s	音訊與影片聯合生成	將大量圖像、影片和音訊參考與聯合視聽生成、精確唇形同步相結合，適合強調身分一致性的廣告、品牌故事和參考素材密集的編輯。
Veo 3.1	4K	8s	原生對白和音效	將提示詞指定的對白和音效與首幀/尾幀、參考圖像和場景延展控制項結合，適合電影化轉場和拼接式序列。

Hailuo 02 的上述最大值因模式而異：1080p 輸出最長為 6 秒，而 10 秒輸出可使用 512p 或 768p。

對於 MiniMax H3，Omni-Reference 和 V2V 功能屬於相關工作流程；本頁面的 Text-to-Video 工具仍然僅接受提示詞。

MiniMax H3 的獨特之處在於這套組合：一個通用模型家族透過語言關聯文字、圖像、影片和音訊，生成原生立體聲，並在本頁面以每個生成秒 $0.13 的價格達到 2K。如果希望從文字簡報開始，同時為後續在相關工作流程中進行參考引導的創作或編輯保留路徑，請選擇 MiniMax H3。根據公開資訊，建議先在每個模型中執行同一份簡報，再確定製作流程。

更多可嘗試的模型#

如果 MiniMax H3 不是專案的理想起點，可在 RunComfy 上比較以下專用工作流程：

• MiniMax H3 Image-to-Video： 從一張圖像開始，並可選擇引導尾幀，適合需要固定構圖、身分或產品外觀的情境。
• MiniMax H3 Reference-to-Video： 組合圖像以及可選的影片和音訊，在需要沿用動作、鏡頭風格、聲音、音樂或其他來源素材細節時使用。
• Hailuo 02 Image-to-Video： 如果需要專注於圖像動畫的工作流程，可嘗試 MiniMax 的較早一代模型。
• Hailuo 2.3 Pro： 以穩定、符合物理規律的動作、細膩的面部表情和自然光照將靜態圖像製作為 1080p 動畫，適合精緻的產品、人像和角色鏡頭。
• Kling 3.0： 透過可選尾幀、元素參考、定時鏡頭提示詞和同步音訊，讓起始圖像生成可控的品牌與角色序列。
• Seedance 2.0 Pro： 混合最多九張圖像、三段影片和三段音訊，使身分、鏡頭語言以及同步的語音、音效和音樂在 4–15 秒片段中保持一致。

官方資源#

• MiniMax H3 發布動態
• MiniMax 官方網站