MiniMax H3 Max Reference to Video API

minimax/h3-max/reference-to-video
480p / 768p / 1080p · 5–15 sec

MiniMax H3 Max Reference to Video 结合多模态参考生成电影质感视频,支持图片、视频与音频联合引导。它能延续角色外观与运动节奏,同时自适应画幅并稳定交付多档高清成片。

输入
708/50000

拖拽文件、粘贴剪贴板素材,或输入 URL。 必填,1–9 张静态 JPEG、PNG 或 WebP,每张不超过 30 MB。比例:1:1、4:3、3:4、16:9、9:16、5:2 或 2:5;上传前归一化图片方向。所有参考素材合计最多 12 个。

1/9 个素材

拖拽文件、粘贴剪贴板素材,或输入 URL。 可选,最多 3 个 MP4/MOV,每个不超过 50 MB。每段 2–15 秒,合计不超过 15 秒。16:9 或 9:16、恒定 24 fps、方形像素、无旋转元数据。按输出时长截取后帧数须为 48、120、240 或 360;由服务端精确核验。

1/3 个素材

拖拽文件、粘贴剪贴板素材,或输入 URL。 可选,最多 3 个 MP3/WAV,每个不超过 15 MB。每段 2–15 秒且不超过输出时长,合计不超过 15 秒。32 kHz 单声道或双声道,解码采样数须能被 800 整除;由服务端精确核验。

1/3 个素材

输出示例
5 秒 × $0.080/秒 = 至少 $0.400

仅含输出费用。参考素材用量由服务端计量:共享 4,096 tokens 免费额度,超出部分按每 1,000 tokens 4 credits 比例计费。

继续使用

示例

Use Image 1 for the ranger's exact face, short silver hair, green field jacket and red neck scarf. Use Image 2 for the narrow stone footbridge and misty mountain valley. Create one continuous five-second live-action shot of this same adult ranger stepping onto the bridge, gripping the stone parapet and turning toward a distant bird call. The red scarf lifts briefly in the mountain breeze. Camera slowly arcs a few degrees, preserving the person and the bridge's spatial geometry. Realistic cloth, mist and subtle facial recognition. Native stereo breeze, one distant bird and footsteps on stone, no speech or music. No extra people, animals in frame, logos, captions or text.

Use Image 1 as the identity and wardrobe reference for the middle-aged female projectionist with round glasses and a dark plum cardigan. Use Image 2 as the environment reference for the cramped vintage cinema projection booth. In a single continuous five-second shot, she turns the projector's small switch; the film reels begin rotating and a warm beam appears through the dusty booth window. She leans back slightly, watching the beam with a quiet satisfied smile. Keep her exact face and glasses stable and the two reels mechanically consistent. Slow over-the-shoulder camera push. Native synchronized projector chatter and soft room tone, no music or dialogue. No visible written film labels, logos, subtitles or advertising.

MiniMax H3 Max Reference to Video

MiniMax H3 Max Reference to Video 是专为复杂叙事与跨镜头连贯性打造的多模态参考生视频模型。创作者可传入多张参考图片、参考视频及参考音频,由模型深度汲取人物面容、服饰材质、运镜机位与声效线索。结合自适应比例与 480p 至 1080p 多档清晰度输出,为数字人短剧、动画原型与广告系列片提供高吞吐的工业级视频生产力。

为什么选择 MiniMax H3 Max Reference to Video API?

  • 多模态素材跨模态联合引导支持静态图片、动态视频片段与环境音频联合输入,在单次生成中全方位把控主体造型、运动韵律与声学质感。

  • 角色特征跨镜头高度延续多张参考图精准锁定人物五官轮廓、发型发色与服装配饰,有效解决长篇叙事中复杂角色跨场景易变形的行业痛点。

  • 动作节奏与摄影机运镜迁移支持提取参考视频中的运镜轨迹、镜头推拉节奏与主体动态幅度,将其复用于全新构思的文本场景中。

  • 自适应画幅与超分辨率成片支持根据输入参考图智能推断最佳画幅比例(adaptive),并提供 480p、768p 与 1080p 三档分辨率按需交付。

  • 透明计费与共享免费额度输出视频按请求参数 duration 指定的秒数计费;参考素材享有 4,096 tokens 免费额度,超出部分按量计费,兼顾灵活性与成本控制。

参数说明

参数要求说明
prompt必填

描述主体在参考素材基础上的动作发展、运镜轨迹与场景交互。原始输入最多 50,000 个字符(含首尾空白),去除首尾空白后不能为空。

默认值—
duration可选

输出时长,支持 5–15 秒之间的任意整数,默认值为 5 秒。

默认值5
resolution可选

输出清晰度档位,支持 480p、768p(默认)或 1080p。

默认值768p
enable_safety_checker可选

是否开启生成内容安全检查器,过滤敏感与违规内容。

默认值true
aspect_ratio可选

画面宽高比,支持 adaptive(自适应)以及 21:9、16:9、4:3、1:1、3:4、9:16 六种固定比例,默认 adaptive。

默认值adaptive
reference_image_urls必填

必填,1–9 张静态 JPEG、PNG 或 WebP 图片的公开 HTTP(S) URL,每张不超过 30 MB。图片比例须为 1:1、4:3、3:4、16:9、9:16、5:2 或 2:5,上传前归一化图片方向。图片、视频和音频合计最多 12 个素材。

默认值—
reference_video_urls可选

可选,最多 3 个 MP4/MOV 视频的公开 HTTP(S) URL,每个不超过 50 MB。每段 2–15 秒,同类合计不超过 15 秒。须为 16:9 或 9:16、恒定 24 fps、方形像素且无旋转元数据。按请求输出时长截取后的计数帧数须为 48、120、240 或 360;由服务端精确核验。

默认值—
reference_audio_urls可选

可选,最多 3 个 MP3/WAV 音频的公开 HTTP(S) URL,每个不超过 15 MB。每段 2–15 秒且不超过请求输出时长,同类合计不超过 15 秒。须为 32 kHz 单声道或双声道,每声道解码采样点数须能被 800 整除;由服务端精确核验。

默认值—

使用方法

  1. 准备多模态参考素材准备主体清晰的图片、运镜稳定的参考视频或音质纯净的音频文件,并确保链接为公开可访问的 HTTP(S) 格式。

  2. 分配素材角色与作用在提示词中逐一说明每份素材的用途(如说明使用哪张图片的人物外貌、哪个视频的运镜节奏或哪个音频的环境声)。

  3. 编写场景演变提示词明确主体在新环境中的具体动作序列、情绪表达与光线氛围,避免与参考素材已有特征产生冲突。

  4. 选择画幅比例与分辨率可保持 adaptive 自适应首图比例,或指定 16:9、9:16 等固定画幅,并按需设置 5–15 秒时长与 480p/768p/1080p 分辨率。

  5. 提交任务并轮询接收结果发送请求获取 task_id,通过轮询状态接口获取生成视频的公开播放地址,长任务建议使用 callback_url 回调。

用量与计费

MiniMax H3 Max Reference to Video API 的费用由两部分组成:基础输出时长费用(按请求参数 duration 指定的秒数计费)以及参考素材的 Token 用量费用。

计费项目费率详情
480p10 credits / 秒$0.050 / 秒。基础视频输出费用,按请求参数 duration 指定的秒数计费。
768p16 credits / 秒$0.080 / 秒。高清基准输出档位,兼顾生成速度与画质细节。
1080p32 credits / 秒$0.160 / 秒。全高清画质输出,适合大屏商业交付。
参考素材4 credits / 1,000 tokens每个请求享有 4,096 tokens 免费额度,仅超出部分按每 1,000 tokens 4 积分计费。

适用场景

  • 系列短剧与常驻角色塑造利用多张肖像参考图确保主角在不同场景、不同服装下保持高度一致的五官与体型特征。

  • 品牌视觉与跨产品风格延续引入品牌标准色彩方案、产品实拍图与指定动态运镜,保证商业广告片与宣传物料的调性统一。

  • 动作捕捉与动态镜头复用参考现有经典影视片段的摄影机调度与肢体走位节奏,低成本复刻高质量的打斗或舞蹈镜头。

  • 多媒体一体化概念短片预演同时融入视觉原画、参考分镜片段与试听小样,在立项初期全方位呈现沉浸式的项目成片视听雏形。

实用技巧

  • 在提示词中明确指向参考素材:例如指出人物面容和服装参照具体参考图片,运镜节奏参照具体参考视频,精准引导模型注意力。
  • 参考素材聚焦单一核心特征:一张参考图最好只用于强调一个维度(如角色面容、服装款式或建筑背景),避免素材信息杂乱导致模型混淆。
  • 参考图片为必填:至少提供一张参考图片;视频和音频只能作为可选补充,不能单独提交。
  • 自适应画幅与素材尺寸匹配:使用 adaptive 比例时,建议所有参考图片保持相同的长宽比,以获得更稳定可控的画面构图。
  • 注意参考视频的规格要求:参考视频需保持恒定 24fps 与方形像素,避免画面旋转元数据或非标准编码导致校验失败。

注意事项

  • 所有参考素材(图片、视频、音频)合计总数不能超过 12 个,单类数量须符合参数限制。
  • 图片支持 1–9 张(JPEG/PNG/WebP,单张 ≤ 30MB);视频最多 3 段(MP4/MOV,单段 ≤ 50MB);音频最多 3 段(MP3/WAV,单段 ≤ 15MB)。
  • 请求必须包含至少 1 张参考图片,视频和音频仅为可选辅助参考,不可单独使用。
  • 提交成功后返回 task_id,任务采用异步执行机制;可通过轮询状态接口或配置 callback_url 异步接收终态结果。

相关模型

MiniMax H3 Max Reference to Video API 常见问题

MiniMax H3 Max Reference to Video API 是什么?

MiniMax H3 Max Reference to Video 是 MiniMax 推出并经深度后训练优化的多模态参考生视频模型。它能够结合文本提示词以及输入的图片、视频和音频参考素材,生成 5–15 秒带原生立体声的高保真连贯视频。基于先进的多模态交叉注意力架构,它在深度融合参考角色特征、运动节奏与声学风格的同时,赋予新镜头自然的叙事张力与光影物理表现。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

MiniMax H3 Max Reference to Video 支持哪些参考素材格式?

参考图片支持 1–9 张 JPEG、PNG 或 WebP 格式(单张不超过 30MB);参考视频支持最多 3 个恒定 24fps 的 MP4 或 MOV 文件(单个不超过 50MB);参考音频支持最多 3 个 32kHz 的 MP3 或 WAV 文件(单个不超过 15MB)。所有素材合计不超过 12 个。

MiniMax H3 Max Reference to Video 如何保证角色面容一致性?

建议提供 2–3 张同一角色在不同角度或光线下的清晰肖像作为参考图片,并在提示词中指明“主角面部五官与发型严格延续参考图片中的人物”。模型会将视觉特征提取为多维嵌入向量,在整个生成序列中牢牢锚定人物身份。

MiniMax H3 Max Reference to Video 参考音频如何影响生成结果?

输入的参考音频主要用于指导生成视频的背景声场基调、节奏强弱与音色质感。模型会分析参考音频的频谱特征,并在生成的新视频中合成具备类似声学空间感与氛围特性的原生立体声音频。

MiniMax H3 Max Reference to Video 的 Token 额度如何计算?

每个请求享有 4,096 tokens 的免费参考素材额度。参考图片按比例与数量计量,视频按计费帧数计量,音频按解码采样点计量。若参考总用量超出该额度,超出部分将按每 1,000 tokens 4 积分的比例在基础时长费之外单独计费。

MiniMax H3 Max Reference to Video 的自适应画幅如何运作?

当 aspect_ratio 设置为 adaptive 时,模型会自动检测参考素材中的主体构图与主要图片的长宽比,智能匹配最契合视觉呈现的输出画幅。如果你有确定的分发平台要求,也可以显式指定 16:9、9:16 等固定比例。

Reference to Video 与 Image to Video 有何核心差异?

Image to Video 严格将输入图片作为视频生成的起始第一帧(或终止尾帧),具有强时序起止约束;而 Reference to Video 则将素材作为特征知识库,支持从多张图片、动作视频和音频中各取所需,适合复杂的多镜头与跨资产创作。