MiniMax H3 Anime Video Generator: 15 Sekunden, 4:3 und die Titelkarte Veo 3.1 vermasselt

Den ganzen Sommer über war mein Feed ein einziges Video in Dauerschleife. WM-Spieler, neu gezeichnet als Shonen-Protagonisten. Ein Diktator. Ein Piratenkapitän. Ein ergrauter Mentor, der in den letzten vier Sekunden auftaucht. Millionen von Aufrufen pro Beitrag, und die Handlung wird nach fast jedem Spiel fortgeschrieben.

Niemand, der solche Videos erstellt, schreibt Benchmark-Beiträge. Man wählt ein Modell, verbrennt Credits und veröffentlicht, bevor der nächste Anpfiff kommt.

Also habe ich ein Anime-Keyframe und einen Prompt genommen und MiniMax H3 als Anime-Video-Generator gegen Veo 3.1 getestet – beide mit maximalen Einstellungen auf identischen Eingaben.

Das Erste, was kaputtging, war nicht die Bildqualität. Es war ein Dropdown-Menü. Veo 3.1 endet bei 8 Sekunden und bietet genau zwei Seitenverhältnisse. Eine Einstellung, die auf einem Gesicht verweilt, mit dem Ball mitzieht und dann eine Titelkarte setzt, passt nicht in 8 Sekunden. Es hatte nie die Chance, bei der Qualität zu scheitern.

Wichtigste Erkenntnisse

• Veo 3.1 hat ein duration-Enum von [4, 6, 8] und ein aspect_ratio-Enum von [16:9, 9:16]. MiniMax H3 unterstützt jede ganze Sekunde von 4 bis 15 und bietet 21:9, 16:9, 4:3, 1:1, 3:4, 9:16. Kein 4:3 bei Veo bedeutet: kein Retro-OVA-Bildformat, überhaupt nicht.
• H3 listet auf der Modellkarte 11 nativ stabile Dialogsprachen, und Japanisch ist eine davon. Audio und Bild werden gemeinsam in Stereo mit 32 kHz erzeugt, nicht nachträglich synchronisiert.
• Referenzpakete sind nicht zu vergleichen: H3 akzeptiert bis zu 9 Bilder plus bis zu 3 Videos und 3 Audioclips (maximal 12 Dateien). Der Referenz-Endpoint von Veo 3.1 nimmt 3 Bilder, und sobald du ihn nutzt, fällt duration auf nur [8] zurück.
• Zwei Fallen, die Tests still und heimlich ruinieren: Veos API setzt generate_audio standardmäßig auf false und resolution auf 720p, und H3s ratio bei Text-to-Video standardmäßig auf 1:1. Wenn du das nicht anpasst, vergleichst du einen stummen 720p-Clip mit einem quadratischen.
• Veo 3.1 hat zwei Dinge, die H3 überhaupt nicht besitzt: seed und negative_prompt. Für 2D-Anime ist der zweite Punkt wirklich wichtig, und ich werde zeigen, wo.

---

MiniMax H3 Anime-Video-Generator vs. Veo 3.1: Derselbe Frame im direkten Vergleich

Eine originäre Figur. Ein Keyframe. Ein Prompt, Zeichen für Zeichen in beide Modelle kopiert. Alles andere auf jeder Seite maximiert.

MiniMax H3, Image-to-Video, 2K, 8 Sekunden, natives Audio. Schalte den Ton ein: Der Publikumsgrund, der Schusskontakt und der japanische Ruf werden im selben Durchlauf wie das Bild erzeugt. Generiert mit minimax/h3/image-to-video auf Atlas Cloud.

Veo 3.1, Image-to-Video, 1080p, 8 Sekunden, generateaudio manuell aktiviert, plus ein negativeprompt, der die Lineart flach hält. Gleiches erstes Bild, gleiche Worte. Generiert mit google/veo3.1/image-to-video auf Atlas Cloud._

Beide zeichnen wunderschön. Veos Weitwinkel-Aufnahme des Schusses mit handgezeichneten Aufpralllinien und einem in der Luft schwebenden Manga-Soundeffekt ist wirklich gelungen. Das ist der ehrliche Ausgangspunkt, und genau deshalb geht es im Rest dieses Artikels um Parameter und das Befolgen von Anweisungen statt um Vibes.

Warum die meisten MiniMax-H3-Anime-Video-Generator-Tests gegen Veo 3.1 schiefgehen

Diesen Sommer passierten gleich zwei Dinge.

Anime wurde zum volumenstärksten Format bei KI-Videos. Die WM 2026 wurde als Shonen-Turnier neu erzählt, mit Spielern als Diktator, Piratenkapitän, Marinegeneral und Mentor, und Handlungssträngen, die sich „nach fast jedem Spiel“ weiterentwickeln – auf TikTok, Instagram, X und YouTube (Complex, Juli 2026).

Und MiniMax H3 wurde mit offenen Gewichten veröffentlicht. Der ComfyUI-Thread am Tag 0 erreichte 330 Punkte und 95 Kommentare, und innerhalb von Stunden posteten Leute echte lokale Zahlen (Hacker News, August 2026).

Beides zusammen ergäbe eine Menge Anime-Vergleiche. Davon gibt es kaum welche, weil die meisten Tests auf eine von vier Arten falsch aufgebaut sind.

Sie vergleichen Bilder, keine Einschränkungen. Anime-Einstellungen sind Timing. Ein Whip-Pan in eine Titelkarte ist ein Dauer-Problem, bevor es ein Render-Problem ist.

Sie vergessen, dass Veos API standardmäßig stumm ist. In der API ist generate_audio auf false und resolution auf 720p gesetzt. Viele Beiträge, die behaupten, „Veo hat bei Anime kein Audio“, stammen von Leuten, die nie einen Boolean umgelegt haben.

Sie vergessen, dass H3s Text-to-Video standardmäßig quadratisch ist. ratio ist standardmäßig 1:1, nicht 16:9. Wenn du einen Anime-Prompt für T2V ausführst, ohne es zu setzen, bekommst du einen quadratischen Clip und eine verwirrende Schlussfolgerung.

Sie testen mit fotorealistischen Prompts. „Cinematic, volumetrisches Licht, geringe Schärfentiefe“ ist genau das Vokabular, das ein 2D-Modell in Richtung 3D-Render-Shading zieht. Die Fehlerart bei Anime ist nicht Unschärfe. Sie ist plastisch.

Die drei Einstellungen, die einen Anime-Test entscheiden, bevor du auf Start drückst

Bevor du etwas anderes tust, stelle diese drei Dinge auf beiden Seiten ein, sonst ist der Vergleich ungültig.

Das MiniMax-H3-vs.-Veo-3.1-Anime-Datenblatt: Länge, Ratio, Audio, Referenzen

Ich habe die Live-Input-Schemas beider Modelle abgerufen, statt einem Launch-Post zu vertrauen. Jeder Wert unten ist ein Enum, das du selbst auf den Modellseiten nachlesen kannst – kein Eindruck.

Tabelle 1: MiniMax H3 vs. Veo 3.1 – die Parameter, die eine Anime-Einstellung entscheiden

Dauer, Ratio, Auflösung, Audio und Referenzlimits stammen aus den Live-Schemas auf den Seiten MiniMax H3 Image-to-Video, H3 Text-to-Video, H3 Reference-to-Video, Veo 3.1 Image-to-Video und Veo 3.1 Reference-to-Video. Die Referenzobergrenze von 9 Bildern und 12 Dateien sowie die Liste der 11 Dialogsprachen stammen aus der MiniMax-H3-Modellkarte (Hugging Face, August 2026).

Jetzt zu den Ranglisten, denn sie sagen etwas anderes aus als das Pflichtenheft – und beides zählt.

Tabelle 2: Crowd-Voting-Elo und Listenpreis pro Minute, Stand 7. August 2026

Elo- und Preisangaben von der Artificial Analysis Video Arena (Artificial Analysis, August 2026). Dies sind fortlaufende Crowd-Votes, und sie verändern sich. Die Spalte $/min ist eine normalisierte Modellschätzung, nicht deine Rechnung.

Eine Elo-Differenz von 145 Punkten ist groß, aber es ist eine allgemeine Abstimmung, keine Anime-Abstimmung. Und jetzt der Teil, den ich unmissverständlich sagen muss: MiniMax vermarktet H3 nicht als Anime-Modell. Internes Feedback aus der ersten Linie listet Film, Animation und Comic-Drama als die Bereiche auf, auf die H3 nicht abzielt. Die interessante Frage ist also nicht, welches das Anime-Modell ist. Es ist die Frage, warum das Modell, das sich nicht über Anime verkauft, den Shot trotzdem gewinnt – und wo Google die Runde trotzdem für sich entscheidet.

Eine praktische Anmerkung vor dem Tutorial. Jedes Modell unten läuft über dieselbe Konsole und denselben API-Schlüssel – der einzige Grund, warum die Parameter überhaupt vergleichbar sind. Gleiche Warteschlange, gleiche Authentifizierung, eine Rechnung. Wenn du GPT Image 2 bei einem Dienst einrichtest und Veo bei einem anderen, ist die Hälfte der Unterschiede, die du findest, Infrastruktur und nicht Modell.

Den Shot bauen: MiniMax H3 vs. Veo 3.1, Schritt für Schritt

Ein durchgängiges Beispiel, von Anfang bis Ende. „Last Whistle“: ein originärer jugendlicher Stürmer, rote Haare, weiß-blaues Trikot mit der Nummer 9, Flutlicht, ein Whip-Pan auf den Schuss und eine japanische Titelkarte, die in den letzten zwei Sekunden aufschlagen und stabil stehen bleiben muss.

Kein echter Spieler, keine offizielle Figur, kein bestehendes Anime-IP. Nur Stil und Hommage. Gleich mehr dazu, warum.

Schritt 1: Das Anime-Keyframe mit GPT Image 2 entwerfen

Das Keyframe trägt die künstlerische Leitung, damit das Videomodell sie nicht erfinden muss. Beachte den negativen Raum im linken Drittel: Er ist beabsichtigt. Dort schreibt das Videomodell die Titelkarte hin – das ist der Textstabilitätstest.

PlainCopy
1A single frame from a modern shonen sports anime. Cel-shaded 2D animation, hand-inked
2line art with consistent line weight, flat colour fills, hard-edged graphic shadows,
3absolutely no 3D shading and no photoreal skin. Close-up on an original teenage striker:
4messy dark-red hair, white-and-navy kit with the number 9, sweat and grass streaks across
5one cheek, eyes wide with exhausted determination, mouth open mid-shout. Behind him,
6stadium floodlights blaze into a wall of blurred crowd colour; radial speed lines burst
7from the centre of frame; one blade of grass hangs frozen in the air. Saturated palette,
8deep cyan shadows, warm orange rim light. 16:9 composition, the character framed right of
9centre, clean negative space on the left third. No text anywhere in the image.

Einstellungen: Modell openai/gpt-image-2/text-to-image, Qualität high, Größe 16:9 (2048x1152). Sonst nichts.

GPT-Image-2-Playground auf Atlas Cloud mit dem Last-Whistle-Keyframe-Prompt und dem fertigen Anime-Frame im Ausgabefeld

GPT Image 2 auf Atlas Cloud: Qualität auf high gesetzt, das fertige Keyframe rechts.

Das Basis-Anime-Keyframe: eine originäre rothaarige Stürmerfigur mitten im Schreien unter Stadionflutlicht, cel-schattiert mit flacher Farbe und Speed-Lines

Das Keyframe, das beide Modelle erhalten. Flache Farbe, harte Schatten und ein leeres linkes Drittel, das auf eine Titelkarte wartet.

Schritt 2: MiniMax H3 Image-to-Video, alles maximiert

Gleiches Bild rein, 2K raus. Ich habe H3 hier nur auf 8 Sekunden begrenzt, damit es Veos Obergrenze entspricht. Das ist nicht H3s Limit – und Schritt 4 nimmt die Begrenzung wieder weg.

PlainCopy
1Cel-shaded 2D anime, hand-inked line weight, flat colour, no 3D shading. Hold on the
2striker's face for one beat, then a violent whip pan follows the ball as he strikes it,
3the pan smearing the frame into streaked sakuga motion trails. One frame of total silence
4at impact. Over the final two seconds, bold white Japanese title lettering reading
5ラストホイッスル punches onto the left third of frame and holds rock-steady, no warping,
6no flicker, no drift. The striker shouts one line in Japanese: 「まだ終わってない！」
7Audio: stadium roar swelling, a single sharp ball-strike impact, a low taiko hit under the
8title card.

Einstellungen: Modell minimax/h3/image-to-video, resolution: 2K, duration: 8, ratio: adaptive (Image-to-Video übernimmt das Bildformat aus deinem Eingabebild), image = das Ergebnis aus Schritt 1.

Eine Warnung, falls du stattdessen zu Text-to-Video wechselst: Schreibe ratio: 16:9 explizit hin. Der Standard ist 1:1, und das Modell liefert dir dann freundlicherweise einen quadratischen Anime-Schnitt.

MiniMax-H3-Image-to-Video-Playground auf Atlas Cloud mit Last-Whistle-Prompt, geladenem Keyframe und dem fertigen Clip im Ausgabefeld

MiniMax H3 Image-to-Video auf Atlas Cloud: Das Keyframe aus Schritt 1 links geladen, der fertige Clip läuft rechts.

Schritt 3: Veo 3.1 Image-to-Video, Audio manuell aktiviert

Der Prompt ist identisch, Wort für Wort. Ändere ein einziges Adjektiv, und es ist kein Vergleich mehr. Was sich ändert, ist das zusätzliche Feld, das Veo dir bietet und H3 nicht.

negative_prompt – das für 2D-Anime das mit Abstand nützlichste Steuerelement auf dieser Liste ist:

PlainCopy
13D render, CGI, plastic shading, photorealistic skin, live action footage, motion blur
2soup, warped lettering, gibberish text, extra fingers, subtitle bar

Einstellungen: Modell google/veo3.1/image-to-video, resolution: 1080p (ändern! Der Standard ist 720p), duration: 8 (das ist die Obergrenze), aspect_ratio: 16:9, generate_audio: true (der API-Standard ist false – das ist die Stummclip-Falle), seed: 20260807, image = dasselbe Ergebnis aus Schritt 1.

Veo-3.1-Image-to-Video-Playground auf Atlas Cloud mit aktiviertem Generate Audio, geladenem Anime-Keyframe und dem fertigen Clip im Ausgabefeld

Veo 3.1 Image-to-Video auf Atlas Cloud, mit aktiviertem Generate Audio und dem fertigen Clip rechts.

Schritt 4: Auf fünf Anime-spezifischen Achsen bewerten

Hier gibt es nichts zu generieren. Schau einfach auf die Dinge, an denen Anime tatsächlich scheitert. Beide Clips sind weiter oben in diesem Artikel eingebettet, du kannst sie also selbst bewerten, statt mir zu glauben.

Nebeneinander der letzten Frames beider Clips: MiniMax H3 links mit sauberer japanischer Titelbeschriftung, Veo 3.1 rechts mit verstümmelten vertikalen Zeichen

Der letzte Frame beider Clips. Links schrieb H3 ラストホイッスル, alle acht Katakana korrekt und absolut stabil. Rechts schrieb Veo 3.1 drei Zeichen, die weder das angeforderte Wort sind noch eines ergeben.

An der Titelkarte wurde die Runde entschieden – und es war nicht knapp. H3 rendert das angeforderte Katakana exakt, kantig und stabil, über einem verwischten Schwenk auf das Tor. Veo 3.1 erzeugte einen vertikalen Stapel aus drei Zeichen, die weder das angeforderte Wort noch überhaupt ein Wort sind. Im selben Frame warf es außerdem die Figur aus dem Bild und ließ den Hintergrund in Richtung halbfotorealistischer Stadionaufnahme abrutschen – obwohl photorealistic skin und 3D render im Negativ-Prompt standen.

Tabelle 3: Fünf Achsen, die einen Anime-Schnitt entscheiden – aus diesen beiden Läufen

Die letzte Zeile ist die lauteste öffentliche Kritik an H3 bisher – genau deshalb habe ich sie in beide Prompts geschrieben. Im ComfyUI-Thread am Tag 0 beschwerte sich der Nutzer fwip, dass selbst die offiziellen Demo-Prompts ignoriert wurden: „a violent WHIP PAN off the rooftop that SMEARS the floating words away with it, motion-streaked. And the video just didn't do any of that transition at all, it just replaced it with a cut.“

In diesem Lauf war es Veo, das den Schwenk durch einen Schnitt ersetzte, und H3, das verwischte. Ein Take pro Seite ist kein Urteil, und das würde ich auch nicht behaupten. Aber es bedeutet, dass die Kritik nicht H3-spezifisch ist: Whip-Pans sind die unzuverlässigste Anweisung in diesem gesamten Test – auf beiden Seiten. Wenn dein Storyboard von einem abhängt, plane das Storyboard um ihn herum, statt durch ihn hindurch.

Schritt 5: Der 4:3-Retro-OVA-Schnitt, den Veo 3.1 strukturell nicht ausgeben kann

Das ist keine Frage der Präferenz. Es ist eine Wand. Veos aspect_ratio-Enum hat zwei Werte, und keiner davon ist 4:3; und das duration-Enum kennt kein 12. Der 90er-OVA-Look ist schlicht nicht erreichbar.

PlainCopy
1A 1990s OVA anime cut, 4:3 full-frame. Hand-painted background art with visible brush
2texture, cel-paint characters with thick uneven ink lines, heavy halation glow around the
3floodlights, 16mm film grain and faint gate weave. The same red-haired striker in a
4white-and-navy number 9 kit walks off a rain-soaked pitch as the crowd noise fades to a
5single ringing tone. Camera pushes in slowly on his face. He says quietly in Japanese:
6「次は、勝つ」. Retro palette: muted teal, dusty amber, deep maroon shadows. Audio:
7distant rain, a lone analogue synth pad, one reverb-heavy whistle in the far distance.

Einstellungen: Modell minimax/h3/text-to-video, resolution: 2K, duration: 12, ratio: 4:3. Setze das Seitenverhältnis von Hand – denk an den Standardwert.

MiniMax-H3-Text-to-Video-Playground auf Atlas Cloud mit eingegebenem OVA-Prompt und dem fertigen Retro-Clip im Ausgabefeld

MiniMax H3 Text-to-Video auf Atlas Cloud, OVA-Prompt eingegeben, Clip fertig. Volle Offenlegung: Dieser spezielle Lauf ließ Aspect Ratio auf 16:9 und Duration auf 8, was du rechts siehst, ist also die kurze Breitbildversion. Der 4:3-Zwölf-Sekunden-Schnitt unten stammt aus dem API-Aufruf mit explizit gesetztem ratio: 4:3 und duration: 12.

Der 4:3-Retro-OVA-Schnitt: Derselbe Stürmer verlässt in 90er-Anime-Optik einen verregneten Platz

H3 Text-to-Video, 4:3, 12 Sekunden. Die gelieferte Datei kam als 1920x1440 zurück – pixelgenau 4:3 – mit einer 32-kHz-Stereo-Spur. Hier als stummes GIF mit reduzierter Bildrate gezeigt, um die Seite leicht zu halten. Generiert mit minimax/h3/text-to-video auf Atlas Cloud.

Schritt 6: Neun Referenzbilder, eine Figur, vier Schnitte

Konsistente Figuren über mehrere Einstellungen hinweg ist das schwerste Problem bei KI-Anime, und es wird über das Referenzvolumen gelöst. Baue zuerst das Paket: Führe den Prompt aus Schritt 1 erneut aus, mit getauschten Perspektiven: frontal, Dreiviertel, volles Profil, von hinten, lachend, mit zusammengebissenen Zähnen, ganze Figur im Stand, Trikotdetail und Schuhdetail. Neun Bilder, insgesamt etwa acht Cent.

Vier Perspektiven derselben originären Stürmerfigur, als Referenzpaket generiert und in einem Zwei-mal-zwei-Raster angeordnet

Vier der neun Referenzperspektiven. H3 akzeptiert bis zu neun Bilder in einem Referenzpaket, zusätzlich zu Video- und Audioreferenzen.

PlainCopy
1Cel-shaded 2D anime, consistent hand-inked line weight, flat colour, no 3D shading. Keep
2the referenced striker's face, hair silhouette and number 9 kit identical across every cut.
3Four cuts in one continuous take: (1) low-angle push-in on his boots hitting the turf,
4(2) whip-pan up to a tight close-up of his eyes, (3) wide shot of him sprinting past three
5defenders drawn as blurred silhouettes, (4) freeze on a mid-air header, speed lines
6exploding outward. Audio: crowd roar, breath, boot-on-turf impacts, one taiko hit on the
7freeze.

Einstellungen: Modell minimax/h3/reference-to-video, refers = deine Bilder mit type: image, resolution: 2K, duration: 8 oder höher, ratio: adaptive oder 16:9.

Das Veo-3.1-Pendant lässt sich mit diesen Einstellungen nicht ausführen, und du musst es nicht ausprobieren, um zu wissen, warum. Sein Referenz-Endpoint akzeptiert maximal drei Bilder, und wenn du diesen Endpoint wählst, fällt duration auf einen einzigen zulässigen Wert von 8 zurück. Ein Neun-Bilder-Paket und ein 10-Sekunden-Take liegen beide außerhalb des Bereichs.

MiniMax-H3-Reference-to-Video-Playground auf Atlas Cloud mit dem Referenzzähler bei vier von neun und dem ersten Schnitt im Ausgabefeld

MiniMax H3 Reference-to-Video auf Atlas Cloud. Der Zähler zeigt Reference Materials (4/9) mit MAX:9 darunter – das ist die Obergrenze in der Oberfläche, keine Behauptung aus einem Datenblatt. Die Ausgabe ist Schnitt eins: die Froschperspektive auf die Schuhe.

Vier weitere MiniMax-H3-Anime-Video-Generator-Läufe, die sich lohnen

Der Last-Whistle-Shot belastet nur vier der Unterschiede. Diese vier belasten den Rest. Alle laufen auf H3; die Anmerkungen sagen, welche Veo 3.1 abbilden kann.

1. Ultrawide-Sakuga-Kampf, 21:9 , 10 Sekunden. Veo kann 21:9 überhaupt nicht ausgeben.

PlainCopy
1Cel-shaded 2D anime action, thick tapered ink lines, flat colour, hard-edged shadows,
2no 3D shading. Two original masked duelists on a windswept temple roof at dusk. Blade
3clash, the frame shudders, both fighters break apart in a burst of hand-drawn impact
4frames and radial speed lines. Camera: low-angle push-in, then a lateral track, then a
5snap to a wide silhouette against the orange sky. Audio: two sharp metal clashes, cloth
6snap, a low taiko hit on the final freeze, no music.

2. Beat-synchroner AMV-Schnitt, Reference-to-Video mit einer Audioreferenz. H3 akzeptiert bis zu drei Audioclips als Referenzeingabe. Veo 3.1 hat überhaupt keinen Audioeingang, nur Audioausgang.

PlainCopy
1Cel-shaded 2D anime montage cut to the referenced audio track. Five short beats: rain on
2a window, a hand tightening a bandage, a city skyline flashing past a train window, a
3sprint start, a freeze on an outstretched hand. Every cut lands exactly on a downbeat of
4the referenced audio. Flat colour, thick ink lines, high-contrast night palette of deep
5indigo and neon magenta.

3. Japanische Dialogszene mit zwei Zeilen, 12 Sekunden. Das ist der Lip-Sync-Stresstest – und 12 Sekunden liegen bereits außerhalb von Veos Bereich.

PlainCopy
1Cel-shaded 2D anime, flat colour, no 3D shading. Two original characters on a rooftop at
2golden hour, shot reverse shot. First says in Japanese:「本当に行くの？」. The second
3answers, half-smiling, in Japanese:「もう決めた」. Mouths match every syllable. Warm rim
4light, long shadows, gentle wind in hair. Audio: two distinct Japanese voices, distant
5traffic, one cicada.

4. Vertikaler Shonen-Kurzfilm, 9:16 , 8 Sekunden. Beide Modelle können vertikal, das ist also der eine Punkt, an dem du sie wirklich gegeneinander testen solltest, statt zu vermuten.

PlainCopy
1Cel-shaded 2D anime, vertical composition. An original teenage runner bursts through a
2paper banner in slow-motion, then the frame snaps back to full speed as she accelerates
3down a stadium straight. Speed lines, flat colour, hard shadows, bold graphic sky.
4Camera: low-angle follow shot, then a whip up to her face. Audio: banner tear, crowd
5surge, one breath held then released.

Wenn du die Prompt-Grammatik dahinter verstehen willst: Der MiniMax-H3-Prompt-Guide geht detaillierter darauf ein, wie H3 Kamera- und Audioanweisungen parst, als ich es hier kann.

Was ein 60-Sekunden-Anime-Opening bei MiniMax H3 vs. Veo 3.1 kostet

Ein Standard-Anime-Opening dauert etwa 90 Sekunden. Nennen wir es acht Einstellungen à 8 Sekunden: 64 Sekunden fertiges Video, plus ein Keyframe pro Einstellung für je $0,009.

Es gibt eine echte Preisabweichung, über die du Bescheid wissen solltest, statt dass ich sie schönrede. Der Atlas-Cloud-Katalog listet MiniMax H3 mit pauschal $0,10 pro Sekunde, während die Model-Readme es als $0,14/s bei 2K und $0,10/s bei 768P aufschlüsselt. Veo 3.1 ist mit $0,20 pro Sekunde gelistet, während die Readme zwischen $0,40/s mit Audio und $0,20/s ohne unterscheidet.

Die Run-Buttons in meinen Screenshots klären das. H3 Reference-to-Video, 8 Sekunden bei 2K, zeigte Run $1.12 an – exakt $0,14 pro Sekunde. Veo 3.1 Image-to-Video, 8 Sekunden bei 1080p mit Audio, zeigte Run $3.2 an – exakt $0,40 pro Sekunde. Die Readme-Sätze sind es also, die abgerechnet werden, und der Katalogpreis ist die Einstiegstufe. Ich zeige unten trotzdem beide Angaben. Das sind Listenpreise Stand August 2026.

Tabelle 4: Acht Einstellungen à 8 Sekunden, inklusive Keyframes

Preise von den Atlas-Cloud-Modellseiten aus Tabelle 1, August 2026. Keines dieser vier Modelle ist gerade rabattiert.

Zwei Dinge enthält die Tabelle nicht, und beide treffen härter als der Sekundenpreis.

Retries. Niemand bringt den ersten Take einer Anime-Einstellung in den Versand. Welchen Multiplikator du auch annimmst: Wende ihn auf beide Spalten an, und die Lücke vergrößert sich im selben Verhältnis.

Gemessene Zeit – und die geht in die andere Richtung. Ende-zu-Ende gemessen am 7. August 2026: H3 bei 2K und 8 Sekunden brauchte 447 Sekunden, etwa 7,5 Minuten. H3 Text-to-Video bei 2K und 12 Sekunden brauchte 334 Sekunden. Veo 3.1 bei 1080p und 8 Sekunden mit Audio brauchte 152 Sekunden – unter drei Minuten. Veo ist hier ungefähr dreimal schneller zum ersten Take, und wenn du um 2 Uhr nachts an einer Einstellung iterierst, ist das echtes Geld wert. Warteschlangen bewegen sich, also behandle diese Zahlen als Momentaufnahme eines Nachmittags, nicht als Spezifikation. Aber wer für H3 bei 2K mit „2 bis 3 Minuten“ zitiert, zitiert eine Readme, keine Warteschlange. Der 2K-gegenüber-768P-Vergleich behandelt, wann die höhere Stufe die zusätzlichen Minuten wert ist.

Anime-Stil, Hommage und was du tatsächlich veröffentlichen kannst

Alles in diesem Artikel ist Stil und Hommage. Eine originäre Figur, ein originäres Trikot, ein originärer Titel. Es wurde keine offizielle Anime-Figur generiert oder angefragt, und kein echter Fußballername und kein Abbild eines echten Fußballers wurde verwendet. Der WM-Trend wird als Format referenziert, denn genau dafür ist er nützlich.

Diese Unterscheidung ist keine Dekoration. Wenn du kommerziell Anime-inspirierte Inhalte produzierst, sind „im Stil der 90er-OVA“ und „diese bestimmte Figur aus dieser bestimmten Serie“ verschiedene rechtliche Objekte – und nur eines davon ist ein Geschäftsmodell.

Zu den offenen Gewichten: H3 ist wirklich herunterladbar, und Leute haben es am ersten Tag ausgeführt. Ein Kommentator berichtete von 10 Minuten für einen 10-Sekunden-Clip in 480p auf einer 4070 Ti Super mit 16 GB, andere posteten 3 Minuten auf einer 5080 und 68 Sekunden auf einer RTX 6000 Pro. Aber Self-Hosting läuft an der kurzen Kante von 768; die Context-IR- und Regenerate-2K-Stufen, die 2K erzeugen, bleiben auf der API-Seite.

Die Lizenz hat einen echten Haken. Die Community-Lizenz deckt derzeit die EU, Großbritannien, Südkorea und die USA nicht ab, mit Verweis auf Regionen, die „derzeit KI-bezogene Regulierungen entwickeln oder durchsetzen“. Ein formeller Kanal für Lizenzanfragen ist geöffnet, den ein HN-Kommentator so zusammenfasste: „Man muss nur auf Ehrenwort versprechen, Disney nicht zu verärgern, dann schicken sie dir eine Lizenz.“ Witzig – und genau der Compliance-Schritt, den du nicht überspringen kannst, wenn du in einem dieser vier Gebiete sitzt. Der Open-Weights-Artikel enthält die vollständige Gebietsliste.

Häufig gestellte Fragen

Ist MiniMax H3 im Vergleich zu Veo 3.1 ein guter Anime-Video-Generator?

Für die meisten Anime-Arbeiten: H3 – und zwar hauptsächlich aus Gründen, die nichts mit Rendering zu tun haben. Es läuft 4 bis 15 Sekunden gegenüber Veos 4, 6 oder 8, es bietet sechs Seitenverhältnisse inklusive 4:3 und 21:9 gegenüber Veos zwei, es listet Japanisch unter 11 nativ stabilen Dialogsprachen und es nimmt neun Referenzbilder gegenüber Veos drei. Veo 3.1 gewinnt in einer spezifischen Situation: wenn du seed für reproduzierbare Wiederholungen brauchst oder negative_prompt, um eine Einstellung davon abzuhalten, in 3D-Render-Shading abzudriften. H3 hat keinen der beiden Parameter. Wenn deine Pipeline auf einem davon beruht, ist das ein echtes Argument, zu bleiben.

Kann Veo 3.1 Anime in 4:3 oder als 15-Sekunden-Clip generieren?

Nein, und nicht aus stilistischen Gründen. Veo 3.1s aspect_ratio-Enum enthält genau 16:9 und 9:16, und sein duration-Enum enthält genau 4, 6 und 8. Es gibt keinen 4:3-Wert, den man auswählen könnte, und keine Möglichkeit, 12 oder 15 Sekunden anzufragen. Wenn deine Referenz ein TV-Anime oder eine OVA der 90er ist, ist das Bildformat auf Veo unerreichbar und auf H3 verfügbar.

Warum kam mein Veo-3.1-Anime-Clip stumm zurück?

Weil generate_audio in der API standardmäßig auf false steht. Der Schalter im Playground ist normalerweise schon aktiv, daher trifft es nur Leute, die die API direkt aufrufen. Setze generate_audio: true explizit. Während du dabei bist, setze auch resolution, denn der Standard ist 720p statt der 1080p oder 4k, die du vermutlich gemeint hast.

Kann MiniMax H3 japanische Dialoge und Lippen-Sync für Anime?

Ja. Die Modellkarte listet 11 Sprachen mit stabiler Dialogunterstützung: Arabisch, Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Audio wird gemeinsam mit dem Bild in Stereo mit 32 kHz erzeugt, statt nachträglich synchronisiert zu werden – deshalb hält das Mund-Timing über eine ganze Zeile hinweg statt nur über die ersten Silben. Schreibe die japanische Zeile direkt auf Japanisch in den Prompt.

Wie viele Referenzbilder kann ich verwenden, um eine Anime-Figur konsistent zu halten?

MiniMax H3 akzeptiert bis zu 9 Bilder, bis zu 3 Videoclips und bis zu 3 Audioclips, mit einer harten Obergrenze von 12 Dateien über alle Typen. Der Reference-to-Video-Endpoint von Veo 3.1 akzeptiert 1 bis 3 Bilder, und wenn du ihn auswählst, fällt duration auf 8 als einzigen zulässigen Wert zurück. Für eine wiederkehrende Anime-Figur über eine Serie hinweg ist dieser Unterschied der entscheidende Punkt.

MiniMax H3 hat offene Gewichte – kann ich meine Anime-Pipeline also lokal und kostenlos ausführen?

Du kannst es herunterladen und ausführen – mit drei Einschränkungen. Selbst gehostete Inferenz läuft an der kurzen Kante von 768, und die Context-IR- und Regenerate-2K-Stufen, die 2K-Ausgabe erzeugen, bleiben auf der API-Seite. Die realen lokalen Geschwindigkeiten variieren stark je nach Grafikkarte: grob 10 Minuten für einen 10-Sekunden-Clip in 480p auf einer 4070 Ti Super, etwa 3 Minuten auf einer 5080, etwa 68 Sekunden auf einer RTX 6000 Pro – laut dem ComfyUI-Thread vom ersten Tag. Und die Community-Lizenz deckt derzeit die EU, Großbritannien, Südkorea oder die USA nicht ab. Wenn du also in einem dieser Gebiete sitzt, brauchst du vor kommerzieller Nutzung die formelle Lizenz.