Höhere Auflösung bedeutete bisher immer eine höhere Rechnung. MiniMax H3 bricht diese Regel still und leise. Es rendert direkt in nativer 2K-Auflösung, und der Preis pro Sekunde liegt unter dem, was ein 720p-Clip auf dem Videomodell kostet, das die meisten zuerst nutzen.
Das ist die Schlagzeile, aber die Auflösung und der Preis sind nur die Hälfte dessen, was MiniMax H3 interessant macht. Die andere Hälfte ist die Funktionsweise: Ein einziges Modell, das Text, Bild, Video und Audio gemeinsam liest und in einem Durchgang einen fertigen Clip mit Bild und Ton ausgibt. Im Folgenden finden Sie, was es kann, was es kostet und die genauen Prompts, die jeden Clip in diesem Artikel erzeugt haben.
Wichtige Erkenntnisse
- MiniMax H3 rendert natives 2K (2560 x 1440) mit einem synchronisierten Stereo-Soundtrack, der im selben Durchgang erzeugt wird, nicht nachträglich hinzugefügt.
- Bestätigte Preise auf der Modellseite (Juli 2026): 2K für 0,14 $ pro Sekunde, 768p für 0,10 $ pro Sekunde. Zum Vergleich: Seedance 2.0 kostet etwa 0,24 $ pro Sekunde bei 720p, H3 liefert also ein Bild mit höherer Auflösung zu einem niedrigeren Einzelpreis.
- Drei Einstiegspunkte (Text, Bild und Referenz zu Video) teilen sich einen API-Schlüssel. Referenz-zu-Video akzeptiert bis zu neun gemischte Bilder, Clips und eine Audiospur als Identitätsanker.
MiniMax H3 läuft in einem Durchgang statt mit drei Tools
Einen fertigen Clip zu erstellen bedeutet normalerweise, die Arbeit aufzuteilen. Man erzeugt ein Bild in einem Modell, wechselt zu einem zweiten Modell für Audio und öffnet dann einen Editor, um beides zu synchronisieren. Bei jeder Übergabe geht ein Teil der ursprünglichen Absicht verloren, und der Zeitaufwand summiert sich schnell.
MiniMax H3 macht das überflüssig. Es liest die gesamte Beschreibung als einen Kontext: Wie der Charakter aussieht, wie die Bewegung abläuft, wie die Kamera sich bewegt, der emotionale Schlüssel und wie der Klang sich anfühlen soll – alles geht zusammen hinein und kommt als ein Clip zurück. MiniMax beschreibt die Richtung als einen Schritt weg von aufgaben spezialisierten Modellen hin zu allgemeiner multimodaler Intelligenz, und in der Praxis bedeutet das, dass weniger Tools gleichzeitig geöffnet sein müssen.
Zwei Dinge sollten klar ausgesprochen werden, da beide im Output leicht zu überprüfen sind. Erstens: Die Clips enthalten echten Ton; die unten gezeigten Beispieldateien kommen mit einer integrierten Stereo-Audiospur, die nicht nachträglich hinzugefügt wurde. Zweitens: Die Auflösung ist wirklich 2K, 2560 x 1440 bei 24 Bildern pro Sekunde, kein Hochskalieren.
Drei Wege, MiniMax H3 auf Atlas Cloud auszuführen
MiniMax H3 ist auf Atlas Cloud mit drei Einstiegspunkten verfügbar, die alle denselben API-Schlüssel verwenden. Jeder hat einen Playground, den Sie im Browser ausprobieren können, bevor Sie eine Zeile Code schreiben.
| Einstiegspunkt | Gesteuert durch | Eingaben | Am besten geeignet für |
|---|---|---|---|
| Text-zu-Video | Nur einen Text-Prompt | Kein Referenzmaterial | Eine Szene von Grund auf erstellen |
| Bild-zu-Video | Ein erstes Bild, plus optional ein letztes Bild | Ein oder zwei Standbilder | Einen vorhandenen Frame animieren |
| Referenz-zu-Video | Einen Text-Prompt plus Referenzmaterial | Bis zu 9 gemischte Bilder, Videoclips und eine Audiospur | Einen Charakter, ein Produkt oder einen Stil über den Clip konsistent halten |
Der Pfad Referenz-zu-Video ist der flexible. Er behandelt Ihre Referenzen als Identitätsanker, sodass ein Charakter, ein Produkt oder ein Look konsistent bleibt, während der Prompt ihn in neue Szenen und Bewegungen versetzt. Sie können Bilder und Videoclips mischen und eine Audiospur hinzufügen, um die Aktion mit einem Takt zu synchronisieren. Mindestens ein Bild oder Video ist erforderlich; Audio allein ist nicht zulässig.
Da alle Modelle auf der Plattform eine gemeinsame Aufrufkonvention teilen, besteht der Wechsel zu H3 von einem anderen Videomodell darin, das Feld model auszutauschen. Authentifizierung, Polling und Ergebnisabruf bleiben identisch – das ist der stille Vorteil, wenn man Video-, Bild-, Audio- und Sprachmodelle hinter einem Schlüssel und einer Rechnung betreibt.
Was MiniMax H3 kostet: 2K, 768p und der Vergleich mit Seedance
MiniMax H3 wird pro Sekunde des generierten Videos nach Auflösung abgerechnet. Diese Zahlen stammen direkt von der Modellseite, überprüft am 31. Juli 2026.
| Auflösung | Kosten pro Sekunde | Ein 8-Sekunden-Clip |
|---|---|---|
| 2K (2560 x 1440) | 0,14 $ | 1,12 $ |
| 768p | 0,10 $ | 0,80 $ |
Hier ist der Teil, der auf den ersten Blick rückwärts erscheint. Eine native 2K-Sekunde von H3 kostet 0,14 $. Zum Vergleich: Seedance 2.0, das andere Flaggschiff-Videomodell der Plattform, kostet etwa 0,24 $ pro Sekunde bei 720p. H3 liefert Ihnen also ein Bild mit höherer Auflösung zu einem niedrigeren Preis pro Sekunde als ein Clip mit niedrigerer Auflösung auf Seedance. Auflösung rauf, Stückpreis runter – gleichzeitig.
Eine ehrliche Anmerkung zur Zahl, damit niemand falsch kalkuliert. Hinter dem Preis von H3 steckt keine Aktion. Der derzeit auf der Plattform laufende Rabatt von 20% gilt für das Seedream 5.0 Pro Bildmodell, nicht für H3. 0,14 $ pro Sekunde bei 2K ist also der reguläre Preis Stand Ende Juli 2026. Die 768p-Stufe ist mit 0,10 $ pro Sekunde gelistet; 2K ist die derzeit aktive und aufrufbare Stufe.
Das MiniMax H3 Prompt-Buch: Vorlagen zum Kopieren
Jeder Clip unten wurde mit dem daneben abgedruckten Prompt erzeugt. Kopieren Sie einen, tauschen Sie Ihre eigenen Referenzen aus und führen Sie ihn aus. Jeder Block zeigt auch die verwendeten Referenzbilder in der Reihenfolge, die der Prompt vorgibt (Bild 1, Bild 2 usw.).
Markenfilme und Film/Fernsehen
Trailer, TVC-Spots und Marken-Texturfilme sind die direkteste Anwendung, da sie mit dem geringsten Nachbearbeitungsaufwand in eine bestehende Content-Pipeline passen.
Referenzeingaben, Bild 1 für Stimmung und Stil, Bild 2 für den Hauptcharakter:
Referenzbild 1, Gesamtstimmung und Stil
Referenzbild 2, der Hauptcharakter
Plain1Realistischer Kinolook, kontrastreiches Licht und Schatten, straffe Schnittfolge. Bild 1 ist die Referenz für Gesamtstimmung und Stil. Bild 2 ist die Referenz für den Hauptcharakter. Einstellung 1, extreme Totale. Ein riesiges, kreisförmiges kosmisches Tor füllt fast das gesamte Bild; die Figur ist nur eine kleine Silhouette davor, tief stehend und leicht rechts von der Mitte. Der Boden ist nass und reflektierend; die Mitte des Tors ist tiefschwarz. Die Kamera fährt langsam heran. Ein Haupttitel blendet vom Rand der Dunkelheit ein, zunächst unscharf, dann scharf: "THE STARS WERE LISTENING", extrem schmal, schwer, in Großbuchstaben, dunkelrot gemischt mit rostrot, mit leichter Körnung und verschwommenen Rändern. Audio: tieffrequenter Puls, entferntes metallisches Klirren, ein sanfter Schlag, wenn der Text erscheint. Harter Schnitt.
Visuelle Kreation und Content-Verpackung
Kreative Kurzfilme, Titelsequenzen, stimmungsvolle Musikvideos und Motion Poster. Hier zeigt sich am meisten, wie das Modell mit Bildschirmtext und Rhythmus umgeht.
Kriminal-Titelsequenz mit leichter Spannung. Fünf Stilreferenzen geben den Retro-Anime-, Comic-Collage-Look vor; das Modell hält alle englischen Credits lesbar und setzt die Übergänge auf die Drum-Hits.
Stilreferenz
Stilreferenz
Plain1Erstelle eine 15-sekündige 16:9 Querformat-Eröffnungstitelsequenz für einen Kriminalfilm mit leichter Spannung. Der Gesamtstil folgt der Bildsprache dieser Bilder: Retro-Japanisch-Anime-Titelsequenzen, harte Silhouetten, Comic-Collage, asymmetrische geteilte Bildschirme, starke geometrische Farbblöcke, englische Credits, ein paar japanische Katakana-Dekorationen, Jazz-Kriminal- Attitüde. Die Stimmung ist zu 60% Spannung, zu 40% Jazz: mysteriös, cool, flink, mit urbanem Kriminalgefühl, kein Horror, nicht schwer. Die Bewegung liest sich wie Motion-Graphic-Collage: Linienrahmen erscheinen zuerst auf Schwarz, geteilte Bildschirmgrenzen wischen schnell weg, Farbblöcke und Panels werden Block für Block eingefügt; Charakter-Silhouetten, Nahaufnahmen von Requisiten und englische Credits gleiten herein, erscheinen und werden nacheinander auf die Drum-Schläge maskiert. Englische Credits müssen klar lesbar sein und dürfen animiert sein. Füge kein Chinesisch hinzu, keine verstümmelten Zeichen, kein falsch geschriebenes Englisch. Jeder englische Credit und jede Rolle erscheint genau einmal. Halte die Übergänge abwechslungsreich: kreisförmige Vinyl-Maske, vertikaler Autotür-Schnitt, ein langer menschlicher Schatten, der über den Bildschirm fegt, roter Linien-Schnitt, riesige englische Buchstabenmaske, Neuzusammensetzung des geteilten Bildschirms, harter Farbblock-Schnitt. Alle Übergänge landen auf den Drum-Schlägen. Keine weichen Überblendungen. BGM: originale 15-sekündige Titelmusik, 60% Spannung, 40% Jazz, aufgebaut aus einem anhaltenden Basston, angespannten Pizzicato-Streichern, kalten Synth-Pulsen, Kick-Drum, spärlichen Jazz-Besen und kurzen Saxophon-Phrasen. Die ersten 2 Sekunden etablieren Spannung mit tiefen Frequenzen und Hi-Hat; bei 3 Sekunden setzt ein tiefer Drum-Beat ein; bei 6 Sekunden kommt ein Jazz-Bass-Groove hinzu; bei 10 Sekunden erscheint ein kurzes Saxophon-Riff; die letzten 2 Sekunden fixieren das Bild mit einem angespannten Akkord plus einem Drum-Schlag. Ahme keine existierende Melodie nach.
Live-Action-Küche verschmolzen mit handgezeichneter Animation. Kein Referenzmaterial, nur Text-zu-Video. Der Prompt setzt auf eine unvollkommene Handy-Kamera-Textur, um es nicht wie einen Werbespot aussehen zu lassen.
Plain115 Sekunden, 16:9 Querformat. Live-Action-Aufnahmen einer kleinen Küche in der Dämmerung, verschmolzen mit handgezeichneter, leuchtender Animation. Das Abendlicht liegt noch am Fenster; die bewohnte kleine Küche hat einen alten Holztisch, eine halbgewaschene Tasse, eine leicht beschlagene Glasflasche und einen hängenden Geschirrtuch. Das Bild trägt das feine Zittern einer einhändigen Smartphone-Aufnahme, Zögern beim Fokussieren aus der Nähe, Belichtungsschwankungen durch Gegenlicht und leicht grobes Rauschen in den Schatten. Mach es nicht sauber komponiert wie einen Werbespot, es soll sich anfühlen, als ob jemand hastig etwas Unmögliches zu Hause filmt. Keine riesigen Augen, keine gespaltenen Münder, keine Fangzähne, keine bedrohlichen oder angriffslustigen Bewegungen, kein plötzlicher Schwarzschnitt, keine Jump Scares. Sound verwendet nur den Küchen-Raumton, die Reibung des Geschirrtuchs, das leichte Klirren der Tasse, tropfendes Wasser aus dem Hahn, die Schritte des Filmenden und leises Atmen, plus den sanften elektronischen Ton und die kleinen Rufe der handgezeichneten Kreatur.
Dark-Pop-, Cyber-Grunge-Musikvideo. Zwei Referenzen geben die Schriftbehandlung und die Drucktextur vor; der Schnitt bleibt hart, keine Überblendungen.
Schriftbehandlungs-Referenz
Schriftbehandlungs-Referenz
Plain1Stil: Dark-Pop / Cyber-Grunge / Rap-Musikvideo, realistische High-Fashion-Textur, Filmmagazin-Textur, hoher Kontrast aber nicht billig. Gesamtreferenz: Indie-Magazine der späten 90er bis frühen 2000er, Kopierpapier, Filmscans, Underground-Musikplakate und Zine-Collage-Ästhetik. Das Bild hat grobe Körnung, leichtes Filmzittern, Halbtonpunkte, Druckgrate und Scan-Versatz. Schneller Schnittrhythmus, nur harte Schnitte, keine Überblendungen und keine weichen Übergänge. Schriftbehandlungsstil und -textur folgen den Referenzbildern.
Motion Poster. Eine Referenz, das ursprüngliche statische Plakat. Der Prompt hält Layout und Farbpalette fix und animiert nur den Schrifteinzug.
Das ursprüngliche statische Plakat
Plain1Erstelle ein Motion-Poster-Video. Behalte den weißen Galerierahmen des Originalbildes, den Innenrahmen, die rot-weiß-schwarze Farbpalette, das 3D-Figürchen-Gefühl und die Layout-Struktur unverändert bei; wenn die Schrift hereinkommt, füge einen flinken Texteinzugs-Soundeffekt hinzu.
Digitale Erlebnisse und Game-Kreativ
Spiel-UI, Produktschnittstellen und Interaktions-Demos. Das Herausragende hier ist, dass H3 einem Prompt folgt, der als zeitliche Blöcke geschrieben ist.
Spielausrüstungs-UI-Walkthrough, prompt pro Sekunde. Dies ist der, den es sich genau anzusehen lohnt. Der Prompt ist als zeitliche Segmente geschrieben, und das Modell folgt ihnen: Menüzustände, Cursor-Klicks, Panel-Einblendungen, ein Bewaffnungsraster, ein Ladebalken von 0% auf 100%, dann die vollständige Umgebung, die sich um den Charakter herum lädt.
Referenzbild 1, der Charakter
Referenzbild 2, der UI-Stil
Plain1Charakter-Referenz ist Bild 1, UI-Stil-Referenz ist Bild 2. 2 3[0s-2s] Hochwinkel-Aufsicht. Der Charakter sitzt auf einem hochgesättigten, hellvioletten Boden, in Anlehnung an Bild 1, und schaut in die Kamera. Ein Spielmenü-UI wird rechts angezeigt: START NEW GAME, CONTINUE (hervorgehoben), SETTINGS, EXIT GAME. Das Spielerprofil MINIMAX wird oben links angezeigt. Der Cursor klickt auf "CONTINUE". 4 5[2s-4s] Sanfter Zoom auf ihren rechten Arm. Ein UI-Panel schiebt sich von rechts herein, und das Panel "RIGHT ARM EQUIPMENT" erscheint. Die Auswahl hebt "PHANTOM GRIP" hervor, wechselt dann zu "CHRONOS CLAW". Ihre rechte Hand konfiguriert sich mechanisch neu, Finger spreizen sich auseinander, neue klauenartige Knöchel rasten ein, cyanfarbene LEDs leuchten heller auf. 6 7[4s-7s] Die Kamera schwenkt sanft im Bogen zu ihrer linken Seite. Ein neues UI schiebt sich herein, das Raster "ARMAMENT CUSTOMIZATION", das Hand-, Unterarm-, Ellenbogen- und Oberarmkomponenten zeigt. Die Auswahl durchläuft schnell die Teile. Ihr linker Arm zerlegt sich Segment für Segment, wobei während des Wechsels freiliegende Kabel und Kolben sichtbar sind. 8 9[7s-8.5s] Die Kamera fährt zurück zu einer Halbtotale. Die Schaltfläche CONFIRM CONFIG blinkt. Klick. Alle UI-Panels ziehen sich zusammen und verschwinden. Der Charakter entfaltet ihre Beine und sitzt nun entspannt mit einem hochgezogenen Knie. 10 11[8.5s-10s] Ein Ladebalken erscheint unten und füllt sich schnell von 0% auf 100%. Die helle violette Umgebung beginnt sich zu verdunkeln, Schatten kriechen von den Rändern herein, warmes goldenes Licht dringt ein. 12 13[10s-15s] Als sie aufsteht, lädt sich die vollständige Umgebung um sie herum. Ein dichtes Cyberpunk-Slumviertel wird sichtbar: flackernde Neonlichter, nasse Straßen, die Licht reflektieren, Menschenmengen in Bewegung, Motorräder, die sich durchschlängeln, gestapelte Gebäude, die sich bis zu fernen Wolkenkratzern erstrecken. Die Kamera beruhigt sich auf eine Third-Person-Perspektive hinter ihr. HUD-Elemente blenden ein, mit einer Minikarte oben rechts und einem Gesundheits- plus Munitionszähler unten links. Ein Quest-Marker erscheint. Sie tritt auf die Straße.
Produkt-Landingpage-UI/UX-Demo. Ein Produktfoto als Referenz; der Prompt verlangt nach einer scrollenden, dynamischen Landingpage.
Die Produktfoto-Referenz
Plain1Eine Webseite, Webseite-UI-Design, Webseiten-Bewegung, das Video zeigt einen sanften Bildlauf nach unten. Eine explosive, dynamische Produkt-Landingpage-UI/UX-Demo im Nike-Offizielle-Website-Stil, deren Kernthema das Produkt aus Bild 1 ist. Die Seite verwendet grobe, kraftvolle, schräge, übergroße serifenlose Schrift für ein lautes Layout. Im Hintergrund schnell bewegte Licht- und Schatteneffekte, dunkle Carbonfaser- oder sportliche Atmungsnetzstruktur, die sich verweben und verschieben. Das Video zeigt einen straff getakteten Bildlauf nach unten, plus UI-Interaktionen wie starke visuelle Vergrößerung und Farbinversion beim Darüberfahren mit der Maus.
Web-UI-Bewegung, minimaler Prompt. Beweis, dass der zeitlich detaillierte Stil optional ist; eine kurze Anweisung funktioniert auch.
Referenzbild
Plain1Simuliere ein Website-UI-Design: zuerst gleitet die Überschrift oben in den sichtbaren Bereich, dann wischt die Textleiste darunter nach oben, und die Lichter des Autos wechseln von dunkel zu rot.
Wie man mit MiniMax H3 startet
Es gibt zwei Wege, und keiner dauert lange.
Im Playground ausführen. Melden Sie sich bei Atlas Cloud an und öffnen Sie MiniMax H3 direkt auf der Modellseite. Geben Sie einen Prompt ein, wählen Sie eine Auflösung und Dauer, und generieren Sie – kein Code erforderlich. Das ist der schnellste Weg, um zu sehen, ob das Modell zu Ihrer Aufnahme passt, bevor Sie es in etwas einbinden.
Oder rufen Sie die API in drei Schritten auf.
- Holen Sie sich Ihren API-Schlüssel. Öffnen Sie die Atlas Cloud-Konsole und erstellen Sie einen Schlüssel auf der Seite „API Keys“. Alle drei H3-Einstiegspunkte teilen sich denselben Schlüssel.
- Lesen Sie die Felder auf der Modellseite. Parameterreferenz und Code zum Kopieren und Einfügen befinden sich auf jedem Einstiegspunkt: Text-zu-Video, Bild-zu-Video und Referenz-zu-Video. Die drei nehmen unterschiedliche Eingaben entgegen, mischen Sie also nicht ihre Request-Bodies.
- Senden Sie die erste Anfrage. Ein Endpunkt und eine Aufrufkonvention erreichen jedes Modell auf der Plattform. Der Wechsel von einem anderen Videomodell zu H3 bedeutet, das Feld model auf den passenden H3-Einstiegspunkt zu ändern. Authentifizierung, Polling und Ergebnisabruf bleiben gleich.
Über H3 hinaus erreicht derselbe Schlüssel Video-, Bild-, Audio- und Sprachmodelle, die Sie kombinieren können – eine API und eine Rechnung. So bedeutet das Erstellen eines fertigen Werks nicht, dass Sie Assets und Rechnungen zwischen verschiedenen Anbietern hin- und herschieben müssen.
Häufig gestellte Fragen
Was ist MiniMax H3?
MiniMax H3 ist das multimodale Videogenerierungsmodell von MiniMax, verfügbar auf Atlas Cloud über drei Einstiegspunkte: Text-zu-Video, Bild-zu-Video und Referenz-zu-Video. Es liest Text, Bild, Video und Audio als einen Kontext und gibt in einem Durchgang einen fertigen 2K-Clip mit synchronisiertem Ton aus.
Wie viel kostet MiniMax H3?
MiniMax H3 wird pro Sekunde Video abgerechnet. Überprüft auf der Modellseite im Juli 2026: natives 2K (2560 x 1440) kostet 0,14 $ pro Sekunde und 768p kostet 0,10 $ pro Sekunde. Ein 8-Sekunden-2K-Clip kostet daher 1,12 $. Zu diesem Zeitpunkt gibt es keinen Aktionsrabatt auf H3.
Erzeugt MiniMax H3 Audio oder nur Video?
Beides, zusammen. Die Beispieleclips kommen aus MiniMax H3 mit einer synchronisierten Stereo-Audiospur, die im selben Durchgang wie das Bild erzeugt wird, nicht in einem separaten Schritt. Prompts können den Ton steuern, indem sie Musik, Soundeffekte und Timing zusammen mit den visuellen Elementen beschreiben.
Was ist der Unterschied zwischen den drei MiniMax H3-Einstiegspunkten?
Text-zu-Video arbeitet nur mit einem Prompt. Bild-zu-Video animiert ein erstes Bild, mit einem optionalen letzten Bild. Referenz-zu-Video hält ein Motiv konsistent, indem es bis zu neun gemischte Referenzmaterialien, Bilder, Videoclips und eine Audiospur verwendet. Alle drei teilen sich einen API-Schlüssel und eine Aufrufkonvention.
Welche Auflösung und Clip-Länge unterstützt MiniMax H3?
MiniMax H3 rendert natives 2K bei 2560 x 1440 und 24 Bildern pro Sekunde, mit einer günstigeren 768p-Stufe auf der Preisliste. Clips laufen zwischen etwa 5 und 15 Sekunden, und die Seitenverhältnisse umfassen adaptiv, 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16.
