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

Den ganzen Sommer über habe ich in meinem Feed immer dasselbe Video in einer Schleife gesehen. WM-Spieler, die als Shonen-Protagonisten neu gezeichnet wurden. 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 aktualisiert.

Niemand, der diese Videos erstellt, schreibt Benchmark-Beiträge. Sie wählen ein Modell aus, verbrennen Credits und liefern vor dem nächsten Anpfiff aus.

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

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

Wichtige Erkenntnisse

• Veo 3.1s duration-Enum ist [4, 6, 8] und sein aspect_ratio-Enum ist [16:9, 9:16]. MiniMax H3 läuft mit jeder ganzen 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, dass es überhaupt keine Retro-OVA-Rahmung gibt.
• H3s Modellkarte listet 11 nativ stabile Dialogsprachen auf, und Japanisch ist eine davon. Audio und Bild werden zusammen mit 32 kHz Stereo erzeugt, nicht nachträglich synchronisiert.
• Referenzpakete sind nicht vergleichbar: H3 nimmt bis zu 9 Bilder plus bis zu 3 Videos und 3 Audioclips (maximal 12 Dateien). Veo 3.1s Referenz-Endpunkt nimmt 3 Bilder, und sobald du ihn verwendest, fällt duration auf nur [8].
• Zwei Fallen, die Tests leise ruinieren: Veos API setzt standardmäßig generate_audio auf false und resolution auf 720p, und H3s Text-zu-Video ratio standardmäßig auf 1:1. Wenn du diese Einstellungen ignorierst, vergleichst du einen stummen 720p-Clip mit einem quadratischen.
• Veo 3.1 behält zwei Dinge, die H3 überhaupt nicht hat: seed und negative_prompt. Für 2D-Anime ist das zweite wirklich wichtig, und ich werde zeigen, wo.

---

MiniMax H3 Anime-Videogenerator vs Veo 3.1, Derselbe Frame direkt verglichen

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

MiniMax H3, Bild-zu-Video, 2K, 8 Sekunden, natives Audio. Schalte den Ton ein: das Publikumsrauschen, der Ballschlag 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, Bild-zu-Video, 1080p, 8 Sekunden, generate_audio von Hand eingeschaltet, plus ein negative_prompt, der die Strichzeichnung flach hält. Derselbe erste Frame, dieselben Wörter. Generiert mit google/veo3.1/image-to-video auf Atlas Cloud.

Beide zeichnen wunderschön. Veos Weitwinkelaufnahme des Schlags, mit handgezeichneten Impact-Linien und einem Manga-Soundeffekt, der in der Luft schwebt, ist wirklich schön. Das ist der ehrliche Ausgangspunkt, und deshalb geht es im Rest dieses Artikels um Parameter und Befehlsbefolgung statt um Stimmungen.

Warum die meisten MiniMax H3 Anime-Videogenerator-Tests vs Veo 3.1 schiefgehen

Diesen Sommer sind zwei Dinge gleichzeitig passiert.

Anime wurde zum Format mit dem höchsten Volumen in der KI-Videoproduktion. Die WM 2026 wurde als Shonen-Turnier neu geschrieben, mit Spielern, die als Diktator, Piratenkapitän, Marinegeneral und Mentor besetzt wurden, 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, mit Leuten, die innerhalb von Stunden echte lokale Zahlen posteten (Hacker News, August 2026).

Wenn man das zusammennimmt, würde man einen Haufen Anime-Vergleiche erwarten. Es gibt fast keine, weil die meisten Tests auf eine von vier Arten falsch aufgebaut werden.

Sie vergleichen Bilder, nicht Einschränkungen. Anime-Shots sind Timing. Ein Schwenk in eine Titelcard ist ein Dauerproblem, bevor es ein Rendering-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 mit "Veo hat kein Audio in Anime" stammen einfach von jemandem, der nie einen Boolean umgelegt hat.

Sie vergessen, dass H3s Text-zu-Video standardmäßig quadratisch ist. ratio standardmäßig auf 1:1, nicht 16:9. Wenn du einen t2v-Anime-Prompt ausführst, ohne ihn zu setzen, erhältst du einen quadratischen Clip und eine verwirrte Schlussfolgerung.

Sie testen mit fotorealistischen Prompts. "Cinematic, volumetric light, shallow depth of field" ist genau das Vokabular, das ein 2D-Modell in Richtung 3D-Render-Schattierung zieht. Die Fehlerart bei Anime ist nicht Unschärfe. Es ist Plastik.

Die drei Einstellungen, die einen Anime-Test entscheiden, bevor du auf „Ausführen" drückst

Bevor du etwas anderes tust, setze diese auf beiden Seiten, sonst ist der Vergleich ungültig.

Möchtest du MiniMax H3 und Veo 3.1 selbst mit demselben Anime-Prompt testen? Atlas Cloud's Modellvergleich führt sie nebeneinander in einem Durchlauf aus – gleicher Prompt und Einstellungen, Kosten werden vor der Generierung angezeigt.

MiniMax H3 und Veo 3.1 mit demselben Anime-Prompt in Atlas Cloud's Modellvergleich – gleiche Einstellungen, Preis vor der Generierung angezeigt. Live auf dem Model-Explorer aufgenommen.

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

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

Tabelle 1: MiniMax H3 vs Veo 3.1, die Parameter, die einen Anime-Shot entscheiden

Dauer, Seitenverhältnis, Auflösung, Audio und Referenzlimits stammen aus den Live-Schemata auf den Seiten MiniMax H3 Bild-zu-Video, H3 Text-zu-Video, H3 Referenz-zu-Video, Veo 3.1 Bild-zu-Video und Veo 3.1 Referenz-zu-Video. Die 9-Bilder- und 12-Dateien-Referenzobergrenze und die 11-sprachige Dialogliste stammen aus der MiniMax H3 Modellkarte (Hugging Face, August 2026).

Jetzt die Ranglisten, denn sie sagen etwas anderes aus als das Datenblatt, und beide sind wichtig.

Tabelle 2: Crowd-Vote Elo und Listenpreis pro Minute, Schnappschuss vom 7. August 2026

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

Ein Elo-Unterschied von 145 Punkten ist groß, aber es ist eine Allzweck-Abstimmung, keine Anime-Abstimmung. Und hier ist der Teil, den ich deutlich sagen muss: MiniMax vermarktet H3 nicht als Anime-Modell. Das interne Feedback 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 ist das Anime-Modell". Es ist, warum das Modell, das sich nicht als Anime verkauft, den Shot trotzdem gewinnt, und wo Google immer noch die Runde für sich entscheidet.

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

Baue den Shot: MiniMax H3 vs Veo 3.1, Schritt für Schritt

Ein durchgehendes Beispiel, von Anfang bis Ende. "Last Whistle": ein originaler Teenager-Stürmer, rote Haare, weiß-blaues Trikot mit der Nummer 9, Flutlicht, ein Schwenk auf den Schuss und eine japanische Titelcard, die in den letzten zwei Sekunden erscheinen und ruhig stehen muss.

Kein echter Spieler, kein offizieller Charakter, kein bestehendes Anime-IP. Nur Stil und Hommage. Mehr dazu gleich.

Schritt 1: Designe den Anime-Keyframe mit GPT Image 2

Der Keyframe trägt die künstlerische Richtung, damit das Videomodell sie nicht erfinden muss. Beachte den negativen Raum im linken Drittel: er ist beabsichtigt. Die Titelcard wird dort vom Videomodell geschrieben, und das ist der Textstabilitätstest.

PlainCopy
1Ein einzelner Frame aus einem modernen Shonen-Sportanime. Cel-Shading 2D-Animation, handgezeichnete
2Linien mit gleichmäßiger Strichstärke, flache Farbfüllungen, harte grafische Schatten,
3absolut keine 3D-Schattierung und keine fotorealistische Haut. Nahaufnahme eines original Teenager-Stürmers:
4zerzaustes dunkelrotes Haar, weiß-blaues Trikot mit der Nummer 9, Schweiß und Grasstreifen auf einer
5Wange, Augen weit offen mit erschöpfter Entschlossenheit, Mund offen mitten im Schrei. Hinter ihm
6lodern Stadionflutlichter in eine Wand aus verschwommener Zuschauermenge; radiale Geschwindigkeitslinien
7schießen aus der Bildmitte; ein Grashalm hängt in der Luft gefroren. Gesättigte Palette,
8tiefe cyanfarbene Schatten, warmes orangefarbenes Randlicht. 16:9-Komposition, der Charakter rechts
9der Mitte gerahmt, sauberer negativer Raum im linken Drittel. Kein Text irgendwo im Bild.

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 Ausgabefenster

GPT Image 2 auf Atlas Cloud: Qualität auf hoch gesetzt, der fertige Keyframe rechts.

Der Basis-Anime-Keyframe: ein originaler rothaariger Stürmer mitten im Schrei unter Stadionflutlicht, mit Cel-Shading, flachen Farben und Geschwindigkeitslinien

Der Keyframe, den beide Modelle erhalten. Flache Farben, harte Schatten und ein leeres linkes Drittel, das auf eine Titelcard wartet.

Schritt 2: MiniMax H3 Bild-zu-Video, alles maximiert

Gleiches Bild hinein, 2K heraus. 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 auf.

PlainCopy
1Cel-Shading 2D-Anime, handgezeichnete Linien, flache Farbe, keine 3D-Schattierung. Halte das Gesicht des
2Stürmers für einen Schlag lang, dann ein heftiger Schwenk folgt dem Ball, als er schießt,
3der Schwenk verwischt den Frame zu gestreiften Sakuga-Bewegungsspuren. Ein Frame absoluter Stille
4beim Aufprall. In den letzten zwei Sekunden erscheint die fette weiße japanische Titelbeschriftung
5ラストホイッスル im linken Drittel des Bildes und bleibt absolut ruhig, keine Verzerrung,
6kein Flackern, kein Driften. Der Stürmer ruft einen Satz auf Japanisch: 「まだ終わってない！」
7Audio: Stadiondonner schwillt an, ein einzelner scharfer Ballaufprall, ein tiefer Taiko-Schlag unter der
8Titelcard.

Einstellungen: Modell minimax/h3/image-to-video, resolution: 2K, duration: 8, ratio: adaptive (Bild-zu-Video übernimmt die Bildform von deinem Eingabebild), image = die Ausgabe von Schritt 1.

Eine Warnung, falls du stattdessen zu Text-zu-Video wechselst: schreibe ratio: 16:9 explizit. Der Standard ist 1:1 und das Modell gibt dir bereitwillig einen quadratischen Anime-Ausschnitt.

MiniMax H3 Bild-zu-Video Playground auf Atlas Cloud mit dem Last Whistle-Prompt, geladenem Keyframe und dem fertigen Clip im Ausgabefenster

MiniMax H3 Bild-zu-Video auf Atlas Cloud: der Keyframe aus Schritt 1 links geladen, der fertige Clip rechts abgespielt.

Schritt 3: Veo 3.1 Bild-zu-Video, Audio von Hand eingeschaltet

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 gibt und H3 nicht.

negative_prompt, was für 2D-Anime die mit Abstand nützlichste Steuerung auf dieser Liste ist:

PlainCopy
13D-Render, CGI, Plastikschattierung, fotorealistische Haut, Realfilmaufnahmen, Bewegungsunschärfe-Suppe,
2verzerrte Beschriftung, Kauderwelsch-Text, zusätzliche Finger, Untertitelbalken

Einstellungen: Modell google/veo3.1/image-to-video, resolution: 1080p (ändere es, 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 stille Clip-Falle), seed: 20260807, image = dieselbe Ausgabe von Schritt 1.

Veo 3.1 Bild-zu-Video Playground auf Atlas Cloud mit aktiviertem Audio, geladenem Anime-Keyframe und dem fertigen Clip im Ausgabefenster

Veo 3.1 Bild-zu-Video auf Atlas Cloud, mit eingeschalteter Audio-Generierung und dem fertigen Clip rechts.

Schritt 4: Bewerte es auf fünf Anime-spezifischen Achsen

Hier ist nichts zu generieren. Schau einfach auf die Dinge, an denen Anime tatsächlich scheitert. Beide Clips sind oben in diesem Artikel eingebettet, sodass du sie selbst bewerten kannst, anstatt mir zu glauben.

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

Der letzte Frame jedes Clips. Links hat H3 ラストホイッスル geschrieben, alle acht Katakana korrekt und absolut ruhig. Rechts hat Veo 3.1 drei Zeichen geschrieben, die nicht das angeforderte Wort sind und keines bilden.

Die Titelcard war der Punkt, an dem die Runde entschieden wurde, und es war nicht knapp. H3 rendert die angeforderte Katakana exakt, scharfkantig und stabil, über einem verwischten Schwenk auf das Tor. Veo 3.1 produziert einen vertikalen Stapel von drei Zeichen, die weder das angeforderte Wort noch ein Wort sind. Im selben Frame lässt es auch den Charakter aus dem Bild verschwinden und lässt den Hintergrund in Richtung eines halbfotorealistischen Stadionfotos abgleiten, trotz photorealistic skin und 3D render im negativen Prompt.

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

Die letzte Zeile ist die lauteste öffentliche Kritik an H3 bisher, weshalb ich sie genau in beide Prompts geschrieben habe. Im ComfyUI-Thread am Tag 0 beschwerte sich der Benutzer fwip darüber, dass sogar 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 ich würde nichts anderes behaupten. Aber es bedeutet, dass die Kritik nicht H3-spezifisch ist: Schwenks sind die am wenigsten zuverlässige Anweisung in diesem gesamten Test auf beiden Seiten. Wenn dein Storyboard von einem abhängt, plane um ihn herum statt durch ihn hindurch.

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

Dies ist keine Qualitätspräferenz. Es ist eine Wand. Veos aspect_ratio-Enum hat zwei Werte und keiner ist 4:3, und sein duration-Enum hat kein 12. Der 90er-Jahre-OVA-Look ist einfach nicht erreichbar.

PlainCopy
1Ein 1990er OVA-Anime-Schnitt, 4:3 Vollbild. Handgemalter Hintergrund mit sichtbarer Pinselstruktur,
2Cel-Paint-Charaktere mit dicken ungleichmäßigen Tuschelinien, starker Halationseffekt um die
3Flutlichter, 16mm-Filmkorn und leichter Gatterlauf. Derselbe rothaarige Stürmer in einem
4weiß-blauen Trikot mit der Nummer 9 geht von einem regennassen Spielfeld, während das Zuschauerrauschen zu einem
5einzelnen klingelnden Ton verklingt. Die Kamera fährt langsam auf sein Gesicht zu. Er sagt leise auf Japanisch:
6「次は、勝つ」. Retro-Palette: gedämpftes Blaugrün, staubiges Bernstein, tiefe bordeauxrote Schatten.
7Audio: entfernter Regen, ein einzelnes analoges Synthesizer-Pad, eine halllastige Pfeife in der Ferne.

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

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

MiniMax H3 Text-zu-Video auf Atlas Cloud, OVA-Prompt eingegeben, Clip abgeschlossen. Vollständige Offenlegung: Dieser spezielle Lauf ließ das Seitenverhältnis auf 16:9 und die Dauer auf 8, sodass das, was du rechts siehst, die Breitbild-Kurzversion ist. Der 4:3-Zwölf-Sekunden-Schnitt unten stammt vom API-Aufruf mit ratio: 4:3 und duration: 12 explizit gesetzt.

Der 4:3 Retro-OVA-Schnitt: derselbe Stürmer geht von einem regennassen Spielfeld im 90er-Jahre-Anime-Stil

H3 Text-zu-Video, 4:3, 12 Sekunden. Die gelieferte Datei kam mit 1920x1440 zurück, was pixelgenau 4:3 ist, 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, ein Charakter, vier Schnitte

Übergreifende Charakterkonsistenz ist das schwierigste Problem bei KI-Anime, und es wird durch das Referenzvolumen gelöst. Baue zuerst das Paket: führe den Prompt aus Schritt 1 erneut aus, wobei die Bildkomposition für Vorderansicht, Dreiviertelansicht, Vollprofil, Rückenansicht, lachend, mit zusammengebissenen Zähnen, Ganzkörperhaltung, Trikotdetail und Stiefeldetail geändert wird. Neun Bilder, insgesamt etwa acht Cent.

Vier Winkel desselben Original-Stürmercharakters, generiert als Referenzpaket, angeordnet in einem 2x2-Raster

Vier der neun Referenzwinkel. H3 akzeptiert bis zu neun Bilder in einem Referenzpaket, plus Video- und Audio-Referenzen obendrauf.

PlainCopy
1Cel-Shading 2D-Anime, gleichmäßige handgezeichnete Linien, flache Farbe, keine 3D-Schattierung. Behalte das
2referenzierte Gesicht des Stürmers, die Haarsilhouette und das Trikot mit der Nummer 9 in jedem Schnitt identisch.
3Vier Schnitte in einer durchgehenden Einstellung: (1) Untersicht auf seine Stiefel, die auf den Rasen treten,
4(2) Schwenk nach oben zu einer engen Nahaufnahme seiner Augen, (3) Weitwinkelaufnahme, wie er an drei
5als verschwommene Silhouetten gezeichneten Verteidigern vorbeisprintet, (4) Einfrieren bei einem Kopfball in der Luft,
6Geschwindigkeitslinien explodieren nach außen. Audio: Zuschauerrauschen, Atem, Stiefel-auf-Rasen-Aufprallgeräusche, ein Taiko-Schlag beim Einfrieren.

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-Äquivalent kann mit diesen Einstellungen nicht ausgeführt werden, und du musst es nicht versuchen, um zu wissen, warum. Sein Referenz-Endpunkt akzeptiert maximal drei Bilder, und die Wahl dieses Endpunkts reduziert duration auf einen einzigen zulässigen Wert von 8. Ein Neun-Bilder-Paket und ein 10-Sekunden-Take sind beide außerhalb der Reichweite.

MiniMax H3 Referenz-zu-Video Playground auf Atlas Cloud mit dem Referenzzähler bei vier von neun und dem ersten Schnitt im Ausgabefenster

MiniMax H3 Referenz-zu-Video auf Atlas Cloud. Der Zähler zeigt Reference Materials (4/9) mit MAX:9 darunter, was die Obergrenze in der Oberfläche ist, keine Behauptung aus einem Datenblatt. Die Ausgabe ist Schnitt eins, die Untersicht auf die Stiefel.

Vier weitere MiniMax H3 Anime-Videogenerator-Läufe, die sich lohnen

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

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

PlainCopy
1Cel-Shading 2D-Anime-Action, dicke konische Tuschelinien, flache Farbe, harte Schatten,
2keine 3D-Schattierung. Zwei originale maskierte Duellanten auf einem windigen Tempeldach in der Abenddämmerung.
3Klingenkollision, der Frame erzittert, beide Kämpfer brechen in einer Explosion von handgezeichneten
4Impact-Frames und radialen Geschwindigkeitslinien auseinander. Kamera: Untersicht, dann ein seitlicher Track, dann
5ein Schnappschuss zu einer weiten Silhouette gegen den orangefarbenen Himmel. Audio: zwei scharfe Metallkollisionen,
6Stoffknall, ein tiefer Taiko-Schlag beim finalen Einfrieren, keine Musik.

1. Beat-synchroner AMV-Schnitt, Referenz-zu-Video mit einer Audio-Referenz. H3 akzeptiert bis zu drei Audioclips als Referenzeingabe. Veo 3.1 hat überhaupt keine Audioeingabe, nur Audioausgabe.

PlainCopy
1Cel-Shading 2D-Anime-Montage, geschnitten zur referenzierten Audiospur. Fünf kurze Beats: Regen auf
2einem Fenster, eine Hand, die einen Verband strafft, eine Stadtsilhouette, die an einem Zugfenster vorbeizieht, ein
3Sprintstart, ein Einfrieren auf einer ausgestreckten Hand. Jeder Schnitt landet genau auf einem Downbeat
4der referenzierten Audiospur. Flache Farbe, dicke Tuschelinien, kontrastreiche Nachtpalette aus tiefem Indigo
5und Neon-Magenta.

1. Zweizeilige japanische Dialogs Szene, 12 Sekunden. Dies ist der Lippen-Synchronitäts-Stresstest, und 12 Sekunden liegen bereits außerhalb von Veos Bereich.

PlainCopy
1Cel-Shading 2D-Anime, flache Farbe, keine 3D-Schattierung. Zwei originale Charaktere auf einem Dach
2zur goldenen Stunde, Schuss-Gegenschuss. Der erste sagt auf Japanisch:「本当に行くの？」. Der zweite
3antwortet, halb lächelnd, auf Japanisch:「もう決めた」. Die Münder passen zu jeder Silbe. Warmes
4Randlicht, lange Schatten, sanfter Wind im Haar. Audio: zwei unterschiedliche japanische Stimmen, entfernter
5Verkehr, eine Zikade.

1. Vertikaler Shonen-Kurzfilm, 9:16 , 8 Sekunden. Beide Modelle können vertikal, also ist dies der einzige Ort, um sie tatsächlich A/B zu vergleichen, anstatt anzunehmen.

PlainCopy
1Cel-Shading 2D-Anime, vertikale Komposition. Ein originaler Teenager-Läufer bricht in Zeitlupe durch ein
2Papierband, dann schnappt der Frame zurück auf volle Geschwindigkeit, als sie eine Stadiongerade
3hinunter beschleunigt. Geschwindigkeitslinien, flache Farbe, harte Schatten, kräftiger grafischer Himmel.
4Kamera: tiefe Verfolgungsaufnahme, dann ein Schwenk zu ihrem Gesicht. Audio: Bannerriss, Zuschauerwelle,
5ein angehaltener und dann freigegebener Atemzug.
6
7Wenn du die Prompt-Grammatik dahinter haben möchtest, geht der [MiniMax H3 Prompt Guide](https://www.atlascloud.ai/blog/guides/minimax-h3-prompt-guide?utm%5Fsource=blog&utm%5Fmedium=article&utm%5Fcampaign=minimax-h3-anime-video-generator) tiefer darauf ein, wie H3 Kamera- und Audioanweisungen parst, als ich es hier kann.

Was ein 60-Sekunden-Anime-Intro auf MiniMax H3 vs Veo 3.1 kostet

Ein Standard-Anime-OP dauert ungefähr 90 Sekunden. Nennen wir es acht Shots zu je 8 Sekunden, 64 Sekunden fertiges Video, plus ein Keyframe pro Shot zu je $0.009.

Es gibt einen echten Preisunterschied, den du kennen solltest, anstatt dass ich ihn übergehe. Der Atlas Cloud-Katalog listet MiniMax H3 mit $0.10 pro Sekunde pauschal, während die Modell-Readme es mit $0.14/s bei 2K und $0.10/s bei 768P aufschlüsselt. Veo 3.1 ist mit $0.20 pro Sekunde gelistet, während seine Readme $0.40/s mit Audio von $0.20/s ohne trennt.

Die Ausführen-Buttons in meinen Screenshots klären es. H3 Referenz-zu-Video, 8 Sekunden bei 2K, zitiert Run $1.12, was genau $0.14 pro Sekunde entspricht. Veo 3.1 Bild-zu-Video, 8 Sekunden bei 1080p mit eingeschaltetem Audio, zitiert Run $3.2, was genau $0.40 pro Sekunde entspricht. Die Readme-Tarife sind also die, die abgerechnet werden, und die Katalog-Überschrift ist die Einstiegsstufe. Ich habe trotzdem beide Angaben unten gezeigt. Dies sind die Listenpreise Stand August 2026.

Tabelle 4: Acht Shots zu je 8 Sekunden, inklusive Keyframes

Preise entnommen aus den in Tabelle 1 verlinkten Atlas Cloud-Modellseiten, August 2026. Keiner dieser vier ist derzeit rabattiert.

Zwei Dinge, die diese Tabelle nicht enthält, und beide treffen härter als der Preis pro Sekunde.

Wiederholungen. Niemand liefert den ersten Take eines Anime-Shots aus. Welchen Multiplikator du auch annimmst, wende ihn auf beide Spalten an, und die Lücke vergrößert sich im gleichen Verhältnis.

Echtzeit, und diese geht in die andere Richtung. Zeitgesteuert von Anfang bis Ende am 7. August 2026: H3 bei 2K für 8 Sekunden brauchte 447 Sekunden, etwa 7,5 Minuten. H3 Text-zu-Video bei 2K für 12 Sekunden brauchte 334 Sekunden. Veo 3.1 bei 1080p für 8 Sekunden mit Audio brauchte 152 Sekunden, unter drei Minuten. Veo ist hier etwa dreimal schneller bis zum ersten Take, und wenn du um 2 Uhr morgens an einem Shot iterierst, ist das echtes Geld wert. Warteschlangen bewegen sich, also behandle dies als eine Momentaufnahme von einem Nachmittag, nicht als Spezifikation. Aber jeder, der "2 bis 3 Minuten" für H3 bei 2K zitiert, zitiert ein Readme, keine Warteschlange. Die Aufschlüsselung von 2K vs. 768P 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. Ein Originalcharakter, ein Originaltrikot, ein Originaltitel. Es wurde kein offizieller Anime-Charakter generiert oder angefordert, und es wurde kein Name oder Abbild eines echten Fußballers verwendet. Der WM-Trend wird als Format referenziert, denn das ist, wofür er nützlich ist.

Diese Unterscheidung ist keine Dekoration. Wenn du kommerziell Anime-inspirierte Inhalte erstellst, sind "im Stil von 90er-Jahre-OVA" und "dieser spezifische Charakter aus dieser spezifischen Serie" unterschiedliche rechtliche Objekte, und nur eines davon ist ein Geschäft.

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

Die Lizenz hat einen echten Haken. Die Community-Lizenz deckt derzeit nicht die EU, Großbritannien, Südkorea oder die USA ab, unter Berufung auf Regionen, "die derzeit KI-bezogene Vorschriften entwickeln oder durchsetzen". Ein formeller Lizenzierungsanfragekanal ist offen, den ein HN-Kommentator wie folgt zusammenfasste: "du musst nur mit dem kleinen Finger schwören, dass du Disney nicht wütend machst, und sie schicken dir eine Lizenz". Lustig, und auch genau der Compliance-Schritt, den du nicht überspringen kannst, wenn du in einem dieser vier Gebiete bist. Der Open Weights-Artikel enthält die vollständige Liste der Gebiete.

Häufig gestellte Fragen

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

Für die meisten Anime-Arbeiten, H3, und hauptsächlich aus Gründen, die nichts mit dem Rendering zu tun haben. Es läuft 4 bis 15 Sekunden gegenüber Veos 4, 6 oder 8, es bietet sechs Seitenverhältnisse einschließlich 4:3 und 21:9 gegenüber Veos zwei, es listet Japanisch unter 11 nativ stabilen Dialogsprachen auf, und es nimmt neun Referenzbilder gegenüber Veos drei. Veo 3.1 gewinnt in einer bestimmten Situation: wenn du seed für reproduzierbare Wiederholungen oder negative_prompt benötigst, um zu verhindern, dass ein Shot in 3D-Render-Schattierung abdriftet. H3 hat keinen dieser Parameter. Wenn deine Pipeline von einem von beiden abhängt, ist das ein echter Grund zu bleiben.

Kann Veo 3.1 Anime in 4:3 oder einen 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 zur Auswahl und keine Möglichkeit, 12 oder 15 Sekunden anzufordern. Wenn deine Referenz ein 90er-Jahre-TV-Anime oder OVA ist, ist die Rahmung bei Veo unerreichbar und bei H3 verfügbar.

Warum kam mein Veo 3.1 Anime-Clip stumm zurück?

Weil generate_audio in der API standardmäßig auf false gesetzt ist. Der Playground-Schalter ist normalerweise bereits eingeschaltet, also betrifft dies nur Leute, die die API direkt aufrufen. Setze generate_audio: true explizit. Setze gleichzeitig auch resolution, da es standardmäßig auf 720p anstelle der 1080p oder 4k eingestellt ist, die du wahrscheinlich meintest.

Unterstützt MiniMax H3 japanische Dialoge und Lippen-Synchronität für Anime?

Ja. Die Modellkarte listet 11 Sprachen mit stabiler Dialogunterstützung auf: Arabisch, Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Audio wird zusammen mit dem Bild in 32 kHz Stereo erzeugt und nicht nachträglich synchronisiert, weshalb die Mundbewegungen über eine ganze Zeile hinweg halten, anstatt nur die ersten Silben. Schreibe die japanische Zeile direkt in den Prompt auf Japanisch.

Wie viele Referenzbilder kann ich verwenden, um einen Anime-Charakter 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 hinweg. Veo 3.1s Referenz-zu-Video-Endpunkt akzeptiert 1 bis 3 Bilder, und dessen Auswahl reduziert duration auf 8 als einzigen zulässigen Wert. Für einen wiederkehrenden Anime-Charakter in einer Serie ist dieser Unterschied das gesamte Spiel.

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

Du kannst es herunterladen und ausführen, mit drei Einschränkungen. Der selbst gehostete Inferenz läuft mit einer 768-Kurzseite, und die Context-IR- und Regenerate-2K-Stufen, die 2K-Ausgabe produzieren, bleiben API-seitig. Die realen lokalen Geschwindigkeiten variieren stark je nach Karte: ungefähr 10 Minuten für einen 10-Sekunden-480p-Clip auf einer 4070 Ti Super, etwa 3 Minuten auf einer 5080, etwa 68 Sekunden auf einer RTX 6000 Pro, laut dem ComfyUI-Thread vom Tag 0. Und die Community-Lizenz deckt derzeit nicht die EU, Großbritannien, Südkorea oder die USA ab. Wenn du dich also in einem dieser Länder befindest, benötigst du die formelle Lizenz vor der kommerziellen Nutzung.