Guía de prompts de MiniMax H3: Leí los 45 prompts oficiales y luego le prendí fuego al perro de This Is Fine

We'll translate the user's English blog post into Spanish, preserving all formatting, code, URLs, and non-text elements. The output will be a direct translation of the original content, with natural Spanish phrasing and standard terminology. No extra commentary.

---

Sabes cómo hacer un prompt para un modelo de video. "Iluminación cinematográfica, cámara lenta, 4K." Ese vocabulario te ha servido por dos años.

Luego lo pegas en MiniMax H3 y obtienes un clip en 2K que llega con su propia banda sonora. La imagen se ve genial. El ritmo es un desastre. Dos letras en tu título están mal escritas. El audio es un ruido ambiental que el modelo eligió por ti.

El modelo no es el problema. Le diste una oración. Quería un cronograma.

Así que fui y leí los 45 prompts de ejemplo que MiniMax incluyó con H3, además de los clips terminados que venían con ellos, y desarmé los fotogramas. Los prompts oficiales no son descripciones. Los buenos son listas de tomas con una hoja de pautas musicales pegada atrás. A continuación, la estructura, los parámetros que realmente están expuestos ahora mismo, y una demo que puedes reproducir en unos veinte minutos.

Conclusiones clave

• Los prompts de H3 son líneas de tiempo, no descripciones. Los ejemplos oficiales más fuertes literalmente cortan el clip con marcadores [0s-2s], [2s-4s], y el video final cumple cada beat.
• El sonido y la imagen salen de la misma pasada, por lo que el audio debe vivir dentro del cuerpo del prompt. Los prompts oficiales le dan su propio bloque, hasta "el bajo jazz entra en el segundo 6".
• El texto que escribes sale limpio. El texto que no escribes sale como ruido con forma de letra. Tengo los recortes de fotogramas de un solo clip oficial que prueban ambas mitades a la vez.
• image-to-video acepta una end_image. Dale un primer fotograma y un último fotograma, y el arco emocional queda fijado antes de gastar un segundo de cómputo.
• La longitud del prompt no es una virtud. Los prompts oficiales cortos funcionan cuando una imagen de referencia está haciendo la descripción. La longitud indica cuánto del trabajo te negaste a delegar en una referencia.

El perro de This Is Fine, todavía a la izquierda y ardiendo en 10 segundos de salida de MiniMax H3 a la derecha

Ese es el mismo dibujo en ambos lados. A la izquierda está el panel original de KC Green, sin tocar. A la derecha es una llamada image-to-video: primer fotograma puesto, último fotograma puesto, diez segundos después, y el chisporroteo del fuego y el plano "this is fine" son la pista de audio propia del modelo. Nadie la compuso. Todo en esta guía apunta a llevarte a esa segunda mitad.

Cómo se ve realmente un Prompt de MiniMax H3 (Leí los 45)

Cada "guía de prompts de MiniMax H3" que actualmente aparece en la primera página de búsqueda es una ficha técnica: 2K, 24fps, 5 a 15 segundos, audio nativo. Eso es la tarjeta del modelo. No es un prompt.

Aquí hay uno real. Es un fragmento del prompt oficial detrás de la secuencia de títulos noir de MiniMax, traducido del chino original, que abarca quizás un tercio de su longitud completa:

Genera una secuencia de títulos de película de crimen ligero de suspense de 15 segundos en 16:9. El estilo general referencia el lenguaje visual de estas imágenes: tarjetas de título de anime japonés retro, siluetas de bordes duros, collage de cómic, pantalla dividida asimétrica, bloques de color geométricos fuertes, títulos de crédito en inglés, un poco de decoración katakana japonesa, sensación jazz-crimen. El ambiente es 60% suspense, 40% jazz: misterioso, cool, ágil, crimen urbano, no terror, no pesado, y no lo conviertas en un alegre video musical jazz.

[...] Los créditos en inglés deben ser claramente legibles [...] No agregues chino, no produzcas texto ilegible, no escribas mal el inglés. Regla para toda la pieza: cada crédito en inglés y título de trabajo aparece exactamente una vez. No repitas un título de trabajo, no repitas un nombre, no le des a una persona múltiples títulos.

Las transiciones deben ser variadas: máscara circular de disco de vinilo, barrido de puerta de coche vertical, sombra larga de una figura que barre la pantalla, corte de línea roja, máscara de letra inglesa gigante, recomposición de marco de pantalla dividida, corte de bloque de color duro, paneles pegados bloque por bloque. Todas las transiciones caen sobre los golpes de batería: nítidas, de suspense, ágiles, collage de cómic. Sin disoluciones suaves, sin transiciones fluidas.

BGM: música de título original de 15 segundos, 60% suspense, 40% jazz. Construido a partir de un tono de bajo sostenido, cuerdas pizzicato tensas, pulsos de sintetizador fríos, bombo, escobillas de jazz dispersas, un fragmento de bajo caminante, frases cortas de saxofón barítono y breves estocadas de metal. Los primeros 2 segundos establecen suspense con frecuencias bajas y hi-hat, a los 3 segundos entran los tambores bajos, a los 6 segundos se une el groove de bajo jazz, a los 10 segundos aparece un breve riff de saxofón/metal, los últimos 2 segundos lo cierran con un acorde tenso y golpe de batería.

Lee a dónde se fueron las palabras. Casi ninguna fue a "hermoso" o "cinematográfico". Fueron a una lista negativa, una lista de transiciones y una hoja de pautas musicales segundo a segundo. Esa es la forma del trabajo. Secuencia de títulos noir oficial de MiniMax H3: MIDNIGHT LINE, con créditos STARRING limpios

Mira los créditos en ese clip. MIDNIGHT LINE, STARRING, MAYA CROSS, REN KATO, LENA WARD, DIRECTED BY NOAH VOSS. Escritos correctamente, ningún título de trabajo usado dos veces, decoración katakana donde se pidió que estuviera. El prompt no dijo "haz títulos bonitos". Dijo sin repeticiones, sin errores ortográficos, sin chino, y nombró la estética de cinco maneras diferentes. Cinco tableros de referencia de estilo entregados a MiniMax H3 junto con el prompt de título noir

Esos cinco tableros entraron con el texto. Cinco imágenes más una breve instrucción larga, una generación. Así es como se ve este trabajo ahora.

Y la razón por la que tantos de los 45 prompts son cortos está justo en la imagen. En todo el conjunto, el prompt mediano tiene alrededor de 130 caracteres chinos, pero los dos más largos tienen 657 y 858. Los cortos son cortos porque un tablero de referencia lleva la descripción. Los largos son largos porque nada más iba a llevarla.

Por qué la mayoría de los Prompts de MiniMax H3 salen planos, y la solución para el texto ilegible

Tres cosas salen mal, y todas son ausencias más que errores.

Sin línea de tiempo. Pediste diez segundos y describiste un momento, así que obtienes un solo zoom lento estirado en diez segundos. El modelo no tenía nada que hacer en el segundo siete.

Sin bloque de audio. El sonido se genera en la misma pasada que la imagen. Si no dices nada, el modelo igual te envía una pista. Solo que elige una.

Sin lista negativa. Sin intervención, el modelo recurre a disoluciones suaves, inventa texto en pantalla adicional y agrega una barra de subtítulos que nadie pidió.

La prueba más clara es el prompt oficial de interfaz de juego, que está construido a partir de seis beats con marca de tiempo: [0s-2s] menú, [2s-4s] panel del brazo derecho, [4s-7s] cuadrícula de armamento, [7s-8.5s] confirmar, [8.5s-10s] barra de carga, [10s-15s] el mundo se carga. El clip final cumple los seis, en orden, a tiempo. Clip de UI de juego MiniMax H3: menú, panel de equipo, barra de carga, carga del mundo

Ahora la mitad honesta, del mismo clip, a resolución completa de 2560x1440. Izquierda: el texto escrito en el prompt se renderiza limpio. Derecha: el texto no escrito se renderiza como ruido con forma de letra

A la izquierda, cada cadena que el prompt realmente escribió: RIGHT ARM EQUIPMENT, PHANTOM GRIP, CHRONOS CLAW. Nítido, correcto, con kerning como un menú de juego real.

A la derecha, el HUD en la toma final de la calle, que el prompt solo llamó "elementos HUD". Se lee ETR METNO CITFEP. Sobre los íconos de equipo, donde el prompt no dijo nada, obtienes MNALEαIN IAMG. Eso no es un error de renderizado. El modelo está dibujando la textura del inglés porque nunca se le dio la cadena.

Entonces la solución no es una configuración. Es un hábito:

Si una palabra necesita ser legible, escribe la palabra. Luego agrega una línea negativa: no escribas mal, no agregues otro texto, no agregues subtítulos.

Y aquí está la forma de seis bloques que todo prompt oficial fuerte comparte.

Los bloques 5 y 6 son gratuitos. No cuestan nada extra para generar y ahí es donde vive la mayor parte de la calidad.

El Flujo de Trabajo del Prompt de MiniMax H3: A qué Endpoint Pertenece tu Prompt

Misma clave, misma forma de enviar y consultar, tres puertas. Cuál elijas decide qué tiene que hacer aún tu prompt.

refers[] es el que está realmente poco documentado en la naturaleza, así que aquí está la forma que quiere:

jsonCopy
1"refers": [
2  { "url": "https://.../subject.png", "type": "image" },
3  { "url": "https://.../style-board.png" },
4  { "url": "https://.../motion-ref.mp4", "type": "video" },
5  { "url": "https://.../beat.mp3",       "type": "audio" }
6]
7

Cuatro reglas que te ahorrarán una generación desperdiciada cada una:

1. El audio no puede ir solo. Al menos una imagen o video debe estar en el array. Una pista de ritmo por sí sola es rechazada.
2. type es opcional. Se infiere de la URL, pero indícalo de todos modos cuando la extensión sea ambigua.
3. Los límites son reales. Hasta 9 imágenes, 3 videos y 3 clips de audio, 12 archivos en total, con video y audio de referencia de 2 a 15 segundos cada uno (documentación de la API de MiniMax, julio de 2026).
4. Dale a cada referencia un trabajo dentro del texto del prompt. Este es el hábito de mayor apalancamiento en esta lista. Los prompts oficiales comienzan con líneas como "La imagen 1 es la referencia general de ambiente y estilo, la imagen 2 es la referencia del personaje principal". Sin esa oración, el modelo tiene que adivinar qué tablero significa qué. Video musical dark-pop de MiniMax H3: tipografía CUT BACK, ONE LOOK, DETONATE Los dos tableros de referencia tipográfica detrás del clip dark-pop

Ese clip es el argumento a favor de la regla 4. Su prompt nunca describe una sola letra. Dice "el estilo y textura del empaque de texto referencia las imágenes", y entrega dos tableros. La composición llegó porque se mostró, no se describió.

Una tabla más, porque la tarjeta del modelo y la API actualmente no dicen lo mismo, y la brecha es donde la gente pierde una tarde.

Todo lo anterior se ejecutó en Atlas Cloud, donde los tres endpoints de H3 se encuentran detrás de una clave y un bucle de envío y consulta, por lo que cambiar entre ellos es un cambio de cadena de modelo y nada más.

Tutorial de Prompt de MiniMax H3: Prende Fuego al Perro de This Is Fine, con Sonido

Aquí está todo el proceso de principio a fin. El chiste funciona porque el perro no hace nada. Estira esa negación en diez segundos de tiempo real, agrega fuego real, y deja que los últimos dos segundos vayan a donde realmente fue el cómic original, y se vuelve más divertido y ligeramente peor para ti. La mayoría de la gente solo ha visto los dos primeros paneles.

Paso 1: Descarga el cómic original. No dejes que una IA lo redibuje.

La tira tiene seis paneles, dos columnas por tres filas, 600 por 887. Solo queremos el panel 2 y el panel 6.

bashCopy
1curl -L -o gunshow-648.png https://gunshowcomic.com/comics/20130109.png
2# 600x887, 6 paneles, 2 cols x 3 filas
3
4# recortar panel 2 (el panel "THIS IS FINE."): x 302-584, y 20-293
5# recortar panel 6 (el perro derritiéndose):   x 302-584, y 595-868
6# escalar cada uno 4x con Lanczos  ->  1128x1092
7

Dilo claramente: no le pidas a un modelo de imagen que dibuje "un perro que se parezca a This Is Fine". Una recreación de IA se nota como falsa en medio segundo y el chiste muere en el acto. La acuarela, la letra temblorosa a mano y el grano del papel son todo el contrato. El escalado 4x Lanczos solo está ahí porque 282px de fuente es poco; le da al modelo píxeles reales a los que aferrarse sin inventar ninguno. Panel 2 y panel 6 del cómic original, etiquetados como entradas de primer fotograma e imagen final

Paso 2: Ejecútalo en image-to-video con una end_image.

Modelo: minimax/h3/image-to-video. Configuración: resolution 2K, image = panel 2, end_image = panel 6, ratio 1:1 para que coincida con la fuente casi cuadrada. Establece duration a 10; el control deslizante está en 8 por defecto, así que arrastra.

textCopy
1Panel de webcómic 2D pintado a mano, cobra vida. Mantén la textura de acuarela
2original, los contornos de tinta visibles, el grano de papel fuera de registro y la
3paleta plana de cómic en cada fotograma. No suavices, no renderices de nuevo en 3D,
4no limpies el linework, no agregues nuevos objetos, no agregues nuevo texto.
5
6[0s-3s] Casi nada se mueve. El perro se sienta perfectamente quieto, sosteniendo la
7taza, la mirada fija al frente. Solo las llamas detrás de él se mueven: lengüetas
8naranjas lentas trepando la pared, una brasa flotando hacia arriba. El globo de
9diálogo que dice "THIS IS FINE." se queda exactamente donde está, completamente
10legible, sin cambios, escrito a mano.
11
12[3s-6s] El perro levanta la taza y da un pequeño sorbo tranquilo. El globo de
13diálogo se desvanece después del sorbo. El fuego se intensifica. La pared detrás
14de él comienza a deformarse con el calor. Su sombrero empieza a humear en el ala.
15
16[6s-8.5s] El calor lo alcanza. Sus orejas se caen, su contorno se suaviza y comienza
17a correr hacia abajo como pintura mojada. Todavía no mueve los ojos. La taza
18permanece en su pata.
19
20[8.5s-10s] Derretimiento completo. La cara se distorsiona, un ojo se desliza, los
21dientes al descubierto en una sonrisa fija, el pelaje se vuelve rojo y naranja.
22Mantiene la pose. Mantén el fotograma final durante el último medio segundo.
23
24Cámara: fija, plano general estático único, sin zoom, sin cámara en mano, sin
25cortes. El marco nunca se mueve. Esta es una sola toma continua dentro de un panel
26de cómic.
27
28Audio: sonido ambiente de un fuego interior durante todo - chisporroteo bajo, chasquido
29ocasional de madera ardiendo, un leve crujido estructural. A los 3s, una taza de
30cerámica tocando dientes y un pequeño trago. Una voz masculina tranquila, plana, no
31molesta dice exactamente: "This is fine." - inexpresiva, sin emoción, ligeramente
32demasiado relajada. Desde los 6s el chisporroteo se vuelve más fuerte y el sonido
33ambiente se espesa; los últimos 2 segundos agregan un leve aumento de subgraves.
34Sin música, sin pista de risas, sin efectos de sonido que no estén en esta lista.
35
36No agregues subtítulos. No agregues una marca de agua. No escribas ninguna palabra
37que no sean las palabras ya en la imagen. No cambies "THIS IS FINE." No cortes la
38toma.
39

Ese prompt es la tabla de estructura, viva. El primer párrafo es el contrato de estilo. Los cuatro segmentos entre corchetes son la línea de tiempo. Luego cámara, luego audio, luego la lista negativa. Nada en él es decorativo. MiniMax H3 image-to-video en Atlas Cloud: primer fotograma e imagen final cargados, 10 segundos a 2K, clip terminado en el panel de salida

Paso 3: Lee la salida como una revisión de control de calidad.

Cuatro comprobaciones, cada una probando un bloque diferente del prompt.

1. ¿THIS IS FINE. en el globo sigue siendo legible y está escrito correctamente? Eso prueba el bloque 5.
2. ¿Sobrevivió el linework, o algo lo "mejoró" a un 3D limpio? Eso prueba el bloque 1.
3. ¿El audio contiene solo los sonidos que listaste? Sonda el contenedor: debería devolver h264 más AAC estéreo.
4. ¿El fotograma final coincide con la pose del panel 6? Eso prueba end_image.

bashCopy
1ffprobe -v error -show_entries stream=codec_type,codec_name,width,height,r_frame_rate,channels,sample_rate \
2        -of default=noprint_wrappers=1 output.mp4
3

El mío regresó a 1472x1440, 24fps, h264 más AAC estéreo, 10.13 segundos. Vale la pena notar: pedí ratio: 1:1 y obtuve 1472x1440, así que en image-to-video la forma del fotograma fuente gana. Empareja tus dos paneles a la forma que realmente quieras. Cuatro fotogramas del clip terminado en 0s, 3s, 6.5s y 10s, coincidiendo con los cuatro segmentos de tiempo en el prompt

Paso 4: Mueve al perro a un lugar nuevo con reference-to-video.

Mismo personaje, nueva habitación. Modelo: minimax/h3/reference-to-video. Configuración: refers[] = panel 2 como image, duration 8, resolution 2K, ratio 16:9.

textCopy
1La imagen 1 es la referencia del personaje y estilo artístico: mantén este aspecto
2exacto de webcómic 2D pintado a mano, la misma textura de acuarela, el mismo peso
3de contorno de tinta, el mismo perro, el mismo sombrerito, la misma taza. No lo
4redibujes en 3D, no cambies sus proporciones, no limpies el linework.
5
6Ponlo en una habitación diferente y mantén su compostura. Una oficina abierta
7apretada por la noche, tubos fluorescentes parpadeando, una pared de monitores que
8muestran todos un estado de error rojo, papel de impresora flotando hacia abajo a
9través del marco, un pequeño incendio eléctrico en la esquina. Se sienta en una
10silla de oficina en el centro del marco, taza en pata, mirando directamente a la
11cámara, completamente relajado.
12
13Cámara: fija, plano general estático. Sin zoom, sin cortes.
14
15Audio: zumbido fluorescente, molienda de impresora, un chirrido de alarma suave
16repetitivo cada dos segundos, chisporroteo eléctrico distante, un sorbo tranquilo
17a los 4s. Sin música. Sin voz.
18
19No agregues ningún texto en pantalla. No agregues subtítulos. No agregues otros
20personajes.
21

La regla transferible: refers[] lleva la identidad y el estilo, el texto lleva la escena. Esa división es todo el truco para la consistencia del personaje, y es por eso que la primera línea del prompt existe en absoluto. El mismo perro de webcómic reubicado en una oficina abierta ardiendo de noche, generado por MiniMax H3 reference-to-video

Mismo sombrero, misma taza, mismo peso de tinta, nueva habitación. Una imagen de referencia hizo todo eso.

Tres Patrones Más de Prompt de MiniMax H3 que Vale la Pena Robar

Patrón 1: el póster animado, donde la disposición no debe moverse. Póster animado de MiniMax H3: la disposición POPUP! se anima mientras el marco y la tipografía permanecen fijos El póster estático original entregado a MiniMax H3

Todo el prompt son dos líneas: mantén el marco blanco de la galería, el marco interior, la paleta rojo-blanco-negro, la sensación de figura 3D y la estructura de disposición sin cambios, y pon un efecto de sonido ágil debajo de la entrada de texto. La regla: nombra las partes que deben sobrevivir. "Mantén la disposición" no es una nota de estilo, es una restricción, y el modelo la trata como tal.

Patrón 2: la demo de interfaz, donde los verbos vencen a los adjetivos. Demo de página de aterrizaje de MiniMax H3: desplazamiento, hover, inversión de color en una página de producto La única imagen de referencia del producto detrás del clip de la página de aterrizaje

Ese prompt pide un desplazamiento hacia abajo de la página, un estado hover, un fuerte aumento de escala y una inversión de color. Cuatro verbos. Nunca dice "moderno" o "elegante". Las interacciones son acciones, así que escríbelas como acciones. El tipo itálico sobredimensionado y el fondo de tejido de carbono vinieron de los adjetivos; lo que hace que se lea como una página real vino de los verbos.

Patrón 3: acción real más dibujo a mano, unidos por rechazos. Clip de MiniMax H3 que fusiona metraje de cocina real con criaturas brillantes dibujadas a mano

Este es una cocina nocturna filmada con teléfono con pequeñas criaturas brillantes dibujadas a mano, y la razón por la que se mantiene encantador en lugar de convertirse en un corto de terror es una lista de prohibiciones: sin ojos gigantes, sin bocas partidas, sin colmillos, sin postura amenazante, sin embestidas, sin corte repentino a negro, sin sustos repentinos. La lista negativa es el control de estilo principal, no un parche. También es donde codificas el gusto. Cuatro fotogramas del tráiler oficial de ciencia ficción: THE STARS WERE LISTENING El tablero de ambiente y la referencia del personaje detrás del tráiler

El tráiler anterior cierra el círculo de ambas ideas. El prompt escribe un título, THE STARS WERE LISTENING, en detalle: extremadamente estrecho, pesado, todo mayúsculas, rojo oscuro mezclado con óxido, ligero grano y bordes empañados. Ese vuelve exactamente como se pidió. Dos tableros de referencia manejan el ambiente y el personaje principal, por lo que el texto nunca tiene que describir una cara. División del trabajo, hasta el final.

Cuánto Cuesta Ejecutar Estos Prompts de MiniMax H3

H3 se factura por segundo de video generado, por resolución, por lo que el modelo de costo es refrescantemente aburrido: una toma de 15 segundos cuesta aproximadamente tres intentos de 5 segundos. Todo lo demás se deriva de eso.

• Itera a 5 segundos, entrega a 10 o 15. La composición, la paleta y el diseño de sonido se resuelven a 5. Nada de una toma fija necesita la duración completa para decirte que está mal.
• end_image es una herramienta de costo, no solo creativa. La mayoría de las repeticiones ocurren porque el final se desvió. Fijar el último fotograma elimina ese modo de falla antes de que pagues por él.
• Las listas negativas y el texto escrito son gratuitos. Agregan caracteres a un prompt que se factura por segundo, no por token. Úsalos abundantemente.
• Empareja duration con el endpoint antes de escribir. Construir una lista de tomas de 15 segundos y luego descubrir que tu endpoint tiene un límite de 10 te cuesta una reescritura, no solo una repetición.

Una cosa que aún no debes planificar: las tablas de precios enumeran un nivel más barato de 768p, pero al momento de escribir esto, un trabajo de 768p es rechazado directamente y 2K es la única resolución que funciona. Presupuesta como si cada segundo fuera un segundo 2K. Las tarifas actuales por segundo están en la página del modelo, que también es donde aparecerá el nivel 768p una vez que se abra.

Prompts de MiniMax H3, Memes y Derechos de Autor

El perro no es de dominio público. This Is Fine proviene del webcómic de KC Green Gunshow #648, publicado el 9 de enero de 2013, y solo los dos primeros paneles se volvieron virales (Know Your Meme, enero de 2013). Green ha hablado públicamente, y bastante cansadamente, sobre ver la imagen reutilizada para siempre, incluso por personas cuyas políticas no comparte (NPR, enero de 2023).

Este tutorial es comentario y enseñanza, no una biblioteca de stock. Si quieres enviar algo comercialmente, dibuja tus propios fotogramas o licencia los que uses. Y ejecuta tu propia verificación de políticas antes de un trabajo de cliente: H3 aplica reglas de contenido a personas reales reconocibles y propiedad intelectual conocida, y descubrirlo a medio plazo no es divertido.

Preguntas Frecuentes

¿MiniMax H3 genera audio, o lo agrego después?

Misma pasada. La imagen y el sonido salen juntos, que es exactamente por qué el audio tiene que escribirse en el cuerpo del prompt en lugar de añadirse después. Dale su propio bloque Audio: e indica cuándo entra cada sonido. Cada uno de los nueve clips oficiales que probé regresó como AAC estéreo a 32kHz junto con un flujo de video de 2560x1440, 24fps.

¿Qué tan largo puede ser un prompt de MiniMax H3?

Hasta 7,000 caracteres, según la documentación de MiniMax. En la práctica, los ejemplos oficiales abarcan un amplio rango, con una mediana alrededor de 130 caracteres chinos y los dos más largos en 657 y 858. Los prompts cortos funcionan bien cuando una imagen de referencia está haciendo la descripción. Si no tienes referencias, espera escribir una lista de tomas.

¿Por qué el texto sale ilegible en mis videos de MiniMax H3?

Porque no lo escribiste. Las cadenas que aparecen literalmente en el prompt se renderizan limpiamente; cualquier cosa a la que te refieras genéricamente ("elementos HUD", "algunas etiquetas") vuelve como textura con forma de letra. Escribe cada palabra que deba ser legible, luego agrega no escribas mal, no agregues otro texto, no agregues subtítulos.

¿Cuántas imágenes, videos y clips de audio de referencia puede usar un solo prompt de MiniMax H3?

Nueve imágenes, tres videos y tres clips de audio, doce archivos en total, con video y audio de referencia entre 2 y 15 segundos cada uno. El audio no puede ser la única referencia. Ten en cuenta que la capacidad del modelo y lo que expone un endpoint dado son dos cosas diferentes, así que consulta la página del modelo para la lista de entrada actual.

¿Puede un prompt de MiniMax H3 controlar cómo termina el clip, no solo cómo comienza?

Sí, en image-to-video, a través del parámetro opcional end_image. Dale un primer fotograma y un último fotograma, y el clip interpola entre ellos. La demo anterior es exactamente eso: panel 2 del cómic al inicio, panel 6 al final. Mantén las dos imágenes en relaciones de aspecto similares o la transición se vuelve fea.

¿Qué duraciones y resoluciones puedo obtener realmente ahora mismo?

2K, y solo 2K. Un trabajo de 768p es actualmente rechazado con supported resolutions: 2K, a pesar de que 768p aparece en la tabla de precios. La duración difiere según el endpoint: text-to-video e image-to-video aceptan de 5 a 10 segundos con un valor predeterminado de 8, mientras que reference-to-video acepta de 5 a 15. Una trampa más: en la generación solo con texto, la API rechaza adaptive y requiere un ratio explícito.