MiniMax H3 Generador de videos de anime: 15 segundos, 4:3 y la tarjeta de título de Veo 3.1 arruinada

Todo el verano mi feed ha sido el mismo video en bucle. Jugadores de la Copa del Mundo redibujados como protagonistas de shonen. Un dictador. Un capitán pirata. Un mentor curtido que aparece en los últimos cuatro segundos. Millones de visitas por publicación, y la historia se actualiza después de casi cada partido.

Nadie de los que hace eso está escribiendo publicaciones de referencia. Eligen un modelo, queman créditos y envían antes del próximo saque inicial.

Así que tomé un fotograma clave de anime y un prompt, y probé MiniMax H3 como generador de video de anime contra Veo 3.1, ambos llevados a su configuración máxima con entradas idénticas.

Lo primero que falló no fue la calidad de imagen. Fue un menú desplegable. Veo 3.1 se detiene en 8 segundos y ofrece exactamente dos relaciones de aspecto. Un plano que mantiene un rostro, paneos rápidos con el balón, y luego deja que una tarjeta de título aterrice no cabe en 8 segundos. Nunca tuvo la oportunidad de fallar en calidad.

Conclusiones clave

• La enumeración duration de Veo 3.1 es [4, 6, 8] y su enumeración aspect_ratio es [16:9, 9:16]. MiniMax H3 funciona con cualquier segundo completo de 4 a 15 y ofrece 21:9, 16:9, 4:3, 1:1, 3:4, 9:16. Sin 4:3 en Veo significa que no hay encuadre OVA retro, en absoluto.
• La tarjeta del modelo H3 enumera 11 idiomas de diálogo nativamente estables y el japonés es uno de ellos. El audio y la imagen se generan juntos a 32 kHz estéreo, no se doblan después.
• Los paquetes de referencia no son cercanos: H3 acepta hasta 9 imágenes más hasta 3 videos y 3 clips de audio (12 archivos como máximo). El endpoint de referencia de Veo 3.1 acepta 3 imágenes, y en el momento en que lo usas, duration se reduce a solo [8].
• Dos trampas que arruinan silenciosamente las pruebas: la API de Veo establece generate_audio en false y resolution en 720p por defecto, y el ratio de texto a video de H3 por defecto es 1:1. Déjalos así y estarás comparando un clip silencioso en 720p con uno cuadrado.
• Veo 3.1 mantiene dos cosas que H3 no tiene en absoluto: seed y negative_prompt. Para anime 2D, ese segundo realmente importa, y mostraré dónde.

---

Generador de Video de Anime MiniMax H3 vs Veo 3.1, El Mismo Fotograma Uno al Lado del Otro

Un personaje original. Un fotograma clave. Un prompt, copiado carácter por carácter en ambos modelos. Todo lo demás al máximo en cada lado.

Zdu1SJ7kN_o

MiniMax H3, imagen a video, 2K, 8 segundos, audio nativo. Activa el sonido: el murmullo de la multitud, el golpe del balón y el grito en japonés se generan en la misma pasada que la imagen. Generado con minimax/h3/image-to-video en Atlas Cloud.

r_7UCdbs8Mk

Veo 3.1, imagen a video, 1080p, 8 segundos, generateaudio activado manualmente, además de un negativeprompt que mantiene el arte lineal plano. Mismo primer fotograma, mismas palabras. Generado con google/veo3.1/image-to-video en Atlas Cloud.

Ambos dibujan hermosamente. El plano general de Veo del golpe, con líneas de impacto dibujadas a mano y un efecto de sonido de manga flotando en el aire, es realmente encantador. Ese es el punto de partida honesto, y es por eso que el resto de este artículo trata sobre parámetros y seguimiento de instrucciones en lugar de vibraciones.

Por qué la mayoría de las pruebas del Generador de Video de Anime MiniMax H3 vs Veo 3.1 salen mal

Dos cosas sucedieron simultáneamente este verano.

El anime se convirtió en el formato de mayor volumen en video con IA. La Copa del Mundo 2026 fue reescrita como un torneo shonen, con jugadores interpretados como un dictador, un capitán pirata, un general marino y un mentor, y tramas que "evolucionan después de casi cada partido" en TikTok, Instagram, X y YouTube (Complex, julio de 2026).

Y MiniMax H3 se lanzó con pesos abiertos. El hilo de ComfyUI del día 0 alcanzó 330 puntos y 95 comentarios, con personas publicando números locales reales en cuestión de horas (Hacker News, agosto de 2026).

Poniendo esto junto, esperarías un montón de comparaciones de anime. Casi no las hay, porque la mayoría de las pruebas se construyen mal de una de cuatro maneras.

Comparan imágenes, no restricciones. Los planos de anime son sincronización. Un paneo rápido en una tarjeta de título es un problema de duración antes de ser un problema de renderizado.

Olvidan que la API de Veo es silenciosa por defecto. En la API, generate_audio es false y resolution es 720p. Muchas publicaciones de "Veo no tiene audio en anime" son solo alguien que nunca activó un booleano.

Olvidan que el texto a video de H3 es cuadrado por defecto. ratio por defecto es 1:1, no 16:9. Ejecuta un prompt de anime t2v sin configurarlo y obtienes un clip cuadrado y una conclusión confusa.

Prueban con prompts fotorrealistas. "Cinematográfico, luz volumétrica, poca profundidad de campo" es exactamente el vocabulario que arrastra un modelo 2D hacia el sombreado de render 3D. El modo de fallo en anime no es el desenfoque. Es el plástico.

Los tres ajustes que deciden una prueba de anime antes de presionar ejecutar

Antes de cualquier otra cosa, configúralos en ambos lados o la comparación es nula.

La Ficha Técnica de MiniMax H3 vs Veo 3.1 para Anime: Duración, Relación, Audio, Referencias

Obtuve los esquemas de entrada en vivo de ambos modelos en lugar de confiar en cualquier publicación de lanzamiento. Cada valor a continuación es una enumeración que puedes leer tú mismo en las páginas del modelo, no una impresión.

Tabla 1: MiniMax H3 vs Veo 3.1, los parámetros que deciden un plano de anime

La duración, relación, resolución, audio y límites de referencia se leen de los esquemas en vivo en las páginas de MiniMax H3 imagen a video, H3 texto a video, H3 referencia a video, Veo 3.1 imagen a video y Veo 3.1 referencia a video. El límite de 9 imágenes y 12 archivos y la lista de 11 idiomas de diálogo provienen de la tarjeta del modelo MiniMax H3 (Hugging Face, agosto de 2026).

Ahora los marcadores, porque dicen algo diferente de la ficha técnica y ambos importan.

Tabla 2: Elo de voto popular y precio de lista por minuto, instantánea del 7 de agosto de 2026

Cifras de Elo y precio del Artificial Analysis Video Arena (Artificial Analysis, agosto de 2026). Estos son votos populares móviles y se mueven. La columna $/min es una estimación del modelo normalizada, no tu factura.

Una brecha de Elo de 145 puntos es grande, pero es un voto de propósito general, no un voto de anime. Y aquí está la parte que tengo que decir claramente: MiniMax no comercializa H3 como un modelo de anime. La retroalimentación interna de primera línea enumera cine, animación y drama cómico como las áreas en las que H3 no está enfocado. Así que la pregunta interesante no es "cuál es el modelo de anime". Es por qué el modelo que no se vende como anime aún gana el plano, y dónde Google todavía se lleva la vuelta.

Una nota práctica antes del tutorial. Cada modelo a continuación se ejecuta a través de la misma consola y la misma clave API, que es la única razón por la que los parámetros son comparables en absoluto. Misma cola, misma autenticación, una factura. Si configuras GPT Image 2 en un servicio y Veo en otro, la mitad de las diferencias que encuentres serán de fontanería en lugar de modelo.

Construye el Plano: MiniMax H3 vs Veo 3.1, Paso a Paso

Un ejemplo continuo, de principio a fin. "Last Whistle": un delantero adolescente original, pelo rojo, equipación blanca y azul marino número 9, reflectores, un paneo rápido en el golpe, y una tarjeta de título en japonés que debe aterrizar en los últimos dos segundos y mantenerse firme.

Sin jugador real, sin personaje oficial, sin IP de anime existente. Solo estilo y homenaje. Más sobre por qué en un momento.

Paso 1: Diseña el fotograma clave de anime con GPT Image 2

El fotograma clave lleva la dirección de arte para que el modelo de video no tenga que inventarla. Observa el espacio negativo en el tercio izquierdo: es deliberado. La tarjeta de título se escribirá allí por el modelo de video, y esa es la prueba de estabilidad de texto.

plaintextCopy
1Un solo fotograma de un anime deportivo shonen moderno. Animación 2D con sombreado cel,
2línea de tinta dibujada a mano con grosor consistente, rellenos de color plano, sombras
3gráficas marcadas, sin sombreado 3D y sin piel fotorrealista. Primer plano de un delantero
4adolescente original: pelo rojo oscuro despeinado, equipación blanca y azul marino con el
5número 9, sudor y rayas de hierba en una mejilla, ojos muy abiertos con determinación
6agotada, boca abierta en medio de un grito. Detrás de él, los reflectores del estadio
7arden en una pared de color de multitud borroso; líneas de velocidad radiales estallan
8desde el centro del encuadre; una brizna de hierba cuelga congelada en el aire. Paleta
9saturada, sombras cian profundas, luz de borde naranja cálida. Composición 16:9, el
10personaje encuadrado a la derecha del centro, espacio negativo limpio en el tercio
11izquierdo. Sin texto en ninguna parte de la imagen.

Configuración: modelo openai/gpt-image-2/text-to-image, calidad high, tamaño 16:9 (2048x1152). Nada más.

GPT Image 2 playground en Atlas Cloud con el prompt del fotograma clave de Last Whistle y el fotograma de anime terminado en el panel de salida

GPT Image 2 en Atlas Cloud: calidad configurada en alta, el fotograma clave terminado a la derecha.

El fotograma clave base de anime: un delantero de pelo rojo original gritando bajo los reflectores del estadio, sombreado cel con color plano y líneas de velocidad

El fotograma clave que reciben ambos modelos. Color plano, sombras duras y un tercio izquierdo vacío esperando una tarjeta de título.

Paso 2: MiniMax H3 imagen a video, todo al máximo

Misma imagen de entrada, salida 2K. Mantuve H3 a 8 segundos aquí solo para que coincida con el techo de Veo. Ese no es el límite de H3 y el Paso 4 quita el tope.

plaintextCopy
1Anime 2D con sombreado cel, grosor de línea dibujada a mano, color plano, sin sombreado
23D. Mantén el rostro del delantero durante un latido, luego un violento paneo rápido
3sigue el balón mientras él lo golpea, el paneo difumina el encuadre en estelas de
4movimiento sakuga. Un fotograma de silencio total en el impacto. Durante los últimos dos
5segundos, letras de título en japonés blancas y negritas que dicen ラストホイッスル
6aparecen en el tercio izquierdo del encuadre y se mantienen firmes, sin deformación, sin
7parpadeo, sin deriva. El delantero grita una línea en japonés: 「まだ終わってない！」
8Audio: rugido del estadio creciendo, un impacto de balón agudo, un golpe de taiko bajo
9bajo la tarjeta de título.

Configuración: modelo minimax/h3/image-to-video, resolution: 2K, duration: 8, ratio: adaptive (imagen a video toma la forma de tu imagen de entrada), image = la salida del Paso 1.

Una advertencia si optas por texto a video: escribe ratio: 16:9 explícitamente. El valor por defecto es 1:1 y te dará felizmente un recorte de anime cuadrado.

MiniMax H3 imagen a video playground en Atlas Cloud con el prompt de Last Whistle, fotograma clave cargado y el clip terminado en el panel de salida

MiniMax H3 imagen a video en Atlas Cloud: el fotograma clave del Paso 1 cargado a la izquierda, el clip terminado reproduciéndose a la derecha.

Paso 3: Veo 3.1 imagen a video, audio activado manualmente

El prompt es idéntico, palabra por palabra. Cambia un solo adjetivo y deja de ser una comparación. Lo que cambia es el campo adicional que Veo te da y H3 no.

negative_prompt, que para anime 2D es el control más útil de esta lista:

plaintextCopy
1Render 3D, CGI, sombreado plástico, piel fotorrealista, metraje de acción real, sopa de
2desenfoque de movimiento, letras deformadas, texto sin sentido, dedos extra, barra de
3subtítulos

Configuración: modelo google/veo3.1/image-to-video, resolution: 1080p (cámbialo, el valor por defecto es 720p), duration: 8 (este es el techo), aspect_ratio: 16:9, generate_audio: true (el valor por defecto de la API es false, esta es la trampa del clip silencioso), seed: 20260807, image = la misma salida del Paso 1.

Veo 3.1 imagen a video playground en Atlas Cloud mostrando generate audio habilitado, el fotograma clave de anime cargado y el clip terminado en el panel de salida

Veo 3.1 imagen a video en Atlas Cloud, con Generate Audio activado y el clip terminado a la derecha.

Paso 4: Puntúa en cinco ejes específicos de anime

Nada que generar aquí. Solo mira, en las cosas en las que el anime realmente falla. Ambos clips están incrustados cerca del principio de este artículo, para que puedas puntuarlos tú mismo en lugar de aceptar mi palabra.

Lado a lado del último fotograma de ambos clips, MiniMax H3 a la izquierda con letras de título en japonés limpias, Veo 3.1 a la derecha con caracteres verticales sin sentido

El último fotograma de cada clip. A la izquierda, H3 escribió ラストホイッスル, los ocho katakana correctos y firmes. A la derecha, Veo 3.1 escribió tres caracteres que no son la palabra solicitada y no forman una.

La tarjeta de título es donde se decidió la ronda, y no estuvo cerca. H3 representó los katakana solicitados exactamente, con bordes duros y estables, sobre un paneo difuminado de la portería. Veo 3.1 produjo una pila vertical de tres caracteres que no son ni la palabra solicitada ni una palabra. En el mismo fotograma también eliminó al personaje del encuadre y dejó que el fondo se deslizara hacia un plano de estadio semirrealista, a pesar de tener photorealistic skin y 3D render en el prompt negativo.

Tabla 3: cinco ejes que deciden un corte de anime, de estas dos ejecuciones

Esa última fila es la crítica pública más ruidosa de H3 hasta ahora, que es exactamente por qué la escribí en ambos prompts. En el hilo de ComfyUI del día 0, el usuario fwip se quejó de que incluso los prompts de demostración oficiales eran ignorados: "un violento WHIP PAN desde el techo que DIFUMINA las palabras flotantes con él, con estelas de movimiento. Y el video simplemente no hizo nada de esa transición, la reemplazó con un corte".

En esta ejecución fue Veo el que intercambió el paneo por un corte, y H3 el que difuminó. Una toma cada uno no es un veredicto, y no afirmaría lo contrario. Pero significa que la crítica no es específica de H3: los paneos rápidos son la instrucción menos confiable de toda esta prueba en ambos lados. Si tu storyboard depende de uno, planifica alrededor de él en lugar de a través de él.

Paso 5: El corte OVA retro 4:3 que Veo 3.1 estructuralmente no puede generar

Esto no es una preferencia de calidad. Es una pared. La enumeración aspect_ratio de Veo tiene dos valores y ninguno es 4:3, y su enumeración duration no tiene 12. El aspecto OVA de los 90 simplemente no es abordable.

plaintextCopy
1Un corte de anime OVA de los 90, 4:3 a pantalla completa. Fondo pintado a mano con
2textura de pincel visible, personajes pintados con líneas de tinta gruesas e irregulares,
3resplandor de halación pesado alrededor de los reflectores, grano de película de 16 mm y
4leve bamboleo de puerta. El mismo delantero de pelo rojo con una equipación blanca y azul
5marino número 9 camina fuera de un campo empapado por la lluvia mientras el ruido de la
6multitud se desvanece en un solo tono vibrante. La cámara se acerca lentamente a su
7rostro. Él dice en voz baja en japonés: 「次は、勝つ」. Paleta retro: verde azulado
8apagado, ámbar polvoriento, sombras granate profundas. Audio: lluvia distante, un pad de
9sintetizador analógico solitario, un silbato con mucha reverberación en la distancia
10lejana.

Configuración: modelo minimax/h3/text-to-video, resolution: 2K, duration: 12, ratio: 4:3. Configura esa relación manualmente, recuerda el valor por defecto.

MiniMax H3 texto a video playground en Atlas Cloud con el prompt OVA escrito y el clip retro terminado en el panel de salida

MiniMax H3 texto a video en Atlas Cloud, prompt OVA escrito, clip completado. Divulgación completa: esta ejecución en particular dejó Aspect Ratio en 16:9 y Duration en 8, así que lo que ves a la derecha es la versión corta panorámica. El corte de 12 segundos 4:3 a continuación provino de la llamada API con ratio: 4:3 y duration: 12 configurados explícitamente.

El corte OVA retro 4:3: el mismo delantero caminando fuera de un campo empapado por la lluvia en estilo anime de los 90

H3 texto a video, 4:3, 12 segundos. El archivo entregado vino en 1920x1440, que es 4:3 al píxel, con una pista estéreo de 32 kHz. Mostrado aquí como un GIF silencioso a velocidad de cuadro reducida para mantener la página ligera. Generado con minimax/h3/text-to-video en Atlas Cloud.

Paso 6: Nueve imágenes de referencia, un personaje, cuatro cortes

La consistencia del personaje entre tomas es el problema más difícil en el anime con IA, y se resuelve con volumen de referencia. Construye el paquete primero: vuelve a ejecutar el prompt del Paso 1 con el encuadre cambiado para frente, tres cuartos, perfil completo, espalda, riendo, dientes apretados, cuerpo completo, detalle del equipamiento y detalle de las botas. Nueve imágenes, aproximadamente ocho centavos en total.

Cuatro ángulos del mismo personaje delantero original generado como un paquete de referencia, dispuestos en una cuadrícula de dos por dos

Cuatro de los nueve ángulos de referencia. H3 acepta hasta nueve imágenes en un paquete de referencia, además de referencias de video y audio adicionales.

plaintextCopy
1Anime 2D con sombreado cel, grosor de línea dibujada a mano consistente, color plano, sin
2sombreado 3D. Mantén la cara del delantero de referencia, la silueta del cabello y el
3equipamiento número 9 idénticos en cada corte. Cuatro cortes en una sola toma continua:
4(1) empuje desde ángulo bajo de sus botas golpeando el césped, (2) paneo rápido hacia
5arriba a un primer plano cerrado de sus ojos, (3) plano general de él corriendo más allá
6de tres defensores dibujados como siluetas borrosas, (4) congelación en un cabezazo en el
7aire, líneas de velocidad explotando hacia afuera. Audio: rugido de la multitud,
8respiración, impactos de bota en césped, un golpe de taiko en la congelación.

Configuración: modelo minimax/h3/reference-to-video, refers = tus imágenes con type: image, resolution: 2K, duration: 8 o superior, ratio: adaptive o 16:9.

El equivalente de Veo 3.1 no se puede ejecutar con estas configuraciones y no necesitas probarlo para saber por qué. Su endpoint de referencia acepta un máximo de tres imágenes, y elegir ese endpoint reduce duration a un solo valor legal de 8. Un paquete de nueve imágenes y una toma de 10 segundos están fuera de rango.

MiniMax H3 referencia a video playground en Atlas Cloud mostrando el contador de referencia en cuatro de nueve y el primer corte en el panel de salida

MiniMax H3 referencia a video en Atlas Cloud. El contador muestra Reference Materials (4/9) con MAX:9 debajo, que es el techo en la interfaz en lugar de una afirmación de una ficha técnica. La salida es el corte uno, el empuje desde ángulo bajo de las botas.

Cuatro Ejecuciones Más del Generador de Video de Anime MiniMax H3 que Vale la Pena Hacer

El plano de Last Whistle solo estresa cuatro de las diferencias. Estos cuatro estresan el resto. Todos se ejecutan en H3; las notas dicen cuáles Veo 3.1 puede igualar.

1. Pelea sakuga ultra panorámica,21:9, 10 segundos. Veo no puede generar 21:9 en absoluto.

plaintextCopy
1Acción de anime 2D con sombreado cel, líneas de tinta gruesas y cónicas, color plano,
2sombras marcadas, sin sombreado 3D. Dos duelistas enmascarados originales en un techo de
3templo azotado por el viento al atardecer. Choque de espadas, el encuadre se estremece,
4ambos luchadores se separan en una ráfaga de fotogramas de impacto dibujados a mano y
5líneas de velocidad radiales. Cámara: empuje desde ángulo bajo, luego un movimiento
6lateral, luego un corte a una silueta amplia contra el cielo naranja. Audio: dos
7choques metálicos agudos, chasquido de tela, un golpe de taiko bajo en la congelación
8final, sin música.

1. Corte AMV sincronizado al ritmo, referencia a video con una referencia de audio. H3 acepta hasta tres clips de audio como entrada de referencia. Veo 3.1 no tiene entrada de audio en absoluto, solo salida de audio.

plaintextCopy
1Montaje de anime 2D con sombreado cel cortado a la pista de audio de referencia. Cinco
2latidos cortos: lluvia en una ventana, una mano apretando un vendaje, un horizonte
3urbano pasando por la ventana de un tren, un inicio de sprint, una congelación en una
4mano extendida. Cada corte aterriza exactamente en un tiempo fuerte del audio de
5referencia. Color plano, líneas de tinta gruesas, paleta nocturna de alto contraste de
6índigo profundo y magenta neón.

1. Escena de diálogo de dos líneas en japonés, 12 segundos. Esta es la prueba de estrés de sincronización de labios, y 12 segundos ya está fuera del rango de Veo.

plaintextCopy
1Anime 2D con sombreado cel, color plano, sin sombreado 3D. Dos personajes originales en
2un techo durante la hora dorada, plano contra plano. El primero dice en japonés:
3「本当に行くの？」. El segundo responde, con media sonrisa, en japonés: 「もう決めた」.
4Las bocas coinciden con cada sílaba. Luz de borde cálida, sombras largas, viento suave
5en el cabello. Audio: dos voces japonesas distintas, tráfico distante, una cigarra.

1. Corto shonen vertical,9:16, 8 segundos. Ambos modelos pueden hacer vertical, así que este es el único lugar para realmente hacer A/B en lugar de asumir.

plaintextCopy
1Anime 2D con sombreado cel, composición vertical. Una corredora adolescente original
2irrumpe a través de una pancarta de papel en cámara lenta, luego el encuadre vuelve a
3velocidad normal mientras acelera por una recta del estadio. Líneas de velocidad, color
4plano, sombras duras, cielo gráfico audaz. Cámara: plano de seguimiento desde ángulo
5bajo, luego un paneo rápido hacia arriba a su rostro. Audio: desgarro de pancarta,
6oleada de multitud, una respiración contenida y luego liberada.
7
8Si quieres la gramática de prompts detrás de estos, la [guía de prompts de MiniMax H3](https://www.atlascloud.ai/blog/guides/minimax-h3-prompt-guide?utm%5Fsource=blog&utm%5Fmedium=article&utm%5Fcampaign=minimax-h3-anime-video-generator) profundiza más en cómo H3 analiza las instrucciones de cámara y audio de lo que puedo hacer aquí.

Lo que Cuesta una Apertura de Anime de 60 Segundos en MiniMax H3 vs Veo 3.1

Un OP de anime estándar tiene aproximadamente 90 segundos. Digamos ocho tomas de 8 segundos, 64 segundos de video terminado, más un fotograma clave por toma a $0.009 cada uno.

Hay una discrepancia de precios real que debes conocer en lugar de que yo la disimule. El catálogo de Atlas Cloud lista MiniMax H3 a $0.10 por segundo plano, mientras que el archivo léame del modelo lo desglosa como $0.14/s a 2K y $0.10/s a 768P. Veo 3.1 está listado a $0.20 por segundo, mientras que su archivo léame separa $0.40/s con audio de $0.20/s sin audio.

Los botones de ejecución en mis capturas de pantalla lo resuelven. H3 referencia a video, 8 segundos a 2K, cotizó Run $1.12, que es exactamente $0.14 por segundo. Veo 3.1 imagen a video, 8 segundos a 1080p con audio activado, cotizó Run $3.2, que es exactamente $0.40 por segundo. Así que las tarifas del archivo léame son las que facturan, y el titular del catálogo es el nivel de entrada. He mostrado ambas lecturas a continuación de todos modos. Estos son precios de lista a partir de agosto de 2026.

Tabla 4: ocho tomas de 8 segundos, fotogramas clave incluidos

Precios extraídos de las páginas de modelo de Atlas Cloud vinculadas en la Tabla 1, agosto de 2026. Ninguno de estos cuatro tiene descuento en este momento.

Dos cosas que esa tabla no incluye, y ambas impactan más que la tarifa por segundo.

Reintentos. Nadie envía la primera toma de un plano de anime. Cualquier multiplicador que asumas, aplícalo a ambas columnas y la brecha se amplía en la misma proporción.

Tiempo real, y este va en la otra dirección. Medido de principio a fin el 7 de agosto de 2026: H3 a 2K durante 8 segundos tomó 447 segundos, aproximadamente 7.5 minutos. H3 texto a video a 2K durante 12 segundos tomó 334 segundos. Veo 3.1 a 1080p durante 8 segundos con audio tomó 152 segundos, menos de tres minutos. Veo es aproximadamente tres veces más rápido para una primera toma aquí, y si estás iterando en un plano a las 2 a.m., eso vale dinero real. Las colas se mueven, así que trata estas como una instantánea de una tarde en lugar de una especificación. Pero cualquiera que cite "2 a 3 minutos" para H3 a 2K está citando un archivo léame, no una cola. El desglose de 2K versus 768P cubre cuándo vale la pena el nivel superior por los minutos adicionales.

Estilo de Anime, Homenaje y lo que Realmente Puedes Publicar

Todo en este artículo es estilo y homenaje. Un personaje original, un equipamiento original, un título original. No se generó ni solicitó ningún personaje de anime oficial, y no se utilizó el nombre o la imagen de ningún futbolista real. La tendencia de la Copa del Mundo se referencia como un formato, porque para eso es útil.

Esa distinción no es decorativa. Si estás produciendo contenido con estilo de anime comercialmente, "al estilo de OVA de los 90" y "este personaje específico de este programa específico" son objetos legales diferentes, y solo uno de ellos es un negocio.

Sobre los pesos abiertos: H3 es genuinamente descargable, y la gente lo ejecutó el primer día. Un comentarista informó 10 minutos para un clip de 10 segundos a 480p en una 4070 Ti Super con 16 GB, y otros publicaron 3 minutos en una 5080 y 68 segundos en una RTX 6000 Pro. Pero el autoalojamiento se ejecuta en un borde corto de 768; las etapas de Context-IR y Regenerate-2K que producen 2K permanecen en el lado de la API.

La licencia tiene una trampa real. La licencia comunitaria actualmente no cubre la UE, el Reino Unido, Corea del Sur o los Estados Unidos, citando regiones "que actualmente desarrollan o hacen cumplir regulaciones relacionadas con la IA". Hay un canal formal de solicitud de licencia abierto, que un comentarista de HN resumió como "solo tienes que prometer con el dedo meñique que no vas a enfadar a Disney y te enviarán una licencia". Divertido, y también exactamente el paso de cumplimiento que no puedes saltarte si estás en uno de esos cuatro territorios. El artículo sobre pesos abiertos tiene la lista completa de territorios.

Preguntas Frecuentes

¿Es MiniMax H3 un buen generador de video de anime en comparación con Veo 3.1?

Para la mayoría del trabajo de anime, H3, y principalmente por razones que no tienen que ver con el renderizado. Funciona de 4 a 15 segundos contra los 4, 6 u 8 de Veo, ofrece seis relaciones de aspecto incluyendo 4:3 y 21:9 contra las dos de Veo, lista el japonés entre 11 idiomas de diálogo nativamente estables, y acepta nueve imágenes de referencia contra las tres de Veo. Veo 3.1 gana en una situación específica: cuando necesitas seed para tomas reproducibles, o negative_prompt para evitar que un plano se desvíe hacia el sombreado de render 3D. H3 no tiene ninguno de los dos parámetros. Si tu pipeline depende de cualquiera de ellos, esa es una razón genuina para quedarte.

¿Puede Veo 3.1 generar anime en 4:3 o un clip de 15 segundos?

No, y no por razones estilísticas. La enumeración aspect_ratio de Veo 3.1 contiene exactamente 16:9 y 9:16, y su enumeración duration contiene exactamente 4, 6 y 8. No hay un valor 4:3 para seleccionar y no hay forma de solicitar 12 o 15 segundos. Si tu referencia es un anime de TV de los 90 o un OVA, el encuadre está fuera del alcance en Veo y disponible en H3.

¿Por qué mi clip de anime de Veo 3.1 volvió silencioso?

Porque generate_audio por defecto es false en la API. El interruptor del playground suele estar ya activado, así que esto solo afecta a quienes llaman a la API directamente. Establece generate_audio: true explícitamente. Mientras estés allí, configura también resolution, ya que por defecto es 720p en lugar de los 1080p o 4k que probablemente querías.

¿MiniMax H3 hace diálogo en japonés y sincronización de labios para anime?

Sí. La tarjeta del modelo lista 11 idiomas con soporte de diálogo estable: árabe, chino, inglés, francés, alemán, italiano, japonés, coreano, portugués, ruso y español. El audio se genera conjuntamente con la imagen a 32 kHz estéreo en lugar de doblarse después, que es por lo que la sincronización de la boca se mantiene en toda una línea en lugar de solo las primeras sílabas. Escribe la línea en japonés directamente en el prompt en japonés.

¿Cuántas imágenes de referencia puedo usar para mantener consistente un personaje de anime?

MiniMax H3 acepta hasta 9 imágenes, hasta 3 clips de video y hasta 3 clips de audio, con un límite máximo de 12 archivos en total. El endpoint de referencia a video de Veo 3.1 acepta de 1 a 3 imágenes, y seleccionarlo reduce duration a 8 como el único valor legal. Para un personaje de anime recurrente a lo largo de una serie, esa diferencia es todo el partido.

MiniMax H3 tiene pesos abiertos, ¿puedo ejecutar mi pipeline de anime localmente gratis?

Puedes descargarlo y ejecutarlo, con tres advertencias. La inferencia autoalojada se ejecuta en un borde corto de 768, y las etapas de Context-IR y Regenerate-2K que producen salida 2K permanecen en el lado de la API. Las velocidades locales del mundo real varían ampliamente según la tarjeta: aproximadamente 10 minutos para un clip de 10 segundos a 480p en una 4070 Ti Super, unos 3 minutos en una 5080, unos 68 segundos en una RTX 6000 Pro, según el hilo de ComfyUI del día 0. Y la licencia comunitaria actualmente no cubre la UE, el Reino Unido, Corea del Sur o los EE. UU., así que si estás en uno de esos, necesitas la licencia formal antes de uso comercial.