MiniMax H3 API for Video Generation and Editing

MiniMax H3 API डेवलपर्स को MiniMax H3 तक programmatic access देती है। यह एक open general purpose multimodal video model है, जो text, images, video और audio को एक shared context के रूप में समझता है। Generation, editing और reference को अलग-अलग task models में बाँटने के बजाय, H3 पूरे input set को पढ़ता है और sound के साथ एक finished clip लौटाता है। Atlas Cloud पर यह एक single API key के पीछे चलता है और pay-as-you-go pricing देता है।

Brand films, trailers, vertical short drama, product और ecommerce spots, game और UI motion demos, और stylized animation—ये सब इसकी क्षमता के दायरे में आते हैं। क्योंकि model on screen text, subtitles और brand assets को संभाल सकता है, teams इसे production budget commit करने से पहले concept validation, storyboard previews और visual pitches के लिए भी इस्तेमाल करती हैं।

Atlas Cloud account बनाएँ, API key generate करें, फिर video generation endpoint पर prompt और कोई भी reference files भेजें और finished result के लिए poll करें। Inline uploads के बजाय media को hosted URLs के रूप में pass करना बेहतर है, क्योंकि request body 64MB तक capped है। आज ही building शुरू करें।

Billing pay-as-you-go है, इसलिए subscription या seat license खरीदने के बजाय आप per call pay करते हैं। Cost इस बात पर निर्भर करती है कि आप वास्तव में क्या render करते हैं, यानी resolution और clip length किसी batch के total cost को drive करते हैं। Large volume runs plan करने से पहले current per generation rate के लिए model page देखें।

हाँ। हर H3 result native stereo में sound के साथ deliver होता है, इसलिए dialogue, effects और ambience picture के साथ उसी pass में मिलते हैं। अगर आप reference audio clip देते हैं, तो model उस timbre को किसी character पर carry कर सकता है, जिससे pipeline से अलग voice synthesis step हट जाता है।

Clips 24 FPS पर 5 से 15 seconds तक चलते हैं। 1440p mode में, 16:9 और 9:16 के बीच ratios के लिए short side 1440 pixels पर render होता है, और इस band से बाहर frame में कुल मिलाकर लगभग 3.7M pixels रहते हैं, उदाहरण के लिए 21:9 पर 2976 by 1248। Text to video और omni reference requests 21:9, 16:9, 4:3, 1:1, 3:4 और 9:16 accept करते हैं, जबकि first और last frame requests input image का aspect ratio inherit करते हैं।

एक prompt के साथ up to nine images, three video segments और three audio clips भेजे जा सकते हैं, total twelve files तक capped। Video और audio, दोनों combined 15 seconds के भीतर रहते हैं, और audio को अकेले आने के बजाय किसी image या video के साथ होना चाहिए। Prompts 7000 characters तक जा सकते हैं, जिससे camera, performance और sound को cover करने वाली shot by shot direction के लिए पर्याप्त जगह मिलती है।

Accepted inputs में H.264 और H.265 video, JPG, JPEG, PNG, WEBP, HEIC और HEIF images, और WAV या MP3 audio शामिल हैं, साथ ही video file के अंदर audio track के लिए AAC या MP3। Per file ceilings video के लिए 50MB, images के लिए 30MB और audio के लिए 15MB हैं। क्योंकि request body 64MB तक limited है, heavy assets के लिए hosted URLs अधिक सुरक्षित विकल्प रहते हैं।

Editing इसके core modes में से एक है। Source clip को instructions के साथ भेजें और MiniMax H3 API characters या objects swap कर सकता है, backgrounds और lighting replace कर सकता है, visual effects layer कर सकता है, और untouched regions को stable रखते हुए dialogue rewrite कर सकता है। Compound instructions एक ही request में handle होते हैं, इसलिए कई changes repeated round trips के बजाय साथ में लागू हो जाते हैं।

अधिकतर video models एक prompt और एक image लेते हैं और silent clip लौटाते हैं। H3 इसके बजाय references का mixed set consume करता है, उन सभी में character, motion, camera और sound intent को समझता है, फिर native audio के साथ clip लौटाता है। अगर आपकी pipeline अभी video model, voice model और editor को साथ stitch करती है, तो H3 उन stages को एक single call में collapse कर देता है।