Długość filmu MiniMax H3 wynosi 15 sekund. W jednym z nich naliczyłem dziesięć cięć.

Wszyscy robią to samo pierwszego dnia. Otwierasz menu rozwijane czasu trwania, widzisz 15 i zaczynasz dzielić. Film dziesięciominutowy? Czterdzieści generacji. Trzyminutowy wyjaśniacz? Dwanaście. Potem patrzysz na liczbę, którą daje to dzielenie, zamykasz kartę i stwierdzasz, że model nie jest gotowy na nic, co ma w sobie historię.

Ja też podzieliłem. Potem uruchomiłem ffmpeg na dziewięciu prawdziwych klipach H3 i znalazłem coś, co sprawiło, że całe obliczenia wyglądały głupio.

Jeden z tych klipów ma 15,10 sekundy. Wewnątrz niego detektor scen oznajmia dziesięć czystych cięć. Dziesięć. Inna garderoba, inne kadrowanie, inne tła, pełnoekranowe karty tytułowe – wszystko w ramach jednej generacji, która kosztowała tyle, co jedna generacja. Gdybym zaplanował ten klip tak, jak sugeruje dzielenie – jedna generacja na ujęcie – zapłaciłbym dziesięć razy więcej za te same piętnaście sekund.

Dzielenie to błąd. Limit to nie stoper, to pojemnik, a prawie nikt go nie wypełnia.

Deskorolkarz w trakcie triku uchwycony jako sekwencja stroboskopowa, wiele odrębnych pozycji zamrożonych w jednej klatce

Jedna klatka, wiele momentów. To jest model myślowy, przed którym odstrasza cię menu rozwijane czasu trwania.

Kluczowe wnioski

• Parametr duration przyjmuje tylko liczby całkowite od 4 do 15. Domyślnie 8. Nie ma 7,5 ani wartości powyżej 15.
• Każdy klip jest zwracany w 24 FPS, do natywnego 2K, z dźwiękiem stereo generowanym w tym samym przejściu co obraz.
• Twój „15-sekundowy” klip ma tak naprawdę 362 klatki, czyli 15,083 sekundy. Czas trwania skacze do siatki 17 klatek, a tylko duration: 8 trafia na pełną sekundę.
• Jedna generacja może pomieścić wiele ujęć. Wpisz do promptu SHOT 1 / CUT TO, a model sam tnie, bez dodatkowych kosztów.
• W API nie ma parametru extend. Przekraczasz 15 sekund przez łączenie: ostatnia klatka w pierwszą następną, obrazy referencyjne do utrzymania wyglądu, a następnie twarde sklejenie.

Obejrzyj 45 sekund długości filmu MiniMax H3, zbudowane z trzech klipów

Zanim przejdziemy do teorii, oto samo dzieło. 45-sekundowy spot o nazwie MIDNIGHT BOWL. Trzy generacje, każda po piętnaście sekund, trzy ujęcia w każdej. Dziewięć ujęć, jeden ciągły fragment narracji, żadnych przejść maskujących połączenia.

Pełny 45-sekundowy montaż. Trzy generacje MiniMax H3 połączone bez efektów przejścia. Kucharz, fartuch, żarówka i ręcznie malowany szyld przetrwają dwa przekazania.

Dziewięć klatek z spotu MIDNIGHT BOWL ułożonych jako arkusz kontaktowy 3x3, oznaczone SHOT 1 do SHOT 9 z kodami czasowymi

Dziewięć ujęć, trzy generacje. Każdy wiersz to jedna generacja, każda kolumna to cięcie, które model wykonał samodzielnie. Ujęcia 3 i 4 są rymowane, ponieważ generacja 2 zaczyna się od ostatniej klatki generacji 1, co właśnie sprawia, że szew jest niewidoczny.

Trzy generacje. Nie dziewięć. Ta różnica jest całym sednem tego artykułu.

Nie ciąłem niczego ręcznie. Poprosiłem każdą generację o trzy ujęcia z kodem czasowym, a detektor scen ffmpeg znalazł cięcia na 4,9 s i 9,1 s w pierwszej, 4,9 s i 9,0 s w drugiej, 5,3 s i 11,0 s w trzeciej. Dziewięć ujęć, trzy faktury.

Dlaczego długość filmu MiniMax H3 rujnuje plany długich form

Sama liczba jest w porządku. Piętnaście sekund na szczycie zakresu jest hojne jak na tę generację modeli, a klipy są w 2K z prawdziwym dźwiękiem stereo. To, co rujnuje ludzi, to jednostka, w której planują.

Jeśli budżetujesz w sekundach, jednominutowy utwór to „cztery klipy”, a dziesięciominutowy to „czterdzieści klipów”, a czterdzieści klipów czegokolwiek to koszmar pracy nad ciągłością. Jeśli budżetujesz w ujęciach, jednominutowy utwór to cztery generacje zawierające mniej więcej dwanaście ujęć, co jest normalną ilością materiału na reklamę. Ten sam model, ten sam limit, zupełnie inny plan produkcji.

Retro płaska ilustracja plakatu pojedynczej taśmy filmu 35 mm, w której trzy kolejne klatki zawierają zupełnie inną scenę

Budżetuj w ujęciach, nie w sekundach. Jedna rozliczana taśma, trzy różne sceny w środku.

Jest jeszcze druga rzecz, która psuje plany długich form i wcale nie jest to limit. To szwy. Pojedyncze klipy prawie nigdy nie rozpadają się w środku. Rozpadają się na połączeniach, ponieważ każda generacja tworzy własne tło dźwiękowe i nieznacznie dryfuje w garderobie i świetle. Zaplanuj szwy, a 45 sekund jest łatwe. Zignoruj je, a cztery idealne klipy nadal będą wyglądać jak cztery klipy.

Czym tak naprawdę jest długość filmu MiniMax H3: od 4 do 15 pełnych sekund w siatce 17 klatek

Zacznijmy od specyfikacji, ponieważ krążą dwie różne liczby. Schemat API na żywo dla wszystkich trzech punktów końcowych H3 na Atlas Cloud podaje duration jako enum dokładnie 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, z wartością domyślną 8. Liczby całkowite, nic ułamkowego, nic powyżej 15. Relacje z premiery zgadzają się z tym odczytem: wyjście 2K, od 4 do 15 sekund, tylko całkowite czasy trwania (MarkTechPost, sierpień 2026). Własny post premierowy MiniMax opisuje to jako do 15 sekund w 2K z natywnym dźwiękiem stereo (MiniMax, sierpień 2026).

Nadal zobaczysz „od 5 do 15 sekund” napisane w różnych opisach profili i szybkich startach, w tym w niektórych tekstach na platformie. Traktuj schemat enum jako prawdę. Minimum to 4, a ja mam na dowód rozliczone 4-sekundowe klipy.

Teraz część, o której prawie nikt nie wspomina. Poproś o 15 sekund, a nie dostaniesz 360 klatek. Dostajesz 362.

H3 buduje wideo w blokach 17 klatek i zaokrągla żądany czas trwania w górę do następnej liczby klatek 17k + 5 przy 24 FPS. Ta siatka jest udokumentowana w oficjalnym samouczku H3 ComfyUI (ComfyUI Docs, 2026) i obowiązuje również po stronie API. Policzyłem klatki na dziewięciu prawdziwych plikach H3 za pomocą ffmpeg:

textCopy
1ffmpeg -i video-1.mp4 -map 0:v:0 -c copy -f null - 2>&1 | tail -1
2# frame=  362  ...
3#   Duration: 00:00:15.10, 1280x720, 24 fps
4

Każdy plik 15-sekundowy miał 362 klatki. Każdy plik 10-sekundowy miał 243. Trzy świeże generacje, które uruchomiłem dla tego artykułu, również miały 362, a 4-sekundowa próba w kroku 5 miała 107. Przelicz to przez siatkę: 362 to 17x21+5, 243 to 17x14+5, a 107 to 17x6+5. Wzór przewidział wszystkie trzy dokładnie, co jest poziomem zgodności, który sprawia, że ufam reszcie tabeli.

Z tej tabeli wynikają trzy rzeczy.

duration: 8 to jedyna wartość w całym zakresie, która daje czystą pełną sekundę i jest to domyślna wartość. To nie przypadek, to 17x11+5 = 192 = 8 x 24 dokładnie.

Poproś o 6, a dostajesz 6,583 sekundy – ponad pół sekundy darmowego obrazu. Poproś o 13, a dostajesz 13,667. Siatka zawsze zaokrągla w górę, nigdy w dół, więc nigdy nie brakuje.

A jeśli montujesz do muzyki lub dopasowujesz do klatki, nigdy nie obliczaj osi czasu jako duration x 24. Zmierz plik. Projekt 40 klipów zaplanowany przy założeniu pełnych sekund jest na końcu opóźniony o prawie cztery sekundy.

Dziesięć cięć w jednej 15-sekundowej generacji MiniMax H3

Oto klip, o którym wspomniałem na początku. Jedna generacja, 362 klatki, 15,10 sekundy w kontenerze. To modowy kawałek typu kinetic type i zachowuje się jak zmontowany teledysk, a nie pojedyncze ujęcie.

Jedna pojedyncza generacja MiniMax H3. Zmiany garderoby, zmiany kadrowania, podzielone ekrany i pełnoekranowe karty tytułowe – wszystko w jednym 15-sekundowym zadaniu.

Uruchomiłem na nim detektor scen ffmpeg zamiast liczyć na oko:

textCopy
1ffmpeg -i video-5.mp4 -vf "select='gt(scene,0.6)',showinfo" -f null -
2# 18 przerw oznaczonych, na 1.54 2.88 3.63 4.21 5.54 5.83 6.92 8.88 11.17 13.00 ...
3

Dziesięć z nich to czyste zmiany ujęć w ciągu pierwszych trzynastu sekund. Ogon to migocząca karta tytułowa na czarnym tle, co zawyża surową liczbę, więc dziesięć to konserwatywna, uczciwa liczba. Tak czy inaczej, nie jest to jedno ujęcie i nie są to trzy.

Teraz przypadek kontrolny, ponieważ „H3 zawsze tnie twój klip na kawałki” to odwrotna porażka i równie błędna. Ten następny plik to również pojedyncza 15-sekundowa generacja, również 362 klatki, a ten sam detektor znajduje w nim dokładnie zero cięć.

Inna pojedyncza generacja, te same 362 klatki, zero wykrytych cięć. Jeden ciągły ruch kamery przez pełne piętnaście sekund.

Zatem limit to nie „piętnaście sekund materiału”. To piętnaście sekund czasu ekranowego, który możesz dowolnie dzielić – od jednego nieprzerwanego ujęcia do dziesięciu cięć. Kontrolujesz to z promptu i płacisz tyle samo niezależnie.

Trzy punkty końcowe stojące za długością filmu MiniMax H3 w jednej karcie

Przekroczenie piętnastu sekund wymaga trzech różnych zadań: czegoś, co zrobi klatkę kotwiczną, czegoś do animowania i łączenia oraz czegoś do przesuwania kamery bez gubienia obiektu. Na Atlas Cloud wszystkie cztery znajdują się w tym samym katalogu z jednym kluczem i jednym saldem, co ma znaczenie tutaj głównie dlatego, że łańcuch w następnej sekcji wielokrotnie przekazuje między nimi pliki.

Wszystkie trzy punkty końcowe H3 nie mają obecnie zniżki, więc stawka jest stała. Możesz potwierdzić to wszystko w pełnym katalogu modeli.

Trzy pułapki parametrów, które warto znać przed napisaniem pierwszego zapytania, wszystkie pochodzą z żywych schematów, a nie z tekstu dokumentacji:

1. ratio zachowuje się inaczej na każdym punkcie końcowym. text-to-video oferuje sześć proporcji i domyślnie ustawia 1:1, co po cichu da ci kwadratowy klip, jeśli zapomnisz go ustawić, i nie akceptuje adaptive w ogóle. image-to-video oferuje tylko adaptive, więc kadrowanie podąża za twoją pierwszą klatką. reference-to-video to jedyny z pełnym zestawem plus adaptive.
2. resolution to 768P lub 2K, domyślnie 2K. Oba poziomy mieszczą się pod jedną podaną stawką za sekundę w katalogu, więc przejście na 768P nie oszczędza pieniędzy. Używaj 2K.
3. image-to-video przyjmuje również opcjonalny end_image. Możesz przypiąć oba końce klipu, nie tylko początek. To zamienia poniższą sztuczkę łańcuchową w coś, co można sterować z obu stron.

Jak pokonać limit długości filmu MiniMax H3 krok po kroku

To jest pełna konstrukcja MIDNIGHT BOWL. Każdy prompt poniżej jest tym, który faktycznie wysłałem – skopiuj je dosłownie. Całkowity czas działania to trzy generacje H3 plus jedna nieruchoma, a całość jest odtwarzalna w karcie przeglądarki.

Krok 1: Zablokuj wygląd w jednej klatce kotwicznej

Nie zaczynaj od wideo. Zacznij od jednej nieruchomej, którą naprawdę lubisz, ponieważ każdy klip w łańcuchu odziedziczy jej światło, garderobę i szyld. Zrobienie tego źle jest drogie; zrobienie tego dobrze kosztuje centy.

Model: openai/gpt-image-2/text-to-image. Ustawienia: jakość wysoka, proporcje 16:9.

textCopy
1Film still, 2am at a narrow Tokyo back-alley noodle stall. A 50-year-old chef in a navy apron and white bandana leans over a steaming stockpot behind a scratched wooden counter, sleeves rolled to the elbow, forearms lit hot orange by a single hanging bulb. Rain-slick asphalt reflects red and green signage; paper lanterns and a hand-painted wooden sign reading "MIDNIGHT BOWL" hang above the counter. Steam rolls across the frame from camera right. Shot on a 35mm lens at f/2, shallow depth of field, deep shadows, warm tungsten key against cool blue night, visible fine film grain, no text overlays.
2

Środowisko GPT Image 2 na Atlas Cloud z wypełnionym promptem kotwicznym MIDNIGHT BOWL i gotowym obrazem w panelu wyjściowym

GPT Image 2 na Atlas Cloud: jakość ustawiona na wysoką, 16:9, klatka kotwiczna wyrenderowana po prawej.

Klatka kotwiczna MIDNIGHT BOWL: kucharz w granatowym fartuchu za parującym garnkiem pod pojedynczą wiszącą żarówką w deszczowej bocznej uliczce

Klatka kotwiczna. Wszystko w dół łańcucha dziedziczy tę żarówkę, ten fartuch i ten szyld.

Krok 2: Umieść trzy ujęcia w jednej 15-sekundowej generacji MiniMax H3

Oto ruch, który zmienia budżet. Zamiast prosić o jeden ciągły piętnaście sekund, podaj modelowi listę ujęć z jawnymi kodami czasowymi i słowami CUT TO. Model sam wytnie, w ramach jednej rozliczonej generacji.

Model: minimax/h3/image-to-video. Ustawienia: resolution 2K, duration 15, ratio adaptive (jedyna opcja tutaj, kadrowanie podąża za pierwszą klatką), pierwsza klatka = nieruchoma z kroku 1.

textCopy
1SHOT 1 (0-5s): Locked-off wide of the stall. Steam billows; the chef ladles broth into a black bowl; rain drips off the awning edge. SHOT 2 (5-10s): CUT TO a macro close-up of the ladle breaking the broth surface, golden fat swirling, chopped scallion falling in slow arcs. SHOT 3 (10-15s): CUT TO a medium shot of the chef looking straight into the lens, wiping his hands on the apron, and saying in Japanese with a tired smile: "Ippai, dozo." He sets the bowl down on the counter and the shot holds on his face.
2Audio: heavy rain on the awning, broth simmering, the ladle knocking the pot rim, a distant train, low late-night city hum. One line of clear male Japanese dialogue, natural room tone, no music.
3Keep the same chef, apron, bandana, bulb and signage in all three shots. Hard cuts only, no dissolves, no camera whip transitions. Warm tungsten key, cool blue night, 35mm look, film grain.
4

Trzy rzeczy sprawiają, że to działa. Jawne zakresy sekund, dosłowny ciąg CUT TO i klauzula ciągłości na dole, która wymienia każdy element, który musi przetrwać cięcia. Pomiń klauzulę ciągłości, a ujęcie 3 wróci z innym fartuchem.

Środowisko MiniMax H3 image-to-video na Atlas Cloud z załadowaną klatką kotwiczną, czasem trwania 15 i wybranym 2K, gotowy klip odtwarzany w panelu wyjściowym

MiniMax H3 image-to-video na Atlas Cloud: klatka kotwiczna załadowana jako pierwsza klatka, rozdzielczość 2K, gotowy klip po prawej. Zwróć uwagę na suwak czasu trwania i cenę, która za nim podąża. To konkretne uruchomienie zostawiło czas trwania na domyślnym 8, dlatego przycisk pokazuje 1,12 $; przy 15 pokazuje 2,10 $.

Generacja 1. Jedno rozliczone zadanie, trzy ujęcia (cięcia zmierzone na 4,92 s i 9,13 s), jedna linia dialogu z synchronizacją ust, natywne 2560x1440 i 32 kHz stereo audio w tym samym pliku.

Krok 3: Połącz kolejne 15 sekund z ostatnią klatką

Nie ma parametru extend. Łańcuch jest ręczny i trywialny: wyciągnij ostatnią klatkę generacji 1 i podaj ją z powrotem jako pierwszą klatkę generacji 2.

bashCopy
1ffmpeg -sseof -0.08 -i generation-1.mp4 -frames:v 1 -q:v 2 handoff-frame-01.jpg
2

Model: ponownie minimax/h3/image-to-video. Ustawienia: pierwsza klatka = handoff-frame-01.jpg, resolution 2K, duration 15, ratio adaptive.

Ważną dyscypliną jest tutaj to, co pomijasz. Nie opisuj ponownie kucharza. Jest już w pikselach, które właśnie przekazałeś, a ponowne opisanie daje modelowi pozwolenie na reinterpretację.

textCopy
1Continue from this exact frame, same man, same apron, same light. SHOT 1 (0-5s): He slides the bowl across the counter with both hands toward camera. SHOT 2 (5-10s): CUT TO over-the-shoulder of a customer's hands lifting wooden chopsticks and splitting them, sleeve cuffs of a wet grey raincoat visible. SHOT 3 (10-15s): CUT TO an extreme macro noodle pull, steam curling up past the lens, broth dripping back into the bowl.
2Audio: continuous rain and simmering carried over from before, ceramic on wood, chopsticks snapping, a slurp, the same distant train. No music, no narration.
3Hard cuts only. Same tungsten key from the hanging bulb, same cool blue night behind, same 35mm shallow depth of field and film grain.
4

Generacja 2, rozpoczęta od ostatniej klatki generacji 1. Ten sam kucharz, ten sam wzór bandany, ta sama granatowa góra, ta sama kuchnia za nim. Znowu trzy ujęcia, cięcia na 4,92 s i 9,04 s.

Dwusekundowa pętla przez szew między generacją pierwszą a drugą

Szew: ostatnia sekunda generacji 1 w pierwszą sekundę generacji 2. Żadnego efektu przejścia, tylko cięcie.

Krok 4: Przesuń kamerę za pomocą reference-to-video

Łańcuch ostatniej klatki ma jedno wbudowane ograniczenie: zawsze wznawia się od miejsca, w którym stała poprzednia kamera. Aby przeskoczyć do zupełnie nowego kąta, zachowując ten sam obiekt, zmień punkt końcowy.

Model: minimax/h3/reference-to-video. Ustawienia: refers = klatka kotwiczna z kroku 1 plus ostatnia klatka generacji 2, resolution 2K, duration 15, a ratio ustaw jawnie na 16:9 tutaj zamiast zostawiać na adaptive. Ten punkt końcowy akceptuje do dziewięciu obrazów referencyjnych, trzech filmów referencyjnych i trzech klipów audio, przy czym film referencyjny jest ograniczony do łącznie 15 sekund (MarkTechPost, sierpień 2026).

textCopy
1Wide low-angle shot from the middle of the wet street looking back at the same noodle stall, the same chef inside it. SHOT 1 (0-6s): Rain streaks through the frame; two silhouetted customers sit at the counter; the chef works under the single bulb. SHOT 2 (6-11s): CUT TO the hand-painted wooden sign as kinetic white type animates on beside it, letter by letter: "MIDNIGHT BOWL - OPEN TILL 4AM". Type stays razor-sharp and locked to the sign as the camera drifts. SHOT 3 (11-15s): CUT BACK to the wide as the chef looks up, raises one hand in a small wave, and the bulb flickers once.
2Audio: rain, street ambience, a scooter passing, the same faint train, a single low sub hit as the type lands. No dialogue.
3Same chef, same apron and bandana, same signage and lantern colours as the reference images. Hard cuts only, film grain, 35mm, warm tungsten against cool blue.
4

Ta instrukcja ratio to nie paranoja. Oto, co się dzieje, gdy zostawisz menu rozwijane bez zmian na tym punkcie końcowym:

Środowisko MiniMax H3 reference-to-video na Atlas Cloud z załadowanymi dwoma obrazami referencyjnymi, proporcjami pozostawionymi na adaptive i błędem 400 w panelu wyjściowym

MiniMax H3 reference-to-video na Atlas Cloud: oba obrazy referencyjne załadowane, rozdzielczość 2K, a Aspect Ratio wciąż ustawione na domyślne adaptive. Uruchomienie zwraca 400: "ratio is required for t2va (text-only) and cannot be 'adaptive'; allowed: 16:9/4:3/1:1/3:4/9:16/21:9". Ustaw jawnie, a to samo żądanie przechodzi, co jest sposobem, w jaki powstał poniższy klip. Zwróć uwagę, że opis strony nad nim również brzmi "768P/1080P/2K, 5s/10s", podczas gdy schemat mówi 768P lub 2K i 4 do 15 sekund. Ufaj schematowi.

Nie udało mi się sprawić, by menu rozwijane proporcji w środowisku utrzymało zaprogramowaną zmianę po trzech próbach, więc udana generacja 3 poniżej pochodzi z API z ratio: "16:9" ustawionym w treści żądania. Nieudane uruchomienie nic nie kosztowało.

Generacja 3. Zupełnie nowa pozycja kamery z drugiej strony mokrej ulicy, ten sam kucharz, a animowany biały napis na szyldzie pozostaje ostry jak brzytwa, gdy kamera dryfuje. Cięcia na 5,29 s i 10,96 s.

Porównanie obok siebie oryginalnej klatki kotwicznej i klatki z generacji trzeciej, pokazujące tego samego kucharza i szyld 41 sekund i dwa przekazania później

Po lewej: klatka kotwiczna z kroku 1. Po prawej: generacja 3 na 41 sekundzie, dwa przekazania później. Ten sam kucharz, ta sama bandana, ta sama granatowa góra, ten sam ręcznie malowany szyld, ta sama czerwona latarnia.

Krok 5: Zmierz rzeczywistą długość filmu MiniMax H3, a następnie zszyj

Dwa nawyki na koniec. Po pierwsze, zrób tanią próbę przed zakupem piętnastu sekund. Ten sam prompt, duration 4, i dowiesz się, czy model zrozumiał twoją listę ujęć za mniej więcej jedną czwartą ceny.

4-sekundowa próba tej samej listy ujęć. Zmierzona na 107 klatek, czyli 4,458 sekundy, dokładnie to, co przewiduje siatka. Wystarczy, aby zobaczyć, czy model zrozumiał scenę przed zakupem pełnego ujęcia.

Po drugie, zmierz każdy plik przed cięciem, ponieważ żaden nie ma długości, o którą prosiłeś:

bashCopy
1# rzeczywista liczba klatek i czas trwania kontenera, nie duration x 24
2ffmpeg -i generation-1.mp4 -map 0:v:0 -c copy -f null - 2>&1 | grep -o 'frame= *[0-9]*' | tail -1
3
4# twarde cięcie concat, bez przejść, bez przekodowania
5printf "file 'generation-1.mp4'\nfile 'generation-2.mp4'\nfile 'generation-3.mp4'\n" > list.txt
6ffmpeg -f concat -safe 0 -i list.txt -c copy midnight-bowl-45s.mp4
7

Trzy pliki po 362 klatki każdy dają 1086 klatek, które zmierzyłem na gotowym concacie: 45,25 sekundy obrazu, a nie 45. Mało, dopóki nie zszywasz czterdziestu takich.

Warianty: dialog, pion i 4-sekundowa próba

Gdy łańcuch działa, te same trzy punkty końcowe pokrywają większość tego, o co ludzie faktycznie proszą.

Ujęcie i przeciwujęcie w dialogu. Umieść obie strony rozmowy w jednej generacji, a nie w dwóch. Synchronizacja ust i tło dźwiękowe są ciągłe w ramach jednego zadania i niezależne między zadaniami, więc rozmowa podzielona na dwie generacje daje dwa niezwiązane ze sobą tła pomieszczenia. Trzymaj wymiany w obrębie jednego klipu.

Dwoje młodych aktorów w trakcie kłótni na betonowym podestcie klatki schodowej, ostre światło okienne padające na nich, ujęcie przez ramię

Ujęcie i przeciwujęcie działa, o ile oba kąty znajdują się w tej samej generacji.

Pion. W image-to-video nie ustawiasz proporcji, ustawiasz pierwszą klatkę. Wygeneruj wysoką klatkę kotwiczną, a adaptive podąży za nią. Jeden z klipów, które zmierzyłem, miał 1280x2276 z tą samą liczbą 243 klatek co jego rodzeństwo 16:9, więc siatka klatek nie przejmuje się twoim formatem obrazu.

4-sekundowa próba jako standardowa praktyka. Przy 0,14 $ za sekundę, cztery sekundy to 0,56 $ wobec 2,10 $ za pełne ujęcie. W konstrukcji z dziewięcioma ujęciami wypróbowanie każdej generacji przed zaangażowaniem kosztuje mniej niż jedno zmarnowane 15-sekundowe zadanie.

Gdzie limit naprawdę gryzie. Wszystko, co wymaga nieprzerwanej wydajności dłuższej niż piętnaście sekund. Ciągły 30-sekundowy monolog to nie problem łączenia, to problem synchronizacji ust przez szew i żadna dyscyplina promptu tego nie naprawi.

Ile kosztuje 45 sekund długości filmu MiniMax H3

Przy 0,14 $ za sekundę, pełna 15-sekundowa generacja kosztuje 2,10 $. To jedyna liczba, której potrzebujesz; wszystko inne to mnożenie. Interesująca kolumna to ostatnia.

Przeczytaj kolumnę kosztu na ujęcie, a panika dotycząca limitu w większości wyparuje. Planowanie jednej generacji na ujęcie daje 2,10 $ za ujęcie. Upakowanie trzech ujęć w każdej generacji daje 0,70 $. Ten sam model, ten sam piętnastosekundowy limit, jedna trzecia faktury.

Kolumna współczynnika zatrzymania to ta, o której ludzie zapominają. Nic użytecznego nie wraca za pierwszym razem, a plan, który zakłada, że tak będzie, to plan, który kończy się budżetem w drugiej minucie.

Dla kontekstu, gdzie znajduje się limit w porównaniu do wszystkiego innego w katalogu, wszystkie poniższe są aktualne na 4 sierpnia 2026:

Dwa wnioski. Piętnaście sekund H3 jest na szczycie obecnej generacji, a nie za nią, a Veo 3.1 kończy się na ośmiu. A jeśli naprawdę potrzebujesz jednego długiego pliku z jednego punktu końcowego, istnieje dedykowany model extend, ale przełączanie modeli w środku łańcucha oznacza zmianę twarzy.

Jedna uczciwa uwaga na temat dźwięku, wag i długości filmu MiniMax H3

Trzy zastrzeżenia, z których żadne nie przesuwa limitu.

Dźwięk nie przenosi się między generacjami. Każde zadanie komponuje własne tło stereo od zera. Trzy połączone klipy oznaczają trzy niezwiązane ze sobą tła deszczu i usłyszysz zmianę, nawet gdy obraz pasuje idealnie. Dwa rozwiązania: napisz klauzulę atmosfery identycznie w każdym prompcie, aby tła były blisko siebie, lub wycisz zszyty montaż i nałóż pod niego jeden ciągły utwór. W przypadku dialogu trzymaj wymianę w obrębie jednej generacji.

Kilka oddzielnych krótkich fragmentów przebiegu fali dźwiękowej z widocznymi przerwami między nimi po lewej stronie, jedna ciągła fala po prawej, na jasnym jednolitym tle

Po lewej: to, co faktycznie daje łączenie. Po prawej: to, co musisz zbudować pod nim.

Samo hostowanie nie odblokowuje dłuższych klipów. Wagi open source pojawiły się 2 sierpnia 2026 (Hugging Face, sierpień 2026), a uruchamianie ich lokalnie daje krótszy bok 768 pikseli zaokrąglony do wielokrotności 32, zgodnie z notatkami konfiguracyjnymi ComfyUI. Siatka 17 klatek i sufit 15 sekund są takie same. Licencja społecznościowa również obecnie nie obejmuje UE, Wielkiej Brytanii, Korei ani USA, więc API jest praktyczną drogą dla większości zespołów.

Model może po cichu cię przepisać. Zdarzyło mi się, że H3 zwrócił completed dla zadania, w którym po cichu upuścił element, o który prosiłem. Wyciągaj klatki z każdego klipu i oglądaj je przed zszyciem. W łańcuchu dziewięciu ujęć jeden nieobserwowany klip to jeden zmarnowany szew.

Często zadawane pytania

Jaka jest maksymalna długość filmu MiniMax H3?

Piętnaście sekund. Parametr duration to enum liczb całkowitych od 4 do 15 z domyślną wartością 8, więc 16 jest odrzucane, a 7,5 nie jest prawidłową wartością. Każdy klip ma 24 FPS do natywnego 2K z dźwiękiem stereo generowanym razem z obrazem.

Czy MiniMax H3 może generować filmy dłuższe niż 15 sekund?

Nie w jednej generacji, a API nie ma parametru extend. Przekraczasz 15 sekund przez łączenie: wyciągnij ostatnią klatkę jednego klipu jako pierwszą klatkę następnego, użyj reference-to-video, gdy potrzebujesz nowego kąta kamery, a następnie połącz z twardymi cięciami. Niektóre interfejsy konsumenckie nakładają własną funkcję extend na H3, aby osiągnąć około 30 sekund, ale to produkt wykonuje łączenie, a nie model generuje dłuższy.

Dlaczego mój 15-sekundowy klip MiniMax H3 ma tak naprawdę 15,08 sekundy?

Ponieważ czasy trwania skaczą do siatki 17 klatek. Żądanie 15 sekund zwraca 362 klatki, czyli 17x21+5, a przy 24 FPS daje to 15,083 sekundy. Żądanie 10 zwraca 243 klatki, czyli 10,125 sekundy. Tylko duration: 8 trafia na pełną sekundę, dokładnie 192 klatki. Jeśli twój montaż jest precyzyjny co do klatki, zmierz każdy plik zamiast obliczać duration x 24.

Czy mogę umieścić wiele ujęć w jednej generacji MiniMax H3?

Tak, i to jest największa dostępna oszczędność. Wpisz do promptu jawne ujęcia z kodami czasowymi i dosłowne słowa CUT TO, a także dodaj klauzulę ciągłości wymieniającą, co musi przetrwać cięcia. Zmierzyłem dziesięć czystych cięć w jednej prawdziwej 15-sekundowej generacji. Trzy ujęcia na generację są wygodne i niezawodne, co zamienia klip za 2,10 $ w trzy ujęcia po 0,70 $.

Czy krótsza długość filmu MiniMax H3 kosztuje mniej?

Tak, liniowo. Rozliczanie jest za sekundę po 0,14 $, więc 4-sekundowa próba kosztuje 0,56 $ wobec 2,10 $ za pełne 15-sekundowe ujęcie. Rozdzielczość to inna historia: 768P i 2K mieszczą się pod jedną stawką w katalogu, więc obniżenie rozdzielczości nic nie oszczędza. Skróć klip, a nie piksele.

Ile klipów MiniMax H3 potrzebuję na minutę wideo?

Cztery, jeśli za każdym razem wypełnisz wszystkie piętnaście sekund. Ale licz w ujęciach: cztery generacje po trzy ujęcia każda dają dwanaście ujęć materiału, co jest normalną ilością na minutę reklamy. Następnie pomnóż swój budżet przez mniej więcej trzy, aby uwzględnić ujęcia, które odrzucasz.