Vídeo ASMR com MiniMax H3: cortei uma romã de vidro e depois medi se o estéreo era real

Ponha auscultadores antes de descer até ao clipe abaixo. Nesta categoria, isso faz mesmo diferença.

Uma faca desce sobre uma romã esculpida em vidro rubi. A casca abre-se, ouve-se um estalo cristalino e depois algumas dezenas de sementes de vidro rolam sobre ardósia molhada. Eis a parte que é diferente de quase todos os clipes ASMR com IA por que passou este ano: ninguém acrescentou esse som. Não houve biblioteca de sons, nem editor, nem linha temporal. A imagem e o áudio saíram de uma única geração, numa única chamada.

Durante o último ano, o ASMR com IA pareceu satisfatório e soou ligeiramente errado, e o motivo nunca esteve nos visuais. Estava no último passo do pipeline. Colar áudio num clipe silencioso tem sido um trabalho manual, feito à mão, uma vez após outra. A categoria cresceu tão depressa à volta dessa lacuna que surgiu uma pequena indústria de sites dedicados de geradores de ASMR com IA apenas para automatizar a costura, com um deles a anunciar "áudio 3D binaural" logo na página inicial. A procura já tinha sido provada há muito. Estava simplesmente a ser servida por montagem.

Por isso, executei a coisa como deve ser. Um fluxo de trabalho reproduzível, seis clipes e depois a parte que quase ninguém nesta categoria faz: separei os canais esquerdo e direito no ffmpeg e medi-os. Parte do que eu esperava revelou-se errado, e isso acabou por ser a coisa mais útil do artigo.

Principais conclusões

• O H3 renderiza a imagem a 24 fps e uma faixa estéreo AAC a 32 kHz na mesma passagem. O áudio é gerado, não dobrado por cima depois.
• O estéreo é genuinamente estéreo, não mono duplo disfarçado de estéreo. Mas não é possível pedir um pan no prompt. Pedi uma deslocação forte da esquerda para a direita e obtive uma diferença de 1,9 dB, o que não é nada.
• A largura estéreo vem do conteúdo, não da sua formulação. O clipe de chuva, em que não pedi qualquer direção, voltou com um campo genuinamente amplo.
• Fixar o primeiro frame mantém o plano entre resoluções, mas 768P e 2K continuam a ser duas tomadas diferentes. O rascunho antecipa o aspeto e a especificação sonora, não a coreografia exata.
• Um clipe de 5 segundos em 768P cobra $0.50. O mesmo clipe em 2K cobra $0.70. O artigo inteiro custou $4.27.

Ouça primeiro: um vídeo ASMR com MiniMax H3, cortado numa só passagem

Cinco segundos, 2K, 24 fps, estéreo a 32 kHz, uma geração, $0.70. Som ligado: o chiar da lâmina a entrar, o estalo, depois as sementes. Nada foi acrescentado depois. Gerado com minimax/h3/image-to-video.

Um prompt. Um modelo. Uma chamada. Tudo abaixo explica como esse clipe foi feito, quanto custou e que partes da história de marketing sobrevivem ao contacto com uma forma de onda.

Porque é que o ASMR com IA explodiu, e porque é que a maior parte falha o teste dos auscultadores

A tendência tem data de nascimento. O ASMR com IA começou a espalhar-se em junho de 2025, logo depois de o Veo 3 chegar, e o formato tornou-se explosivo em poucos dias. Um mukbang de lava de @asmraiworks somou mais de 11,3 milhões de visualizações numa semana; um clipe de corte de vidro fez 5,3 milhões em onze dias (Know Your Meme, 2025). As redações pegaram no tema como curiosidade, com visuais surreais e lava derretida comida com pauzinhos a fazerem grande parte do trabalho pesado (The Express Tribune, 2025).

Depois as pessoas puseram auscultadores, e o ambiente mudou. O autor da TechRadar viu uma série dos vídeos virais e saiu de lá a descrever um brilho de artificialidade, "sem os erros e a imprecisão que são a marca do ASMR feito por humanos" (TechRadar, junho de 2025). Fãs citados nesse artigo disseram que os gatilhos de formigueiro estavam tecnicamente presentes, mas que ainda assim não era a mesma coisa.

Há uma razão mecânica, e não é mística. O ASMR é a única categoria de conteúdo em que o conteúdo é o som. Em todos os outros lugares, o áudio é guarnição. Aqui é o produto. E o fluxo de trabalho dominante era:

1. gerar um clipe silencioso com um modelo de vídeo,
2. procurar numa biblioteca de sons um estalo, um crunch, uma base de chuva,
3. alinhar o som com a imagem num editor,
4. ajustar pan e mistura à mão, se isso lhe importar, o que quase ninguém faz em volume,
5. exportar.

O passo 3 é onde tudo morre. Um estalo enlatado disparado dois frames tarde soa falso antes de se conseguir explicar porquê. Multiplique isso por um calendário de publicação diária e os erros acumulam-se, porque o alinhamento está a ser refeito por um humano todas as vezes.

Essa lacuna é a razão pela qual existe toda uma indústria artesanal de sites geradores de ASMR com IA. Pelo menos três estão a vender-se ativamente e um deles destaca áudio 3D binaural como funcionalidade principal. Não estão a resolver um problema falso. Estão a remendar uma falha real: os modelos de vídeo por baixo deles não produzem som.

É por isso que vale a pena olhar para uma divisão específica no ranking. No quadro de edição de vídeo da Artificial Analysis, o que é avaliado com áudio, o MiniMax H3 está em #1 com 1.126 Elo, à frente do Gemini Omni Flash com 1.119 e cerca de cem pontos acima do Dreamina Seedance 2.0 com 1.027 (Artificial Analysis, agosto de 2026). Nos quadros de imagem-para-vídeo, onde o áudio não entra na pontuação, vários desses modelos ficam a poucos pontos uns dos outros. A diferença abre quando o som conta. Para ASMR, o som é tudo o que conta.

O fluxo de trabalho de vídeo ASMR com MiniMax H3, e quanto custa cada passo

Três endpoints, um separador do navegador. Executei tudo neste artigo no Atlas Cloud, por isso todos os valores abaixo vieram da fatura e não de uma tabela de preços.

A listagem mostra "From $0.1/SEC" nos três endpoints H3. Esse é o piso de 768P. 2K cobra $0.14/s e esse número não aparece em lado nenhum exceto na sua fatura, por isso planeie com base no escalão que realmente pedir.

Tabela 1: uma passagem versus o pipeline costurado.

Estou deliberadamente a não citar a tarifa por segundo de uma plataforma de vídeo rival, porque a diferença não está na computação. A geração de áudio custa $0.143 por minuto, ou seja, cêntimos. O verdadeiro custo do pipeline costurado são 20 minutos de atenção humana por clipe, e esse custo não desce à medida que se escala. Multiplica-se. Uma conta sem rosto que publica todos os dias é exatamente o caso em que 20 minutos por clipe consomem discretamente todo o modelo de negócio.

O contrapeso honesto: costurar à mão dá controlo. Pode pôr um som em qualquer ponto do campo estéreo e apará-lo ao frame. O H3 dá-lhe a sincronização de graça e, como as medições abaixo mostram, não lhe devolve esse controlo.

Tabela 2: os três endpoints H3, os parâmetros que realmente importam.

Duas armadilhas de parâmetros que vale a pena escrever na mão. O parâmetro chama-se ratio, não aspect_ratio, e a chave errada deixa-o por definir, pelo que text-to-video rejeita o pedido. E image mais refers na mesma chamada não dá erro: completa, cobra o valor total e descarta silenciosamente uma das duas entradas.

Tutorial de vídeo ASMR com MiniMax H3: cortar uma romã de vidro

Cortar fruta de vidro é o formato que toda a gente reconhece, por isso o leitor percebe instantaneamente o que está a ver. Maçãs de vidro e mangas de vidro já foram feitas até à exaustão, no entanto. Uma romã é melhor por uma razão específica: quando a casca abre, centenas de sementes de vidro derramam-se e rolam, por isso o som tem duração e estrutura em vez de ser um único impacto centrado. Se um modelo estiver a fingir o áudio, uma dispersão é onde isso se revela.

Passo 1: criar o frame base com GPT Image 2

Fixe a composição antes de gastar dinheiro em vídeo. Definições: quality: high, size: 2048x1152 (16:9), output_format: png.

PlainCopy
1Extreme close-up macro photograph of a whole pomegranate carved entirely from thick
2translucent ruby-red glass, resting on a wet black slate slab. The glass shell is 8mm
3thick with visible internal bubbles and chipped facets; hundreds of tiny glass seeds
4glow inside like garnet crystals. A polished Japanese santoku knife lies at the left
5edge of the frame, blade tip just touching the glass skin. One hard key light from the
6upper right rakes across the slab and throws sharp red caustics onto the wet stone.
7100mm macro, f/2.8, shallow depth of field, dark moody background.
8No hands, no text, no watermark, no logo.

Playground do GPT Image 2 no Atlas Cloud com quality definido como high e tamanho 16:9 2048x1152, a romã de vidro renderizada no painel OUTPUT

A execução real. Quality high a 2048x1152, e a página indica $0.1745, que foi também o que a fatura disse mais tarde.

O frame base gerado: uma romã esculpida em vidro rubi espesso sobre ardósia preta molhada, com uma faca santoku a entrar pela margem esquerda

O frame entregue ao H3. Gerado com openai/gpt-image-2/text-to-image.

Passo 2: escrever a metade sonora do prompt de vídeo ASMR com MiniMax H3

A maioria das pessoas escreve um prompt de ASMR como uma descrição de imagem com a palavra "ASMR" colada à frente, e depois pergunta-se por que razão o modelo lhe põe uma música de piano lo-fi. O H3 leva a direção de áudio a sério se lhe der alguma. Estruture a metade sonora em cinco campos:

1. Material. O que está a produzir o som. Vidro, cera, rocha derretida, água em vidro. Seja específico quanto a espessura e humidade; isso altera o timbre.
2. Ação e a sua forma no tempo. Não apenas "corta", mas "pressiona para baixo num único movimento lento e contínuo". O modelo usa isto para posicionar eventos.
3. Perspetiva de microfone. close-mic, intimate, pistas de distância de gravação. Isto define quão seco e próximo o som parece, e funciona bem.
4. Sequência de onomatopeias. Escreva os eventos sonoros por ordem: chiar, depois estalar, depois dezenas de pequenos impactos, depois silêncio. Este é o campo que faz mais trabalho.
5. Negativos. no music, no voice, no narration, no room reverb, no ambience bed. Sem isto, o H3 acrescentará prestavelmente uma banda sonora, porque a maior parte do vídeo nos seus dados de treino tem uma.

Também escrevi direções de canais no campo 4, pedindo o estalo no canal esquerdo e as sementes a rolarem da esquerda para a direita. Continue a ler para ver o que isso realmente produziu.

Passo 3: executar o rascunho em 768P

Faça o rascunho em 768P. A faixa de áudio tem a mesma especificação nos dois escalões, por isso todo o juízo criativo, que em ASMR é um juízo de escuta, pode ser feito à tarifa barata.

Definições em minimax/h3/image-to-video: image = a saída do Passo 1, resolution: 768P, duration: 5. O ratio vem do primeiro frame, por isso deixe-o em paz.

PlainCopy
1The santoku blade enters from the left and presses down through the glass pomegranate
2in one slow continuous stroke, travelling left to right across the frame. The shell
3splits with a bright crystalline crack and a spray of tiny glass seeds tumbles onto the
4wet slate, scattering toward the right edge. Camera locked off, macro, single take, no cuts.
5
6Audio: ASMR, close-mic, intimate, no music, no voice, no narration, no room reverb.
7A dry sustained glass squeak as the edge bites in, then one sharp high crack panned to
8the LEFT channel, followed by dozens of small tinkling seed impacts rolling from the
9LEFT channel across to the RIGHT channel as they scatter. A faint blade-on-stone scrape
10at the very end, then silence. No ambience bed, no hum, no background music.

Playground image-to-video do MiniMax H3 no Atlas Cloud com o frame base carregado, duração 5 e um clipe concluído no painel OUTPUT

A execução image-to-video: primeiro frame carregado, duração 5, OUTPUT concluído. Note que o seletor Resolution está no valor predefinido da página de 2K. Mude-o para 768P para rascunhos, que foi a resolução em que o clipe abaixo foi renderizado.

O rascunho em 768P, $0.50. Imagem mais suave do que o clipe principal, mesma especificação de áudio. Esta é a tomada em que toda a decisão é tomada.

Passo 4: medir o estéreo antes de confiar nele

Não acredite na minha palavra sobre o som, nem na do modelo. Separe os canais e veja. Isto é ffmpeg local, sem chamada de API, sem custo:

BashCopy
1ffmpeg -i 02-glass-pomegranate-768p-draft.mp4 \
2  -filter_complex "showwavespic=s=1480x240:split_channels=1:colors=#d93a30|#2f7ed8" \
3  -frames:v 1 stereo-proof.png

Análise de forma de onda em quatro painéis comparando o clipe da romã de vidro e o clipe de chuva, mostrando os canais esquerdo e direito e o canal lateral de cada um

Canal esquerdo sobre canal direito em dois clipes, mais o canal lateral (esquerdo menos direito) com ganho correspondente por baixo. Este é o argumento inteiro numa só imagem.

Eis o que voltou, e parte disso não era o que eu esperava.

O estéreo é real. O canal lateral não está vazio em nenhum clipe que gerei. Um ficheiro mono duplo mascarado de estéreo não mostraria nada ali. Este tem conteúdo.

Mas não é possível pedir um pan. Pedi, em maiúsculas, o estalo no canal LEFT e as sementes a rolarem da LEFT para a RIGHT. Medição: correlação entre canais de 0,97, canal lateral 17,7 dB abaixo do canal médio, e a maior diferença de nível esquerda-direita em qualquer janela de um quarto de segundo é 1,9 dB. Isso não é um pan. É uma imagem centrada com um pouco de largura natural. A faca atravessa o frame; o som fica no lugar.

A largura vem do conteúdo, não da sua formulação. O clipe de chuva na secção seguinte, em que não pedi qualquer direção, voltou com correlação de 0,32 e o canal lateral apenas 2,9 dB abaixo do médio. É um campo genuinamente amplo e descorrelacionado. Ambiência difusa ganha largura automaticamente. Impactos discretos ficam perto do centro independentemente do que se escreva.

Portanto, a afirmação honesta sobre este modelo não é espacial. É temporal. Obtém som que foi gerado em conjunto com a imagem e que cai no frame a que pertence, de graça, para sempre, sem editor. Se o seu formato precisa mesmo de um pan forte, ainda tem de o fazer em pós-produção, e deve parar de escrever nomes de canais nos prompts, porque não estão a fazer nada.

Agora execute de novo a versão final: mesmo endpoint, mesmo primeiro frame, mesmo prompt, altere um campo para resolution: 2K. Há mais uma coisa que vale a pena saber antes de assumir que o rascunho é uma pré-visualização.

Duas filas de cinco frames comparando as execuções em 768P e 2K nos mesmos timestamps, idênticas no frame zero e divergindo a partir de cerca de 2,5 segundos

Mesmo primeiro frame, mesmo prompt, ambos os escalões. O frame 0 coincide exatamente. Aos 2,5s, a casca parte de forma diferente e os dois clipes tornaram-se tomadas diferentes.

Fixar o primeiro frame mantém a composição, o enquadramento, a iluminação e a cor entre os dois escalões, que é a razão pela qual deve usar sempre image-to-video em vez de text-to-video para isto. Não lhe dá a mesma tomada. A execução em 2K relança a ação. Trate o rascunho como uma pré-visualização do aspeto e do som, não da coreografia exata.

Passo 5: adicionar uma gravação real como referência de vídeo ASMR com MiniMax H3

Se tem um som que realmente quer, entregue-o. reference-to-video aceita até 9 imagens, 3 vídeos e 3 clipes de áudio, e extrai timbre e caráter de sala de uma referência de áudio em vez de os inventar. Usei uma gravação de vidro a partir amiga do domínio público, feita por Gravity Sound no Wikimedia Commons (CC BY 4.0), três tomadas concatenadas para 4,5 segundos.

Três regras, e encontrei as duas últimas da forma difícil, com pedidos rejeitados:

• O áudio não pode ir sozinho. O endpoint explicita-o: é necessária pelo menos uma imagem ou vídeo, e áudio por si só não é permitido. Emparelhe-o com um frame.
• A referência de áudio tem de ter entre 2 e 15 segundos. A minha primeira tentativa usou um clipe de 1,49 segundos e voltou com audio duration 1486 ms, expected [2000, 15000] ms. Esse intervalo não está na página do modelo.
• O formato do ficheiro é verificado. Um payload base64 declarado como audio/mpeg foi rejeitado com audio format ".mpeg" not allowed. Um payload .wav passou. Pedidos rejeitados não são cobrados, mas custam-lhe uma ida e volta.

Definições: refers: [{url: <base frame>, type: "image"}, {url: <a 2 to 15s recording>, type: "audio"}], resolution: 768P, duration: 5.

PlainCopy
1Same locked-off macro shot: the blade slices the glass pomegranate from left to right
2and the seeds scatter. Match the timbre, brightness and room character of the reference
3audio, same recording distance, same dryness. ASMR close-mic, no music, no voice.

Playground reference-to-video do MiniMax H3 no Atlas Cloud com dois materiais de referência carregados, um ficheiro de áudio no espaço 1 e o frame base no espaço 2

Reference Materials com o ficheiro de áudio e a imagem em conjunto, 2 de 9 usados. Retire a imagem e o pedido não será executado de todo.

A tomada guiada por referência, $0.50. Mesmo plano, timbre orientado por uma gravação real em vez de inventado a partir do prompt. Referência de áudio: Glass breaking por Gravity Sound, CC BY 4.0.

Três templates de vídeo ASMR com MiniMax H3: cortar, mastigar, chuva

Três formatos cobrem a maior parte do que funciona nesta categoria. Cada um é um prompt completo para copiar e executar, com definições e o clipe que produziu. Deliberadamente sem vidro, sem vermelho, sem ardósia em lado nenhum abaixo: se todos os clipes da sua conta parecerem iguais, o algoritmo trata-os como o mesmo clipe.

Tabela 3: os mesmos cinco campos, três tarefas diferentes.

Template 1, O Corte. Favo de mel, âmbar e dourado, 9:16, 768P, 6 segundos, ratio: "9:16".

PlainCopy
1Extreme macro, locked-off overhead shot of a thick slab of golden honeycomb on a pale
2ceramic plate, honey already pooling around it. A hot steel blade lowers into the wax
3and sinks through it front to back in one slow continuous press; the cut faces slump
4and a heavy thread of honey stretches and drips onto the plate. Warm amber key light
5from the left, shallow depth of field, single take, no cuts, no hands in frame.
6
7Audio: ASMR, close-mic, very dry, no room reverb, no music, no voice, no narration.
8A soft crackling of wax splitting under the blade, then a thick low stretching pull as
9the honey lengthens, then two heavy wet drips landing on the ceramic plate. Nothing else.

Template 1, $0.60. Estalo de cera, mel a esticar, gota. Gerado com minimax/h3/text-to-video.

Template 2, A Mastigação. Mukbang de lava, o formato que somou 11,3 milhões de visualizações numa semana, 9:16, 768P, 8 segundos, ratio: "9:16".

PlainCopy
1Vertical close-up: a pair of black lacquer chopsticks lifts a glowing clump of molten
2orange lava out of a dark stone bowl and carries it toward the camera, out of frame at
3the bottom. The lava is self-illuminating, casting orange light on everything around it;
4the rest of the room is almost black. Steam curls off the surface. Locked-off camera,
5single take, no cuts.
6
7Audio: ASMR, extremely close-mic, intimate, no words, no music, no narration, no room tone.
8A low molten sizzle and bubbling as the lava is lifted, then a soft wet chew, then a
9brighter glassy crunch on the second bite, then one slow satisfied exhale. No speech.

Template 2, $0.80. Chiar, mastigar, crunch, expirar, e nem uma única palavra. Gerado com minimax/h3/text-to-video.

Template 3, A Chuva. Janela de carro à noite, azul frio e néon, 16:9, 768P, 10 segundos, ratio: "16:9".

Este é o único dos três sem ação de sujeito, e é o que mais ensina sobre negativos. Sem nada a acontecer no ecrã, o H3 tende a ir buscar uma base musical, a menos que se proíba isso explicitamente. É também o clipe que voltou, de longe, com o campo estéreo mais amplo, sem que isso tivesse sido pedido. Conteúdo orientado para sono pede duração, por isso este corre perto do topo do intervalo útil de duração.

PlainCopy
1Macro shot through the inside of a car window at night, heavy rain running down the
2outside of the glass. Individual droplets hit, hesitate, then streak downward and merge.
3Beyond the glass, out-of-focus neon signage breaks into cold blue and magenta bokeh.
4No wipers, no people, no movement inside the car. Camera locked off, single continuous
5take, shallow depth of field, no cuts.
6
7Audio: ASMR, close-mic on the outside of the glass, cabin slightly muffled.
8A steady even rain bed with clearly separated individual droplet impacts on the glass,
9plus a faint distant hiss of tyres on a wet road. No music, no thunder, no voice,
10no narration, no wiper noise.

Template 3, $1.00. Dez segundos de pura ambiência, sem banda sonora porque o prompt a proibiu. Gerado com minimax/h3/text-to-video.

Quanto custa realmente um vídeo ASMR com MiniMax H3

Eis o recibo deste artigo, não uma estimativa.

Seis clipes publicáveis e um frame base. Escalando para um calendário: um clipe vertical de 8 segundos por dia em 768P custa $0.80, portanto cerca de $24 por mês para uma conta sem rosto com publicação diária, antes de passar um minuto num editor.

Duas notas de faturação. O $0.009 listado para o GPT Image 2 é um piso de escalão de tokens; uma renderização 2048x1152 de alta qualidade fica em $0.1745, quase vinte vezes mais, por isso faça o orçamento a partir do escalão que realmente usa. E o campo price do H3 é preenchido com atraso: faça polling até status ser completed e, muitas vezes, ainda estará undefined. Faça polling novamente ao prediction id um momento depois para obter o valor real. Esse segundo polling é a única forma de construir um recibo como este em vez de uma suposição.

Uma nota honesta sobre áudio ASMR e direitos

Não carregue a gravação ASMR de outra pessoa como ficheiro de áudio refers. A referência migra genuinamente o timbre para a saída, e passar uma gravação por um modelo não altera quem é o seu dono. A referência usada aqui é CC BY 4.0 e foi creditada acima, o que demorou cerca de dois minutos a encontrar.

Não construa ASMR à volta da voz reconhecível de uma pessoa real. Todos os templates neste artigo são deliberadamente sem voz, o que é tanto a convenção do género como o caminho menos complicado.

Chamar o H3 através de uma API não é afetado pela licença comunitária associada aos pesos abertos. Essa licença, que cobre self-hosting, exclui atualmente a UE, o Reino Unido, a Coreia e os EUA, e existe um canal formal de licenciamento para esses territórios. Vale a pena saber, mas não vale a pena preocupar-se com isso se estiver a chamar o endpoint.

Vídeo ASMR com MiniMax H3: perguntas frequentes

Um vídeo ASMR com MiniMax H3 gera o seu próprio som, ou tenho de o acrescentar depois?

O modelo gera-o. Imagem e áudio saem da mesma passagem: vídeo a 24 fps com uma faixa estéreo AAC a 32 kHz no ficheiro entregue. Não há passo de áudio separado, nem biblioteca de sons, nem trabalho de alinhamento, que é precisamente a razão pela qual este endpoint é interessante especificamente para ASMR.

Posso fazer um vídeo ASMR com MiniMax H3 fazer pan da esquerda para a direita?

Não apenas pedindo. Escrevi direções explícitas de canal no prompt e medi o resultado: correlação de 0,97 entre canais e uma diferença máxima de nível de 1,9 dB em qualquer janela de um quarto de segundo, o que não é pan nenhum. A faixa é genuinamente estéreo e conteúdo difuso como chuva volta com um campo amplo, mas impactos discretos ficam centrados independentemente da formulação. Se o seu formato precisa de um pan forte, faça-o em pós-produção.

Posso carregar a minha própria gravação como referência de vídeo ASMR com MiniMax H3?

Sim, através de reference-to-video, que aceita até 3 referências de áudio juntamente com até 9 imagens e 3 vídeos. O áudio não pode ser submetido sozinho, por isso emparelhe-o com pelo menos uma imagem ou vídeo. O áudio também tem de ter entre 2 e 15 segundos, e o formato é validado: um payload .wav funcionou onde um audio/mpeg foi rejeitado. Pedidos rejeitados não são cobrados.

O áudio de um vídeo ASMR com MiniMax H3 em 768P é pior do que em 2K?

Não. Ambos os escalões entregam a mesma especificação AAC estéreo a 32 kHz. Só a imagem muda, e muda muito: 16:9 volta como 1344x768 em 768P contra 2560x1440 em 2K. Como o juízo criativo em ASMR é um juízo de escuta, faça rascunhos a $0.10/s e volte a executar as versões finais a $0.14/s. Lembre-se apenas de que a execução em 2K é uma nova tomada, não um upscale do rascunho.

Qual deve ser a duração de um vídeo ASMR com MiniMax H3, e que proporção deve ter?

A duração aceita qualquer segundo inteiro de 4 a 15. Clipes de corte e mastigação funcionam entre 5 e 8 segundos porque a recompensa é um único evento; ambiência orientada para sono pede 10 ou mais. Para Shorts, Reels e TikTok, use 9:16, e lembre-se de que text-to-video exige que ratio seja definido explicitamente e rejeita adaptive. Em image-to-video, o primeiro frame decide a forma por si.

Quanto custa um vídeo ASMR com MiniMax H3?

Um clipe de 5 segundos cobra $0.50 em 768P e $0.70 em 2K. Um clipe vertical de 8 segundos em 768P custa $0.80. Publicar um desses por dia fica em cerca de $24 por mês em computação, que é o número que vale a pena comparar com os 20 minutos que um editor levaria por clipe no fluxo de trabalho costurado.

Porque é que o meu vídeo ASMR com MiniMax H3 sai com música de fundo que nunca pedi?

Porque não a proibiu. A maior parte do vídeo nos dados de treino de qualquer modelo tem uma base musical, por isso o comportamento predefinido é acrescentar uma, especialmente quando nada está a acontecer no ecrã. Ponha os negativos explicitamente na metade de áudio do prompt: no music, no voice, no narration, no room reverb, no ambience bed. Templates ambientais precisam disto mais do que os de ação.