Meta Title: MiniMax H3 Ghibli-stil 2026: 3 steg, ljud inkluderat

Meta Description: En målad nyckelbild, en 15-sekunders MiniMax H3-rendering, och vinden och cikadorna kommer i samma fil. Verkliga prompts, verkliga inställningar, opererade skärmbilder.

---

MiniMax H3 Ghibli-stil: 3 steg till en 15-sekunders handritad bild som faktiskt andas

Du har sett versionen som inte fungerar. Någon släpper ett målat porträtt i ett videoverktyg, väntar och får tre sekunders Live Photo-vobbel: hår som skakar, moln som fryser, inget ljud, loop.

Handritad film rörde sig aldrig så. Och den var aldrig så tyst.

Så här är vad vi gjorde istället. En målad nyckelbild, en MiniMax H3 Ghibli-stil-rendering på 15 sekunder, och gräset vajar, en spårvagn korsar en viadukt, cikador sitter under allt, och fyra pianonoter löses upp. Allt från ett enda jobb, i en fil, med stereo-ljud inbakat.

Nedan: först den färdiga bilden, sedan exakta prompts, inställningarna som faktiskt fungerar, verkliga opererade playground-skärmbilder och en rad-för-rad-specifikation.

Viktiga takeaways

• Ett 15-sekunders 2K-jobb levererar 2560x1440, 24 fps, AAC stereo 32 kHz, ingen vattenstämpel.
• Handritat utseende är ett kadensproblem, inte ett palettproblem. Be om "on twos", inte jämnhet.
• Vind, cikador och piano kommer från samma rendering. Det finns ingen andra scoring-pass.
• 3 steg: måla en nyckelbild, animera den, matcha bild två med referens-till-video.
• Håll studio- och regissörsnamn utanför prompten. Beskriv hantverket istället.

Här är den färdiga bilden, innan någon teori.

Sätt på ljudet. Ett kontinuerligt 15-sekunders bild-till-video-jobb på MiniMax H3, 2K, inga klipp, ingen efterredigering: vindbyen, spårvagnsklockan, cikadorna och pianot kom alla inuti denna enda mp4.

Kan du inte spela upp video där du läser detta? Här är de fyra viktiga beatsen, direkt från filen ovan.

Fyra bildrutor från MiniMax H3 Ghibli-stil-backrenderingen vid 0s, 5s, 10s och 15s, som visar den första vindbyen, spårvagnen som korsar viadukten, den andra byen och det hållna slutslaget

Samma rendering samplad vid 0s, 5s, 10s och 15s. Titta på det sista kortet: inget nytt kommer in i bilden, medvetet.

Varför de flesta MiniMax H3 Ghibli-stil-försök ser ut som ett filter

Dom först: filter-looken är nästan aldrig färgen. Det är timingen, ljudet och längden.

Här är beviset. Målade bildrute-filmer animeras inte med 24 unika teckningar per sekund. I en analys av en av Miyazakis löpcykler kallar Animation Obsessive det "en löpning ritad 'on twos'" med "12 teckningar per sekund", där "Varje teckning stannar på skärmen i två bildrutor." (Animation Obsessive, mars 2023)

Tänk nu på vad en videomodell gör som standard. Den interpolerar. Mjukt. Silkeslent. I full bildfrekvens.

Det är hela avslöjandet. Din palett var bra. Din rörelse var för bra.

Frågan är: kan modellen hålla ett ritat lager i hela 15 sekunder utan att det smälter? Ja, och det här är vad det ser ut.

Handritad guldfisk och sjögräs animerade över en riktig solbelyst köksbänk, från en MiniMax H3 15-sekunders rendering

En MiniMax H3-provkörning: en kritkonturerad guldfisk och gröna sjögrässtreck ritade över live-action-köksbilder, hållna i hela 15,08 sekunder utan att linjerna smetas ut. Visad här som en tyst GIF ; den levererade filen innehåller 24 fps video och 32 kHz stereo-ljud.

Andra dödsorsak: blandade stil-löften. Att skriva "fotorealistisk anime-akvarell" ger dig en modell som försöker uppfylla tre kontrakt samtidigt, och resultatet är den sörja som folk kallar "AI-slop". Håll dig till ett medium så håller det.

Leranimation av en räv mitt i språng på en sprucken klippa bredvid en glödande lavaspricka, plastilin-tumavtryckstextur synlig, från en MiniMax H3-rendering

Samma princip, annat medium: ett enda stil-löfte ("stop-motion plasticine") ger verklig tumavtryckstextur och stop-motion-vikt över 10 sekunder. Tyst GIF ; källfilen är 2560x1440 med stereo-ljud.

Och den tredje och fjärde: tystnad, och inget utrymme att andas. Ungefär hälften av vad folk menar med denna stil är ljuddesign, vind och ett sparsamt piano. Och pauserna behöver verkliga sekunder. En 5-sekunders klipp kan fysiskt inte hålla tre sekunder av ingenting som händer.

Här är diagnostabellen vi ständigt återkommer till.

Vilken endpoint du använder spelar lika stor roll som prompten. Det finns tre, och de gör olika jobb.

En fälla värd att skriva på handen: att skicka image och refers i samma anrop ger inget fel. Jobbet slutförs, faktureras fullt, och tyst kastar en av de två inmatningarna. Vi mätte det på båda endpoints, och riktningen den tappar varierar. Välj en endpoint per anrop.

MiniMax H3 Ghibli-stil-arbetsflödet: Tre modeller, en flik

Det här avsnittet ger dig hela kedjan och vad varje länk kostar. Det körs från början till slut i en webbläsarflik på Atlas Cloud, vilket är där varje skärmbild nedan togs, så du behöver aldrig exportera en fil bara för att ladda upp den någon annanstans.

Varför det är viktigt för just detta jobb: målningsmodellen och videomodellen måste komma överens om bilden. Att hålla dem på samma plattform innebär att nyckelbilden du genererar redan är en fil som nästa playground kan ta som sin första bild, och referens-till-video-steget kan nå både nyckelbilden och en stillbild från din färdiga klipp.

En vana som sparar argument med ditt eget kalkylblad: siffran på en modellsida är ett golv, inte din faktura. H3-sidorna listar $0,10 per sekund, vilket är 768P-nivån; 2K är $0,14. GPT Image 2 listar $0,009, vilket är en token-nivå-golv, och quality high vid 2048x1152 fakturerar faktiskt $0,1745. Läs Run-knappen, varje gång, för det är siffran du debiteras.

Ingen rabatt är aktiv på H3-endpoints från och med augusti 2026. Endast -developer-varianterna av bildmodellerna är nedsatta, vilket är värt att veta för skisser och irrelevant för leverans.

Låt oss börja.

Steg 1: Måla nyckelbilden

Bilden gör det tunga arbetet. Allt som videosteget inte kan uppfinna – komposition, palett, linjekvalitet, pappersstruktur – måste redan finnas i denna PNG.

Öppna GPT Image 2 text-to-image-playground och klistra in detta ordagrant.

PlainCopy
1Handpainted 2D animation background in the style of 1990s Japanese cel animation: a wide summer hillside in late afternoon. Tall green grass fills the lower two thirds, painted in soft gouache with visible brush texture and hand-inked blade edges. A girl about ten years old stands in the middle distance seen from behind, wearing a plain yellow raincoat and a red backpack, one hand holding down a straw hat. Beyond the hill a narrow single-car tram crosses a green valley on a low stone viaduct; distant blue mountains fade into a pale cream sky with towering cumulus clouds painted as flat layered shapes. Warm 4pm light, soft ambient shadows, no harsh contrast, limited palette of grass green, cream, sky blue and one yellow accent. Cel-animation line quality: clean confident outlines, flat colour fills, hand-painted watercolour background, subtle paper grain. No text, no logos, no watermark, no photorealism, no 3D render, no lens flare, no modern buildings.

Inställningar: quality high, storlek 2048x1152 (16:9), en bild. Välj inte medium här. Pappersstrukturen och de bläckade bladkanterna är exakt de detaljer som en lägre nivå jämnar ut, och dessa två saker är vad som säljer hela bilden senare.

Lägg märke till vad prompten inte säger. Inget studionamn, inget regissörsnamn. Varje stilistisk instruktion är en beskrivning av hantverk: gouache, handritade kanter, platta färgfyllningar, cel-animation linjekvalitet. Det är inte känslighet, det är en bättre prompt, för "cel animation med platta fyllningar och synlig pappersstruktur" är en specifik instruktion och ett studionamn är en vag.

Här är körningen.

GPT Image 2-playground på Atlas Cloud med den handmålade backprompten laddad med quality high och 16:9, och den färdiga Ghibli-stil-nyckelbilden renderad i utdatapanelen

GPT Image 2 med quality high , 2048x1152, kör på Atlas Cloud. Notera Run-knappen: $0,1745, inte $0,009 på prissidan.

Och nyckelbilden för sig själv, eftersom du snart kommer att mata denna exakta fil till nästa steg:

Handmålad sommarback-nyckelbild: en flicka i gul regnjacka sedd bakifrån i högt gräs, en enkelspårvagn på en stenviadukt bortom dalen, platta lager av cumulusmoln

Genererad med openai/gpt-image-2/text-to-image . Denna PNG är den första bilden i den färdiga bilden högst upp i artikeln.

Steg 2: Animera den till MiniMax H3 Ghibli-stil-rörelse

Nu den intressanta delen. Denna prompt är längre än de flesta skriver, och det är medvetet: du skriver en timing-tabell, inte en vibe.

Fyra saker den specificerar som en typisk prompt inte gör: när varje vindby börjar, när spårvagnen kommer in och lämnar, att kadensen är on twos, och en full ljudparagraf med inträdestider per lager.

Ladda din PNG från steg 1 på MiniMax H3 image-to-video-sidan och klistra in detta.

PlainCopy
1Animate this painting as one continuous hand-drawn shot, 15 seconds, no cuts.
2Camera: a very slow push in, barely perceptible, plus a gentle drift right of about five percent of frame width. No zoom snap, no handheld shake.
3Motion: wind moves through the tall grass in two long travelling waves, one starting at second two and one at second nine, bending the blades the same direction each time. The girl's raincoat hem and hair lift with each gust; her straw hat brim flexes. Clouds drift almost imperceptibly. At second seven a single-car tram crosses the viaduct left to right and leaves frame at second eleven. From second twelve to fifteen nothing moves except the grass and one cloud shadow crossing the hill: hold the stillness, do not add new action.
4Animation cadence: hand-drawn on twos, held drawings, slight frame-to-frame line wobble. No interpolated silky motion, no morphing, no melting edges. Keep flat colour fills and painted paper texture. Do not add photographic depth of field, bokeh or lens flare.
5Audio: continuous summer cicadas at a steady mid level; layered grass rustle that swells with each gust; one distant tram bell at second seven with faint wheel rumble fading out by second eleven; and a sparse solo piano line of four notes entering at second three and resolving at second thirteen. No voice, no narration, no dialogue, no on-screen text, no music beyond that piano line.

Inställningar: image = din PNG från steg 1, resolution 2K, duration 15, ratio förblir adaptive. Det sista är inte lathet. Enum på denna endpoint innehåller endast adaptive, och den uppladdade bilden bestämmer utdataformen, så en 16:9-nyckelbild ger dig en 16:9-klipp.

Läs nu Run-knappen innan du klickar, för det är precis här vi tappade en tagning.

Vid 2K och 15 sekunder borde offerten säga $2,10. Vår sa $1,12. Varaktighetsreglaget tog aldrig vår 15, jobbet kördes på 8-sekundersstandard, och varje annat fält i formuläret såg fortfarande helt korrekt ut. Här är den körningen, med fällan mitt i bilden.

MiniMax H3 image-to-video-playground på Atlas Cloud med den målade nyckelbilden laddad, upplösning 2K, och den färdiga Ghibli-stil-backklippen som spelas i utdatapanelen

Prompten ber om 15 sekunder. Spelaren läser 0:08. Run-knappen läser $1,12. Resolution 2K åtagit, varaktighet gjorde inte det. Läs priset, aldrig reglaget.

Åtgärda det på ett av två sätt: dra reglaget och bekräfta att offerten växlar till $2,10 innan du skickar, eller skicka jobbet via API:t där duration: 15 bara är ett fält som inte kan missas tyst. Klippen högst upp i denna artikel är den andra vägen, samma endpoint och samma prompt, resolution: 2K, duration: 15.

Levererad så: en 15,08-sekunders behållare, 2560x1440, 24 fps, H.264 med AAC stereo-ljud vid 32 kHz, ingen vattenstämpel någonstans. Den oavsiktliga 8-sekundersversionen kom tillbaka på exakt 8,00 sekunder med identisk geometri. Budgetera 5 till 10 minuters väggtid; 8-sekunders 2K-jobb landar på 310 till 400 sekunder i våra körningar, och ett 2K-jobb som bär tre referenser tog 557 sekunder.

Steg 3: Matcha en andra bild med referens-till-video

En bild är en demo. Två bilder som tillhör samma värld är en sekvens, och det är här de flestas Ghibli-stil-experiment faller samman: karaktärens ansikte glider, paletten värms upp, pappersstrukturen försvinner.

Lösningen är inte en bättre prompt. Det är en annan endpoint. Referens-till-video tar taggat referensmaterial och bär dess utseende till en ny kamerauppsättning.

Mata den med din nyckelbild från steg 1 som referens. Den enda bilden bär paletten, linjekvaliteten och pappersstrukturen, och på denna bild höll den utseendet på egen hand, som resultatet nedan visar. Om din egen körning glider när rörelsen börjar, lägg till en stillbild exporterad från nära slutet av din klipp från steg 2 som en andra referens, vilket bär vad modellen gjorde med linjearbetet när det började röra på sig. Klistra sedan in detta på referens-till-video-endpointen.

PlainCopy
1Match the painted look, palette, line quality and paper grain of the reference images exactly, then film a different shot in the same world: a low camera at grass height on the same hillside, looking up at the same girl in the yellow raincoat as she crouches to touch one tall stalk, then stands and looks off toward the valley.
2One continuous shot. Hand-drawn on twos, held drawings, flat colour fills, hand-painted watercolour background. No photorealism, no new characters, no costume change, no text, no watermark.
3Camera: static for the first four seconds, then a slow tilt up following her as she stands, ending on her profile against the cream sky.
4Audio: the same summer cicada bed and grass rustle as the reference; one soft cloth movement as she stands; the same sparse solo piano continuing without restarting. No dialogue, no narration.

Inställningar: refers = din nyckelbild, resolution 2K, ratio adaptive (referensbilden bestämmer utdataformen), och välj din varaktighet. Vår körning kom tillbaka 8 sekunder vid 2K, offert på $1,12 med referensen fakturerad till $0. Tre anteckningar från verkliga körningar:

• Referensfiler är gratis. Tio referensbilder faktureras exakt samma som en vid samma längd och upplösning.
• Om du skickar en data-URL, deklarera dess type explicit. Endpointen härleder typ från filändelsen, och en data-URL har ingen.
• Ge aldrig en .mp4 till denna sidas uppladdare i en automatiserad capture. Det gör att varje uppladdning tyst misslyckas och gråar ut Run-knappen.

MiniMax H3 reference-to-video-playground på Atlas Cloud med Ghibli-nyckelbilden laddad som referens och den matchade bildprompten på plats vid 2K

MiniMax H3 reference-to-video: nyckelbilden i fältet Reference Materials, den matchade bildprompten laddad, 2K. Reference material faktureras till $0, så offerten på $1,12 är enbart rendering. Resultatet är precis nedanför.

Matchad andra bild i samma MiniMax H3 Ghibli-stil-värld: låg kamera på gräsnivå som tittar upp på flickan i den gula regnjackan

Den levererade andra bilden. Samma palett, samma linjevikt, samma pappersstruktur, ny kamera. Tyst GIF ; käll-mp4 bär stereo-ljud.

Det är hela kedjan: måla, animera, matcha. Tre körningar, en flik.

Tre variationer värda att prova härnäst, när kedjan väl fungerar:

• Ditt eget foto, ommålat. Skicka ett landskap eller gatufoto du äger genom google/nano-banana-2/edit med: "Repaint this photograph as a hand-painted 2D animation background: gouache and watercolour texture, clean hand-inked outlines, flat colour fills, limited palette of green, cream and sky blue, subtle paper grain. Keep the exact same composition, camera angle and horizon line. Remove all text, signage and logos. No photorealism, no 3D render." Animera sedan resultatet. Beskär den målade bilden till 9:16 först om du vill ha vertikal, för bilden bestämmer formen, inte ett ratiofält.
• Samma bild, annat väder. Sätt prefixet Repaint the lighting as dusk in light rain: palette shifts to slate blue, wet cream and one warm window glow; före prompten från steg 2 och byt ut ljudlagret mot jämnt lätt regn plus en avlägsen åskknall vid sekund åtta. Ingen ny nyckelbild behövs.
• Skissa vid 768P först. Billigare per sekund, användbart för blockering. En hård regel kopplad till den, i nästa avsnitt.

Vad en MiniMax H3 Ghibli-stil-sekvens kostar

Förhandsvisning: en publicerbar 30-sekunders tvåbildssekvens landar runt $4,40, och den billiga skissvägen har en hake som kostar mer än den sparar.

Här är fakturan, byggd från per-sekund-taksterna verifierade på modellsidorna och bekräftade mot verkliga jobbposter.

Nu haken. Att skissa vid 768P för att spara pengar fungerar för komposition och blockering, och det fungerar inte som folk antar.

Två saker vi mätte. För det första, en enkel text-till-video-prompt som körs om vid en annan upplösningsnivå kommer inte tillbaka skarpare – den kommer tillbaka som en annan film: annan rekvisita, annan kamerahöjd, andra props. Att låsa den första bilden genom image-to-video är vad som begränsar skillnaden till detaljer. För det andra, och detta överraskade oss: med samma låsta första bild och samma prompt, är ljudspåren från de två nivåerna orelaterade. Vågformskorrelation mellan dem mättes till 0,0053, vilket är statistiskt brus.

Översättning: en 768P-skiss förhandsvisar din komposition och dina action beats. Det är aldrig mixen du skickar.

Homage, upphovsrätt och vad du kan publicera

Kort version, och inte juridisk rådgivning: en visuell stil i sig är generellt inte vad upphovsrätt skyddar, men träningsdata och utdata är en levande och omtvistad fråga, och plattformsvillkor är en separat sak.

Den tvisten är inte hypotetisk. Den 27 oktober 2025 lämnade Japans Content Overseas Distribution Association, en rättighetsinnehavarorganisation som spänner över anime, film, spel och publicering, in en skriftlig begäran om att "dess medlemmars innehåll inte används för maskininlärning utan deras tillstånd", och noterade att "enligt Japans upphovsrättssystem krävs generellt förhandstillstånd för användning av upphovsrättsskyddade verk, och det finns inget system som tillåter en att undvika ansvar för intrång genom efterföljande invändningar" (CODA, oktober 2025).

Tre praktiska vanor som håller din utdata ren:

• Beskriv hantverket, aldrig studion. Våra prompts ovan nämner gouache, on twos, platta fyllningar och pappersstruktur, och ingenstans ett företagsnamn eller en regissör.
• Sätt inte igenkännbara karaktärer, logotyper eller titelkort i bild. Vår backe har ingen karaktärs-IP alls.
• Kontrollera villkoren som gäller för ditt konto innan du kommersialiserar, och kontrollera villkoren för plattformen du publicerar på separat.

Bygg en värld som delar en teknik med filmer du älskar. Bygg inte en kopia av en specifik.

Vanliga frågor

Kan MiniMax H3 göra Ghibli-stil, och ska jag skriva "Studio Ghibli" i prompten?

Ja på första, och vi skulle inte göra det andra. Varje resultat i denna artikel kom från hantverksvokabulär istället: hand-painted 2D cel animation, gouache with visible brush texture, hand-inked outlines, flat colour fills, on twos, held drawings, subtle paper grain. De sex fraserna bär utseendet, de är mer specifika än ett studionamn, och de håller publiceringsfrågan enklare.

Genererar MiniMax H3 vinden och pianot själv, eller lägger jag till ljud efteråt?

Själv, i samma jobb. MiniMax beskriver H3 som "generating video with native stereo sound, up to 15 seconds at 2K resolution" (MiniMax, juli 2026), och våra levererade filer bär AAC stereo vid 32 kHz. Skriv en dedikerad Audio:-paragraf som namnger varje lager och när det kommer in. Om du vill ha ett fullt komponerat spår snarare än en cue, generera det separat på minimax/music-2.6 för $0,15 och mixa in det.

Hur lång kan en bild vara, och håller 15 sekunder faktiskt?

Varaktighet accepterar varje hel sekund från 4 till 15 på alla tre endpoints, och vår 15-sekunders begäran levererade en 15,08-sekunders behållare. Det håller. Anledningen att vilja ha 15 snarare än 8 är inte episk skala, det är motsatsen: det är det enda sättet att ha råd med tre sekunder där inget händer, vilket är exakt beatet denna stil är byggd på.

Hur behåller jag samma karaktär, palett och pappersstruktur över två bilder?

Använd reference-to-video med två referenser: den ursprungliga nyckelbilden plus en stillbild från din första färdiga klipp, och skriv "match the painted look, palette, line quality and paper grain of the reference images exactly" som första klausul. Se upp för ett tyst fel: att blanda image och refers i ett enda anrop slutförs och faktureras fullt medan en av inmatningarna kastas, utan något varningsfält någonstans i svaret.

Ska jag skissa vid 768P och köra om vid 2K för att spara pengar?

Skissa vid 768P för komposition, ja. Men lås den första bilden genom image-to-video, annars returnerar en omkörning en annan film. Och behandla skissens ljud som engångs: samma bild, samma prompt, annan nivå, och de två ljudspåren mätte en vågformskorrelation på 0,0053 med varandra. Mixen är återskapad, inte uppskalad.

Är en MiniMax H3 Ghibli-stil-video säker att publicera eller kommersialisera?

Beror på vad som är i bilden och vad ditt kontos villkor säger, och detta är inte juridisk rådgivning. Stilbeskrivande prompts med ingen karaktärs-IP, inga logotyper och inget studionamn i bild är den konservativa versionen, och det är den versionen denna artikel demonstrerar. Verifiera tillämpliga villkor före kommersiell användning.

En sista sak värd att upprepa, för det är delen folk hoppar över. Anledningen att en minimax h3 ghibli style-bild landar är inte den gröna paletten. Det är att rörelsen är medvetet sämre än modellen kan göra, och att de sista tre sekunderna tillåts vara tomma. Skriv timing-tabellen. Skriv ljudet. Låt den sedan vara stilla.