Mọi bài viết về mô hình này đều dừng lại ở cùng một dòng. Chín ảnh, ba đoạn video, ba đoạn âm thanh, tổng cộng mười hai tệp. Đọc như một thẻ bảo hành.
Vậy nên tôi đã xử lý nó như một thẻ bảo hành. Tôi tạo một nhân vật, tạo một đạo cụ, tạo một cảnh đêm, đưa cảnh đêm đó trở lại làm video tham chiếu, cắt một đoạn jazz tám giây thành bản nhạc tham chiếu, và đẩy cả ba loại tham chiếu qua một yêu cầu duy nhất. Sau đó, tôi cố tình phá vỡ các quy tắc để xem cái nào API thực sự bảo vệ.
Bốn trong số đó không được bảo vệ theo cách bạn mong đợi. Một trong số đó vẫn tính phí đầy đủ cho một video mà bạn không yêu cầu, và thông báo lỗi mà bạn hy vọng sẽ không bao giờ đến. Đó là cái đáng đọc đến cuối cùng.
Những điểm chính
- Ba loại tham chiếu, một mảng. Tối đa 9 ảnh, 3 đoạn video và 3 đoạn âm thanh, 12 tệp kết hợp. Tất cả đều vào cùng một trường
refers, vàtypelà tùy chọn vì API suy luận từ phần mở rộng tệp. - Âm thanh không bao giờ có thể đi một mình. Một yêu cầu chỉ có âm thanh sẽ bị từ chối với một lỗi có tên. Nó phải đi cùng với ít nhất một ảnh hoặc một video.
- Tham chiếu video và ảnh sang video loại trừ lẫn nhau, nhưng không có gì báo cho bạn. Gửi một
imagekhung đầu tiên cùng vớirefersvà công việc vẫn hoàn thành. Một trong hai đầu vào của bạn bị loại bỏ trong im lặng, với giá đầy đủ. Đã xác minh hai lần vào ngày 2026-08-12, trên cả hai điểm cuối. - Không có gì được xác thực khi bạn gửi. Mọi yêu cầu sai trong bài viết này đều trả về HTTP 200 và một ID. Phán quyết thực sự đến sau đó hai đến ba phút ở giai đoạn tạo. Việc từ chối ở đó là miễn phí; việc hoàn thành thì không.
- Các tệp tham chiếu thêm là miễn phí. Một ảnh tham chiếu và mười ảnh tham chiếu được tính phí chính xác cùng một lượng cho cùng một độ dài clip. Giá theo số giây đầu ra, không phải số lượng đầu vào.
Đây là những gì đã ra ở đầu bên kia. Hai cảnh, một khuôn mặt, hai địa điểm hoàn toàn khác nhau, và cảnh thứ hai được xây dựng từ một ảnh, một video và một tệp âm thanh cùng một lúc.
Cảnh A (mưa, ban đêm, hẻm đèn neon) rồi Cảnh B (khu chợ mái che vắng vẻ vào sáng hôm sau), được ghép lại với nhau mà không thêm gì ngoài việc nối. Cùng một người phụ nữ, cùng một vết sẹo phía trên lông mày phải, cùng một chiếc áo khoác chàm, cùng một chiếc khăn. Cảnh B được tạo từ ba tham chiếu cùng một lúc: chân dung của cô ấy, clip Cảnh A và một đoạn jazz tám giây. Cả hai cảnh đều là minimax/h3/reference-to-video ở 2K, 2560x1440, 24fps, với bản nhạc stereo 32kHz gốc. Đáng để bật âm thanh cho nửa sau, nơi cô ấy nói lời thoại của mình.
Tại sao MiniMax H3 Reference to Video vượt xa bất kỳ lời nhắc nào bạn có thể viết
Một lời nhắc mô tả một người. Một tham chiếu là người đó. Sự khác biệt đó là toàn bộ lý do tại sao điểm cuối này tồn tại, và đó là lý do tại sao MiniMax H3 hiện đang đứng đầu bảng xếp hạng chỉnh sửa video: Elo 1,125 qua 10,280 phiếu bầu (Artificial Analysis, tháng 8 năm 2026). Tuy nhiên, đáng để chính xác về con số đó: cùng bảng liệt kê phạm vi xếp hạng của nó là 1 đến 2, ngang bằng về mặt thống kê với Google Gemini Omni Flash ở mức 1,122. Vị trí đầu tiên, trong một khoảng tin cậy mà nó chia sẻ. Tuyên bố liên quan rằng H3 cũng nằm trong top ba cho cả văn bản sang video và ảnh sang video đến từ cùng một bài đăng công bố của phòng thí nghiệm (Artificial Analysis trên X, tháng 8 năm 2026).
Xếp hạng thì rẻ. Đây là hành vi thực tế, cùng một lời nhắc, ba cấp độ tham chiếu, mọi thứ khác giống hệt nhau.
Ba lần chạy MiniMax H3 reference to video trên cùng một lời nhắc: không có tham chiếu, một ảnh tham chiếu nhân vật và hai ảnh tham chiếu
Cùng một lời nhắc, cùng cài đặt 768P 4s, từ trái sang phải: không có tham chiếu nào (văn bản sang video), một ảnh tham chiếu nhân vật, hai ảnh tham chiếu (nhân vật cộng với bát mì ramen). Lời nhắc nói "người phụ nữ từ ảnh tham chiếu" trong cả ba. Trong bảng bên trái, cụm từ đó không chỉ đến ai, vì vậy mô hình phát minh ra một người lạ. Được tạo với minimax/h3/text-to-video và minimax/h3/reference-to-video.
Hai cách đọc trung thực của dải đó. Bước nhảy từ bảng một sang bảng hai là rất lớn: nếu không có tham chiếu, "người phụ nữ từ ảnh tham chiếu" là một cụm từ chỉ vào hư vô, và mô hình lặng lẽ lấp đầy khoảng trống bằng một người không có mối quan hệ gì với dự án của bạn. Bước nhảy từ bảng hai sang bảng ba nhỏ hơn nhiều, bởi vì lời nhắc của tôi cũng mô tả cái bát bằng lời nói, và H3 đã vẽ một cái bát màu xanh nước biển tạm ổn với một con hạc trên đó từ văn bản một mình. Đó là phần hữu ích. Một ảnh tham chiếu và một cụm danh từ tốt cạnh tranh cho cùng một công việc, vì vậy hãy dành các vị trí tham chiếu của bạn cho những thứ mà ngôn ngữ không thể xác định chính xác: một khuôn mặt cụ thể, một sản phẩm cụ thể, một logo cụ thể.
Mô hình đằng sau hầu hết mọi thất bại trong bài viết này cũng giống như bảng một. Không có gì cảnh báo bạn rằng một phần yêu cầu của bạn đã rơi vào khoảng không.
Một tham chiếu thực sự khóa những gì, và những gì nó không. Một ảnh tham chiếu ghim danh tính: cấu trúc khuôn mặt, tóc, các dấu hiệu phân biệt, quần áo. Nó không ghim ánh sáng, và đây là điều bất ngờ phổ biến nhất. Nó cũng kéo theo ánh sáng của ảnh tham chiếu, đó là lý do tại sao một ảnh nhân vật được chụp trong một môi trường đầy tâm trạng tạo ra một nhân vật không thể sống sót qua một sự thay đổi cảnh. Chụp tham chiếu của bạn phẳng và trung tính. Một video tham chiếu ghim chuyển động, gam màu và hạt, không phải danh tính. Một âm thanh tham chiếu ghim chính nền âm thanh. Nếu bạn cần cùng một khuôn mặt đọc một dòng với cùng một giọng nói qua một loạt cảnh, ngăn xếp tham chiếu đang làm ba công việc khác nhau và bạn phải nói cái nào là cái nào. Các hướng dẫn thực hành hội tụ vào việc đặt tên chúng theo vị trí trong lời nhắc ("Ảnh 1 là nhân vật, Ảnh 2 là sản phẩm") và quy ước đó đáng để áp dụng; các lời nhắc của tôi bên dưới sử dụng cách đặt tên mô tả đơn giản thay vào đó, cũng hoạt động khi các tham chiếu rõ ràng về mặt thị giác.
Tại sao cuộc gọi đầu tiên thường gây thất vọng. Bốn điều, tất cả được đo vào ngày 2026-08-12:
- Điểm cuối gửi không xác thực gì. Sai MIME, âm thanh 164 giây, URL chết, các trường loại trừ lẫn nhau: tất cả đều trả về HTTP 200 với một ID dự đoán. Bạn sẽ biết sau.
ratiomặc định làadaptive, được ghi chú là "để mô hình chọn". Với các tham chiếu 16:9, tôi nhận được 1344x768 ở 768P cho dù tôi để nó ởadaptivehay ép 16:9, vì vậy mặc định là vô hại khi đầu vào của bạn đã đồng ý. Đó là một sự tung đồng xu khi chúng không đồng ý, và đây là điểm cuối H3 duy nhất mà bạn có thể chỉ đơn giản loại bỏ quyết định khỏi nó.- Một ảnh khung đầu tiên cộng với các tham chiếu không báo lỗi. Nó âm thầm loại bỏ một trong số chúng và tính phí bạn.
- Nếu mô hình không có gì cụ thể để bám vào, nó tự tin lấp đầy khoảng trống, và một khuôn mặt sai tự tin trông giống hệt như một lần chạy thành công.
Về mặt kỹ thuật lời nhắc, hướng dẫn lời nhắc MiniMax H3 đi sâu hơn về cách diễn đạt hơn tôi có thể ở đây.
Sổ tay quy tắc MiniMax H3 Reference to Video: Ba loại, Một yêu cầu
Cả ba loại tham chiếu đều chia sẻ một mảng. Đây là hợp đồng như được công bố, bên cạnh những gì điểm cuối thực sự làm khi tôi thử nghiệm.
Bảng 1: ba loại tham chiếu
| Ảnh tham chiếu | Video tham chiếu | Âm thanh tham chiếu | |
|---|---|---|---|
| Số tệp tối đa | 9 | 3 clip | 3 clip |
| Trần kết hợp | 12 tệp trên cả ba loại | ||
| Thời lượng mỗi tệp | n/a | 2 đến 15 giây | 2 đến 15 giây |
| Tổng thời lượng | n/a | 15 giây | 15 giây |
| Định dạng | png, jpeg, jpg, webp | mp4, mov | mp3, wav |
| Có thể dùng một mình? | Có | Có | Không, cần một ảnh hoặc video |
| Khóa những gì | danh tính, quần áo, sản phẩm, phong cách | chuyển động, máy ảnh, gam màu, hạt | chính nền âm thanh |
| Không khóa những gì | ánh sáng của cảnh mới | ai trong cảnh | bản nhạc chính xác (xem Bước 6) |
| Được cung cấp dưới dạng | URL công khai hoặc URL dữ liệu base64 | URL công khai hoặc URL dữ liệu base64 | phải khai báo audio/mp3, không phải audio/mpeg |
| Được thực thi? | 10 ảnh đã qua ổn thỏa | chưa thử nghiệm quá 1 clip | Cửa sổ mỗi clip được thực thi, 15s tổng cộng thì không |
Số lượng tệp và cửa sổ thời lượng là các giới hạn được công bố của MiniMax (Hailuo, tháng 8 năm 2026), được kiểm tra chéo với bài viết ra mắt liệt kê cùng cửa sổ video tham chiếu từ 2 đến 15 giây mỗi clip và 15 giây tổng cộng (MarkTechPost, tháng 8 năm 2026). Mọi thứ trong ba hàng cuối cùng là của tôi, đã đo.
Hai điều mà bảng thông số kỹ thuật không cho bạn biết. Đầu tiên, trường type trên mỗi mục nhập là tùy chọn và được suy ra từ phần mở rộng URL, có nghĩa là một URL dữ liệu base64 hoặc một liên kết không có phần mở rộng phải khai báo loại của nó nếu không yêu cầu sẽ đoán sai. Thứ hai, trình tải lên của trình duyệt giới hạn ở chín tệp (Reference Materials (2/9), MAX:9 trong ảnh chụp màn hình Bước 5 bên dưới), thấp hơn mười hai của MiniMax. Tôi đã gửi mười ảnh tham chiếu qua API và công việc hoàn thành bình thường, vì vậy chín là giới hạn giao diện người dùng, không phải giới hạn mô hình.
Bảng 2: reference-to-video so với image-to-video so với text-to-video
| reference-to-video | image-to-video | text-to-video | |
|---|---|---|---|
| Chấp nhận refers | có, bắt buộc, tối thiểu 1 | không (bị bỏ qua im lặng) | không |
| Chấp nhận ảnh khung đầu tiên | không (bị bỏ qua im lặng) | có, bắt buộc | không |
| Chấp nhận end_image khung cuối | không | có | không |
| Các tùy chọn ratio | tất cả 7, bao gồm 16:9, 9:16, 21:9 | chỉ adaptive | tất cả 7 |
| Độ phân giải | 768P hoặc 2K, mặc định 2K | giống nhau | giống nhau |
| Thời lượng | 4 đến 15s số nguyên, mặc định 8 | giống nhau | giống nhau |
| Trộn đầu vào của điểm cuối kia | công việc hoàn thành, đầu vào bị loại bỏ, tính phí đầy đủ | công việc hoàn thành, refers bị loại bỏ, tính phí đầy đủ | n/a |
Hàng thứ tư đó là sự khác biệt không ai đề cập. Trên image-to-video, enum tỷ lệ khung hình chứa chính xác một giá trị, adaptive, bởi vì khung đầu tiên quyết định hình dạng. Trên reference-to-video, bạn nhận được tất cả bảy, điều này làm cho đây là điểm cuối H3 duy nhất nơi bạn có thể ép buộc một hình dạng khung trong khi vẫn neo một nhân vật. Nếu bạn đang chọn một bậc cho công việc này, 2K so với 768P cho MiniMax H3 bao gồm những gì các pixel bổ sung mua được.
Hàng cuối cùng là hàng đắt tiền. Tài liệu định hình hai điểm cuối là loại trừ lẫn nhau, và chúng có, theo nghĩa là chỉ một đường dẫn đầu vào được tôn vinh. Nhưng không có lỗi. Tôi đã chạy nó theo cả hai cách vào ngày 2026-08-12: một cuộc gọi reference-to-video mang một image khung đầu tiên hoàn thành trong 115 giây và tính phí $0,40, và một cuộc gọi image-to-video mang refers hoàn thành trong 167 giây và tính phí $0,40. Cả hai đều tạo ra một video. Cả hai đều vứt bỏ một nửa những gì tôi đã gửi, và không có trường nào trong phản hồi cho biết nửa nào.
Bảng 3: các mô hình mà quy trình làm việc này sử dụng
Mọi thứ bên dưới chạy trong một tab trình duyệt trên Atlas Cloud, đó là nơi giá và ảnh chụp màn hình đến từ. Tỷ lệ được kiểm tra 2026-08-12.
| Bước | Mô hình | Tỷ lệ | Chạy ở đây | Chi phí |
|---|---|---|---|---|
| Tham chiếu nhân vật + đạo cụ | openai/gpt-image-2/text-to-image | được liệt kê từ $0,009; chất lượng cao ở 2048x1152 đo được $0,1745 | 2 | $0,35 |
| Âm thanh tham chiếu | minimax/music-2.6 | $0,15 mỗi bản nhạc | 1 | $0,15 |
| Cảnh A và Cảnh B | minimax/h3/reference-to-video | $0,10/s ở 768P, $0,14/s ở 2K | 2 x 8s ở 2K | $2,24 |
| Thang tham chiếu | tương tự, cộng với minimax/h3/text-to-video | $0,10/s ở 768P | 3 x 4s ở 768P | $1,20 |
Không có giảm giá nào đang hoạt động trên bất kỳ điểm cuối H3 nào trong tháng này. Hai điểm cuối lân cận rẻ hơn ngay bây giờ nếu bạn chỉ xây dựng ảnh tĩnh tham chiếu: gpt-image-2-developer/text-to-image đang giảm 50%, $0,009 xuống $0,004 kể từ tháng 8 năm 2026. Phân tích đầy đủ mỗi giây có trong hướng dẫn Định giá API MiniMax H3.
MiniMax H3 Reference to Video, Từng bước một
Bối cảnh: một người phụ nữ điều hành một quầy mì ramen. Cảnh A là một con hẻm đầy mưa và đèn neon vào ban đêm. Cảnh B là cùng người phụ nữ đó vào sáng hôm sau trong một khu chợ có mái che vắng vẻ, một địa điểm khác, một thời điểm khác trong ngày và một ống kính khác. Không có gì được mang theo giữa hai cuộc gọi ngoại trừ các tham chiếu, đó là mục đích của bài kiểm tra.
Bước 1: Xây dựng tham chiếu nhân vật, được chiếu sáng phẳng có chủ đích
Đây là bước mọi người làm sai. Một tham chiếu nhân vật không phải là một bức ảnh đẹp về nhân vật của bạn, nó là một phép đo khuôn mặt của họ. Ánh sáng trung tính, nền đơn giản, không có cảnh, không có tâm trạng. H3 học ánh sáng cùng với khuôn mặt, vì vậy một tham chiếu có bầu không khí tạo ra một nhân vật được hàn gắn với bầu không khí đó.
Mô hình: openai/gpt-image-2/text-to-image. Cài đặt: chất lượng cao, kích thước 2048x1152 (16:9), định dạng png.
text1Ảnh biên tập của một người phụ nữ ở đầu ba mươi tuổi, một đầu bếp ẩm thực đường phố. Chân dung cận cảnh ba phần tư, biểu cảm trung tính, giao tiếp bằng mắt trực tiếp với máy ảnh. Tóc đen ngắn vén ra sau một tai, một vết sẹo nhỏ phía trên lông mày phải, làn da ô liu ấm áp. Cô ấy mặc một chiếc áo khoác làm việc màu chàm phai với tay áo xắn đến khuỷu tay và một chiếc khăn trắng gấp trên vai trái. Nền phòng thu màu xám nhạt, ánh sáng chính mềm mại đều, không có đạo cụ, lấy nét sắc nét trên khuôn mặt, kết cấu da tự nhiên, không chỉnh sửa. Chân thực như ảnh, ống kính 50mm. 2
Sân chơi GPT Image 2 trên Atlas Cloud với lời nhắc tham chiếu nhân vật đã tải và chân dung hoàn thành trong bảng đầu ra
GPT Image 2 trên Atlas Cloud: chất lượng đặt thành cao, 16:9, bảng nhân vật được hiển thị ở bên phải.
Ảnh tham chiếu nhân vật cho MiniMax H3 reference to video: chân dung phòng thu trung tính của một đầu bếp ramen với vết sẹo phía trên lông mày phải
Ảnh tham chiếu 1. Vết sẹo phía trên lông mày phải và chiếc khăn trắng gấp là có chủ đích: chúng là những mỏ neo nhận dạng rẻ tiền, rõ ràng mà bạn có thể kiểm tra trong mọi khung hình sau đó.
Bước 2: Xây dựng tham chiếu đạo cụ
Vị trí tham chiếu thứ hai, công việc thứ hai. Các đối tượng hoạt động tốt hơn khuôn mặt ở đây, điều này làm cho một đạo cụ đặc biệt trở thành cách dễ nhất để chứng minh một tham chiếu đã được đọc. Cùng mô hình, cùng cài đặt.
text1Ảnh sản phẩm của một bát mì ramen gốm màu xanh nước biển đậm duy nhất với một con hạc trắng vẽ tay ở bên cạnh, sứt mẻ ở vành, chứa đầy mì ramen shoyu bốc hơi. Góc nhìn thẳng, nền xám nhạt đơn giản, ánh sáng đều mềm mại, lấy nét sắc nét, chân thực như ảnh, ống kính 50mm. 2
Ảnh tham chiếu đạo cụ: bát mì ramen màu xanh nước biển đậm với con hạc trắng vẽ tay và vành sứt mẻ
Ảnh tham chiếu 2. Con hạc vẽ tay và vết sứt trên vành là manh mối. Nếu chúng tồn tại trong video, tham chiếu đã được đọc.
Bước 3: Cảnh A, hai ảnh vào MiniMax H3 reference to video
Hai ảnh tham chiếu, cả hai type: "image", vào refers. Đặt tỷ lệ một cách rõ ràng. adaptive là mặc định và nó thường sẽ làm đúng khi tham chiếu của bạn đã là 16:9, nhưng nó quyết định cho bạn, và trên điểm cuối này, bạn không phải để nó làm vậy.
Mô hình: minimax/h3/reference-to-video. Cài đặt: độ phân giải 2K, thời lượng 8, tỷ lệ 16:9.
text1Thiết lập cảnh rộng. Mưa lớn vào ban đêm trong một con hẻm hẹp đầy đèn neon. Người phụ nữ từ ảnh tham chiếu làm việc một mình phía sau một quầy mì ramen nhỏ bốc hơi dưới mái hiên nhựa, múc nước dùng vào bát màu xanh nước biển với con hạc trắng từ ảnh tham chiếu. Hơi nước bốc lên qua phản chiếu đèn neon hồng và xanh lá cây trên vỉa hè ướt. Tiến chậm vào quầy. Âm thanh xung quanh: mưa trên nhựa, nước dùng sôi, tiếng xe cộ xa xa. Không có đối thoại. 2
Đầu ra của cuộc gọi này là nửa đầu của clip trình diễn ở đầu trang. Giữ URL của nó. Nó là đầu vào cho Bước 5.
Bước 4: Cắt một âm thanh tham chiếu tám giây
Âm thanh tham chiếu không phải là một vị trí nhạc nền. Nó là một nền mà mô hình đối sánh bản phối riêng của mình với nó, và nó là đầu vào khó tính nhất trên điểm cuối. Tạo một bản nhạc, sau đó cắt nó xuống, vì một bài hát đầy đủ bị từ chối.
Mô hình: minimax/music-2.6, với is_instrumental: true và format: "mp3".
text1Jazz đêm khuya thưa thớt, trống chải, bass đứng, một trumpet bị tắt tiếng, u sầu, 70 BPM, không lời. 2
Sau đó cắt khoảng tám giây và mã hóa nó dưới dạng URL data:audio/mp3. Ba điều tôi đã làm sai ở đây lúc đầu, tất cả đều có văn bản lỗi chính xác:
- Chuỗi MIME quan trọng hơn byte. Khai báo
data:audio/mpegvà tham chiếu bị từ chối vớiaudio format ".mpeg" not allowed, mặc dù tệp là một MP3 hoàn toàn bình thường. Viếtaudio/mp3. - 2 đến 15 giây mỗi clip, và nó được thực thi. Bản nhạc tôi tạo ra dài 164 giây. Nó trả về
invalid param: audio duration 164258 ms, expected [2000, 15000] ms. Cắt xuống 8,05 giây đã khắc phục nó. Cả hai lần từ chối đều không tốn gì. - Trần kết hợp 15 giây được ghi chú nhưng không được thực thi. Tôi đã gửi hai clip 8 giây trong cùng một yêu cầu, tổng cộng 16,1 giây, mong đợi một sự từ chối. Công việc hoàn thành và tính phí bình thường. Đừng xây dựng dựa trên điều đó: nó được công bố là một giới hạn và có thể bắt đầu hoạt động như một giới hạn bất cứ lúc nào.
Sân chơi MiniMax Music 2.6 trên Atlas Cloud với lời nhắc jazz và bản nhạc hoàn thành trong bảng đầu ra
MiniMax Music 2.6 trên Atlas Cloud, $0,15 một lần chạy, bản nhạc hoàn thành ở bên phải. Một điều nên sao chép từ ảnh chụp màn hình này và một điều không: giá và định dạng mp3 là đúng, nhưng Is Instrumental vẫn tắt và lời bài hát demo của trang vẫn nằm trong hộp, vì vậy lần chạy cụ thể này trả về một bài hát dài 1:35 có giọng hát. Bật công tắc đó và xóa trường Lời bài hát trước khi chạy, nếu không bạn sẽ cắt một nền tham chiếu với ai đó hát trên nó. Lần chạy API của tôi, với isinstrumental: true, trả về 2:44 không lời trong 209 giây.
Bước 5: Cảnh B, một cuộc gọi MiniMax H3 reference to video với cả ba loại
Đây là cuộc gọi mà từ khóa thực sự nói về. Ba loại tham chiếu, ba công việc khác nhau, một mảng:
- chân dung nhân vật từ Bước 1,
type: "image", để giữ khuôn mặt của cô ấy - mp4 Cảnh A từ Bước 3,
type: "video", để mang gam màu và hạt qua đường cắt - lát jazz tám giây từ Bước 4,
type: "audio", làm nền
Các URL đầu ra từ các thế hệ khác trên nền tảng có thể được thả thẳng vào refers làm tham chiếu video, đó là cơ chế thực tế đằng sau tính liên tục đa cảnh. Không phải "H3 nhớ nhân vật của bạn". Bạn đưa cảnh trước đó trở lại cho nó.
Mô hình: minimax/h3/reference-to-video. Cài đặt: độ phân giải 2K, thời lượng 8, tỷ lệ 16:9.
text1Cùng người phụ nữ từ ảnh tham chiếu, vào sáng hôm sau. Khu chợ có mái che sáng sủa vắng vẻ, ánh sáng ban ngày lạnh lẽo sạch sẽ qua cửa sổ trần, rèm cửa vẫn kéo xuống phía sau cô ấy. Cận cảnh trung bình, máy ảnh tĩnh. Cô ấy lau quầy bằng chiếc khăn trắng gấp, nhìn lên máy ảnh và nói một câu, sau đó quay lại làm việc. Giữ khuôn mặt, mái tóc, vết sẹo và áo khoác chàm của cô ấy giống hệt tham chiếu. Mang gam màu và hạt của clip tham chiếu. Sử dụng âm thanh tham chiếu làm nhạc nền. 2
Sân chơi MiniMax H3 reference to video trên Atlas Cloud với một ảnh và một âm thanh tham chiếu đã tải và clip được tạo trong bảng đầu ra
Cùng cuộc gọi trong sân chơi MiniMax H3 Reference-to-Video, ở 2K và 8 giây. Hai vị trí tham chiếu của các loại khác nhau có thể nhìn thấy trong Reference Materials (2/9): vị trí 1 là ref-audio-8s.mp3, vị trí 2 là chân dung của cô ấy. Tham chiếu video được đưa vào thông qua "Add via link" (góc trên cùng bên phải của bảng đó) hoặc thông qua API, vì nó nằm ở một URL thay vì trên đĩa. Ba điều cần đọc từ bảng này: trình tải lên nói MAX:9 mặc dù trần của MiniMax là 12, Aspect Ratio nằm ở adaptive trừ khi bạn thay đổi nó, và giá chạy cho 2K ở 8 giây là $1,12, là bậc $0,14 mỗi giây.
Bước 6: Xác minh tham chiếu thực sự đã được đọc
Một công việc hoàn thành không phải là một công việc thành công. Hai kiểm tra, cả hai đều rẻ.
Kiểm tra khuôn mặt. Lấy một khung hình từ mỗi cảnh và đặt chúng cạnh nhau. Bạn đang tìm kiếm các mỏ neo bạn đã cắm: vết sẹo, đường chân tóc, áo khoác, khăn.
Khung hình từ Cảnh A bên cạnh khung hình từ Cảnh B, cho thấy cùng một nhân vật MiniMax H3 reference to video trong hai bối cảnh khác nhau
Trái: Cảnh A, ban đêm, neon, rộng. Phải: Cảnh B, chợ có mái che, sáng hôm sau, cận cảnh trung bình. Cùng khuôn mặt, cùng vết sẹo trên lông mày phải, cùng áo khoác và khăn, qua một thay đổi cảnh và khung hình không có gì chung ngoại trừ các tham chiếu.
Một điều đã không diễn ra theo cách tôi viết lời nhắc. Tôi yêu cầu "khu chợ có mái che sáng sủa vắng vẻ, ánh sáng ban ngày lạnh lẽo sạch sẽ" và "mang gam màu và hạt của clip tham chiếu", và clip tham chiếu đã thắng. Cảnh B rõ ràng là buổi sáng và rõ ràng là một địa điểm khác, nhưng nó u ám hơn nhiều so với "sáng sủa" ngụ ý, bởi vì gam màu đêm đã đi kèm với tham chiếu video. Bạn không thể yêu cầu một cuộc gọi cho cùng một giao diện và ánh sáng đối lập. Nếu bạn cần ánh sáng thay đổi, hãy bỏ hướng dẫn gam màu, hoặc bỏ tham chiếu video và giữ danh tính chỉ với ảnh.
Kiểm tra âm thanh. Vẽ dạng sóng của lát cắt tám giây bạn đã tải lên bên cạnh bản nhạc được trả về bên trong mp4, và thêm một đối chứng: một clip được tạo mà không có tham chiếu âm thanh nào.
Dạng sóng của âm thanh tham chiếu tám giây đã tải lên, bản nhạc âm thanh được trả về bên trong clip đã tạo và một đối chứng không có tham chiếu âm thanh
Trên cùng: lát jazz 8,05 giây được gửi làm tham chiếu. Giữa: bản nhạc được trích xuất từ mp4 Cảnh B đã trả về, bị chi phối bởi dòng đối thoại ở khoảng 5,5 giây. Dưới cùng: Cảnh A, cùng quy trình làm việc, không có tham chiếu âm thanh.
Đây là nơi tôi phải sửa một điều tôi đã tin trước đó. Âm thanh tham chiếu không trả về nguyên văn. Tương quan bao bọc giữa lát cắt của tôi và bản nhạc trả về là 0,25, so với −0,05 cho đối chứng không có tham chiếu, vì vậy hai cái có liên quan nhưng không giống nhau, và hình dạng trả về rõ ràng là bản phối riêng của nó chứ không phải tệp của tôi với một cái gì đó phủ lên trên. Những gì tham chiếu rõ ràng đã làm là đặt một cái gì đó bên dưới: nền của Cảnh B chạy nóng hơn khoảng 7 dB so với đối chứng không có âm thanh trong năm giây đầu tiên, trước khi bất kỳ đoạn hội thoại nào bắt đầu. Đọc âm thanh tham chiếu như một sự chỉ đạo trên bản phối, không phải một vị trí nhạc. Nếu bạn cần bản nhạc chính xác của mình dưới hình ảnh, hãy đặt nó vào sau.
Nếu bạn đang xây dựng trên khía cạnh âm thanh của điều này, MiniMax H3 lip sync and audio và hướng dẫn MiniMax H3 music video đều bắt đầu từ cùng hành vi âm thanh tham chiếu này. Đối với mã thăm dò và thử lại xung quanh tất cả điều này, hướng dẫn MiniMax H3 có vòng lặp.
Bốn Thiết lập MiniMax H3 Reference to Video Khác Đáng Lấy
Định dạng lại một clip bạn đã sở hữu. Đặt một clip đã hoàn thành trong refers làm tham chiếu video, không có ảnh nào cả, và yêu cầu một phương tiện khác. Chuyển động, khung hình, cú đẩy vào và đạo cụ sống sót; bề mặt thay đổi. Đây là cơ chế đằng sau xếp hạng chỉnh sửa video của H3, và nó cũng là cơ chế tương tự đằng sau tác phẩm anime trong MiniMax H3 vs Veo 3.1 for anime.
Định dạng lại anime được tạo từ clip Cảnh A được sử dụng làm tham chiếu MiniMax H3 reference to video
Con hẻm Cảnh A được trả lại làm tham chiếu duy nhất, với một lời nhắc anime tô bóng cel. Cùng quầy, cùng muôi, cùng bát hạc, cùng cú đẩy vào, được vẽ lại. Một chi tiết đáng biết: việc chuyển đổi yếu nhất ở các khung đầu tiên và mạnh nhất khi máy ảnh cam kết thực hiện chuyển động. Được hiển thị dưới dạng GIF im lặng. Được tạo với minimax/h3/reference-to-video ở 768P, 4s, $0,40.
Làm cho một bức ảnh trở nên sống động. Một chân dung cộng với một đoạn giọng hát trong cửa sổ 2 đến 15 giây, nhắc nhở màn trình diễn. Rẻ hơn một pipeline đồng bộ môi vì nó là một cuộc gọi duy nhất.
Khóa một sản phẩm vào bất kỳ cảnh nào. Ảnh tham chiếu ghim các đối tượng cứng hơn khuôn mặt, vì vậy một ảnh sản phẩm thực tế cộng với một lời nhắc cảnh là điều đáng tin cậy nhất trên điểm cuối này. Kiểm tra những gì bạn được phép làm với kết quả trước khi nó được đưa vào quảng cáo.
Xây dựng một loạt, không phải một clip. Xâu chuỗi nó: đầu ra của cảnh N trở thành tham chiếu video của cảnh N+1. Mỗi cuộc gọi vẫn giới hạn ở 15 giây, vì vậy tính liên tục là công việc của bạn, không phải của mô hình. Video MiniMax H3 có thể dài bao nhiêu bao gồm nơi trần đó cắn.
So sánh các công cụ trước khi cam kết một loạt với một? Seedance 2.5 vs MiniMax H3 và Các lựa chọn thay thế MiniMax H3 là hai cái nên đọc.
Một Cảnh Hai Cảnh MiniMax H3 Reference to Video Thực Sự Tốn Bao Nhiêu
Mỗi dòng dưới đây là một công việc thực tế từ 2026-08-12, với số tiền được lấy từ trường price mà API trả về trên mỗi dự đoán đã hoàn thành.
Bảng 4: hóa đơn thực tế
| Công việc | Mô hình | Cài đặt | Kết quả | Đã tính phí |
|---|---|---|---|---|
| Tham chiếu nhân vật | gpt-image-2 | cao, 2048x1152 | đã hoàn thành | $0,1745 |
| Tham chiếu đạo cụ | gpt-image-2 | cao, 2048x1152 | đã hoàn thành | $0,1745 |
| Âm thanh tham chiếu | music-2.6 | không lời, mp3 | đã hoàn thành, bản nhạc 164s, chờ 209s | $0,15 |
| Cảnh A | h3/reference-to-video | 2K, 8s, 2 tham chiếu ảnh | đã hoàn thành trong 309s | $1,12 |
| Cảnh B | h3/reference-to-video | 2K, 8s, tham chiếu ảnh + video + âm thanh | đã hoàn thành trong 557s | $1,12 |
| Thang, không tham chiếu | h3/text-to-video | 768P, 4s | đã hoàn thành trong 154s | $0,40 |
| Thang, 1 tham chiếu ảnh | h3/reference-to-video | 768P, 4s | đã hoàn thành trong 119s | $0,40 |
| Thang, 2 tham chiếu ảnh | h3/reference-to-video | 768P, 4s | đã hoàn thành trong 128s | $0,40 |
| Định dạng lại anime | h3/reference-to-video | 768P, 4s, 1 tham chiếu video | đã hoàn thành trong 239s | $0,40 |
| Chạy lại Bước 5 trong sân chơi | h3/reference-to-video | 2K, 8s, tham chiếu ảnh + âm thanh | đã hoàn thành | $1,12 |
| Đối chứng: 10 tham chiếu ảnh | h3/reference-to-video | 768P, 4s | đã hoàn thành trong 150s | $0,40 |
| Đối chứng: ảnh khung đầu tiên + refers | h3/reference-to-video | 768P, 4s | đã hoàn thành, một đầu vào bị loại bỏ | $0,40 |
| Đối chứng: refers trên image-to-video | h3/image-to-video | 768P, 4s | đã hoàn thành, refers bị loại bỏ | $0,40 |
| Đối chứng: 16,1s âm thanh tham chiếu | h3/reference-to-video | 768P, 4s | đã hoàn thành vượt quá giới hạn đã ghi chú | $0,40 |
| Đối chứng: bỏ qua tỷ lệ, sau đó tỷ lệ adaptive | h3/reference-to-video | 768P, 4s, hai lần | cả hai đã hoàn thành, giống hệt 1344x768 | $0,80 |
| Chạy lại ảnh chụp màn hình của Bước 1 và 4 | gpt-image-2, music-2.6 | như trên | đã hoàn thành | $0,32 |
| Đối chứng: chỉ âm thanh tham chiếu | h3/reference-to-video | 768P, 4s | thất bại trong 7ms | $0,00 |
| Đối chứng: 164s âm thanh tham chiếu | h3/reference-to-video | 768P, 4s | thất bại trong 16s | $0,00 |
| Đối chứng: MIME audio/mpeg | h3/reference-to-video | 768P, 4s | thất bại trong 17s | $0,00 |
| Đối chứng: URL tham chiếu chết | h3/reference-to-video | 768P, 4s | thất bại trong 21s | $0,00 |
| Tổng cộng | $8,18 |
Chia tổng số đó một cách trung thực. Cảnh hai cảnh đã hoàn thành ở đầu bài viết này, bao gồm tham chiếu và âm thanh, là $2,74 của nó. $5,44 còn lại là cuộc điều tra: đối chứng, cố tình phá vỡ và chạy lại các bước trong trình duyệt để lấy ảnh chụp màn hình. Nếu bạn đã biết các quy tắc, một chuỗi hai cảnh 16 giây ở 2K có giá thấp hơn một cái bánh mì.
Ba điều rơi ra khỏi bảng đó.
Tham chiếu là miễn phí. Đối chứng mười ảnh có giá chính xác $0,40 giống như lần chạy thang một ảnh ở cùng độ dài và độ phân giải. Trên nền tảng này, đồng hồ đo theo giây đầu ra và độ phân giải, không có gì khác. Đáng để chỉ ra một mâu thuẫn: các quy tắc nền tảng của MiniMax mô tả video đầu vào được tính phí theo tỷ lệ đầu ra, và lược đồ hợp nhất trên OpenRouter mang một mục hàng reference_images riêng biệt. Không có cái nào xuất hiện trên hóa đơn của tôi ở đây. Nếu bạn đang lập ngân sách ở nơi khác, hãy tự định giá thay vì cho rằng.
Thất bại là miễn phí, và nó đến muộn. Cả bốn lần từ chối đều không tốn gì, đó là tin tốt. Tin xấu là khi chúng đến: 7 mili giây cho quy tắc chỉ âm thanh, 16 đến 21 giây cho độ dài âm thanh, sai MIME và URL chết, và không có gì cả ở thời điểm gửi. Mọi yêu cầu sai trong bài viết này đều nhận được HTTP 200 và một ID dự đoán trước tiên, vì vậy hãy coi phản hồi gửi như một biên nhận, không phải xác thực, và thăm dò trường status trước khi bạn tin bất cứ điều gì.
Thành công im lặng là sự thất bại đắt đỏ. Hai đối chứng trộn lẫn mỗi cái tốn $0,40 và trả về một video hoàn toàn hợp lệ được xây dựng từ một nửa đầu vào của tôi. Không có lỗi, không có trường cảnh báo và không có cách nào để biết từ phản hồi rằng bất cứ thứ gì đã bị loại bỏ. Đó là dòng duy nhất trong bảng nơi tiền rời khỏi tài khoản và tôi không nhận được gì tôi muốn.
Một sự điều chỉnh trung thực về điểm cuối cùng đó, bởi vì nó đã thay đổi dưới tôi khi tôi đang viết. Vào đầu tháng 8, một URL tham chiếu bị 404 hoạt động theo cùng một cách: công việc hoàn thành, tham chiếu bị bỏ qua im lặng và toàn bộ số tiền bị tính phí. Chạy lại nó vào ngày 2026-08-12, điểm cuối bây giờ kiểm tra khả năng truy cập và thất bại công việc miễn phí với một lỗi có tên, content[1].image_url: media not found (HTTP 404). Cái lỗ cụ thể đó đã được đóng lại. Cái lỗ đầu vào loại trừ lẫn nhau thì không. Đối với phép tính tín dụng mỗi clip, Tín dụng MiniMax H3 mỗi video có các bảng.
Khuôn mặt của ai, Giọng nói của ai: Kiểm tra Điều này Trước Khi Bạn Tải lên Một Tham chiếu
Điểm cuối này khác với văn bản sang video ở một khía cạnh có liên quan về mặt pháp lý: bạn cung cấp chân dung. Một ảnh tham chiếu của một người thật, một clip tham chiếu từ phim của ai đó, một giọng nói tham chiếu trong một giọng nói có thể nhận dạng, tất cả đều là tài liệu mà bạn khẳng định có quyền sử dụng. Các quy tắc nội dung phía mô hình vẫn được áp dụng trên đó, và chúng nghiêm ngặt hơn về người thật so với người được phát minh. Hai hướng dẫn đáng đọc trước khi khách hàng nhìn thấy đầu ra: Hạn chế nội dung MiniMax H3 và phân tích sử dụng thương mại và cấp phép, cũng bao gồm các loại trừ lãnh thổ trong các điều khoản của MiniMax.
MiniMax H3 Reference to Video: Câu hỏi thường gặp
MiniMax H3 reference to video có thể giữ cùng một nhân vật qua hai cảnh khác nhau không?
Có, và bài kiểm tra hai cảnh của tôi ở trên giữ vững qua một sự đảo ngược ánh sáng hoàn toàn từ đêm sang sáng. Nhưng một ảnh nhân vật một mình không phải là thứ làm được điều đó. Mô hình đáng tin cậy là chuyển URL đầu ra của cảnh trước đó trở lại làm video tham chiếu cùng với ảnh nhân vật, để cuộc gọi thứ hai kế thừa gam màu và hạt cũng như danh tính.
Tôi có thể sử dụng một ảnh khung đầu tiên và các tham chiếu trong cùng một cuộc gọi MiniMax H3 reference to video không?
Không, và chế độ thất bại là vấn đề. Gửi cả image và refers không báo lỗi. Đã thử nghiệm vào ngày 2026-08-12, công việc hoàn thành trong 115 giây, tính phí $0,40 và âm thầm loại bỏ một trong hai đầu vào. Điều tương tự cũng xảy ra ngược lại trên điểm cuối image-to-video. Chọn một đường dẫn cho mỗi cuộc gọi.
Tôi có thể gửi một tệp âm thanh riêng lẻ làm tham chiếu MiniMax H3 reference to video không?
Không. Âm thanh phải đi cùng với ít nhất một ảnh tham chiếu hoặc video, và điểm cuối thực thi nó với một lỗi rõ ràng: reference-to-video requires at least one reference image or video. Nó đến ở giai đoạn tạo, không phải lúc gửi, và công việc bị từ chối là miễn phí. Các tham chiếu âm thanh cũng phải nằm trong khoảng 2 đến 15 giây, 15 giây kết hợp và được khai báo là audio/mp3 thay vì audio/mpeg.
MiniMax H3 reference to video có tính phí thêm cho mỗi tệp tham chiếu không?
Không phải trên Atlas Cloud. Một lần chạy với mười ảnh tham chiếu và một lần chạy với một ảnh được tính phí giống hệt $0,40 ở 768P và 4 giây, vì vậy đồng hồ đo chỉ theo dõi giây đầu ra và độ phân giải. Tuy nhiên, lưu ý mâu thuẫn: các quy tắc của MiniMax đề cập đến video đầu vào được đo theo tỷ lệ đầu ra, và các nền tảng khác hiển thị một mục hàng ảnh tham chiếu riêng biệt. Xác minh trên bề mặt bạn đang tính phí thông qua.
Điều gì xảy ra nếu một trong các URL MiniMax H3 reference to video của tôi bị hỏng?
Kể từ ngày 2026-08-12, điểm cuối xác thực khả năng truy cập và thất bại toàn bộ công việc miễn phí, với content[1].image_url: media not found (HTTP 404) sau khoảng 21 giây. Đó là một sự thay đổi: vào đầu tháng 8, cùng một yêu cầu đã hoàn thành, âm thầm bỏ qua tham chiếu bị thiếu và tính phí đầy đủ. Đừng cho rằng các báo cáo hành vi cũ hơn vẫn còn hiệu lực và hãy kiểm tra trường status thay vì cho rằng HTTP 200 tại thời điểm gửi có nghĩa là bất cứ điều gì.
MiniMax H3 reference to video có thực sự là mô hình tốt nhất cho việc này không?
Trên bảng đối đầu công khai duy nhất đo lường nó, có, hẹp. MiniMax H3 dẫn đầu bảng xếp hạng chỉnh sửa video ở Elo 1,125 qua 10,280 phiếu bầu, nhưng phạm vi xếp hạng được liệt kê của nó là 1 đến 2 và Gemini Omni Flash nằm sau 3 điểm Elo với một khoảng thời gian chồng chéo. Hãy coi nó là "tốt nhất hiện có chung", chọn dựa trên phần còn lại của quy trình làm việc và đọc Các lựa chọn thay thế MiniMax H3 nếu sự ràng buộc có ý nghĩa với bạn.
