MiniMax H3 এক অনুরোধেই ছবি, ভিডিও ক্লিপ আর অডিও ট্র্যাক নেয় — প্রম্পটে ক্রম ধরে Image 1, Video 1, Audio 1 হিসেবে সেগুলো দেখিয়ে দিন।
MiniMax H3 হলো সেই ভিডিও মডেল যেটি MiniMax তার Hailuo 3 পণ্যের ভেতরে দেয়, এখানে যুক্ত হয়েছে 12 আগস্ট 2026-এ। একটি পিকারের পেছনে তিনটি এন্ডপয়েন্ট — টেক্সট-টু-ভিডিও, ইমেজ-টু-ভিডিও আর রেফারেন্স-টু-ভিডিও — একই প্যানেল আর একই প্রতি-সেকেন্ড দাম ভাগ করে নেয়। শেখার মতো অংশটি রেফারেন্স মোড: একটি অনুরোধে সর্বোচ্চ নয়টি ছবি, তিনটি ভিডিও ক্লিপ আর তিনটি অডিও ট্র্যাক, যেগুলো প্রম্পটে @-ট্যাগ দিয়ে নয়, ক্রম দিয়ে দেখানো হয়।
এবার যেসব অংশ আপনার খরচ বাড়ায়। রেফারেন্স ভিডিওর বিল হয়: এর ইনপুট সেকেন্ড আপনার আউটপুট সেকেন্ডের সঙ্গে যোগ হয়, তাই 10 সেকেন্ডের একটি ক্লিপে 10 সেকেন্ডের রেফারেন্স মানে বিল হয় বিশ সেকেন্ডের। ইমেজ-টু-ভিডিও কেবল প্রথম ফ্রেমই ব্যবহার করে — আপস্ট্রিম API যে শেষ-ফ্রেম ইনপুট দেয় তা এখানে চালু করা নেই। কোনো 1080p নেই আর কোনো 4K নেই, অডিও বন্ধ করার সুইচ নেই, জমা দেওয়া টাস্ক বাতিল করা যায় না, আর আমরা এই মডেলের সময় মাপিনি।
MiniMax-এর ফ্ল্যাগশিপ ভিডিও মডেল 768p বা 2K-তে নেটিভ অডিওসহ 4–15 সেকেন্ডের ক্লিপ জেনারেট করে — চালিত হয় টেক্সট, প্রথম ফ্রেমের ছবি, বা মিশ্র ছবি, ভিডিও ও অডিও রেফারেন্স দিয়ে — কোনো API key নয়, আলাদা কোনো অ্যাকাউন্টও নয়।
শুধু প্রম্পটের জন্য টেক্সট-টু-ভিডিও, প্রথম ফ্রেম অ্যানিমেট করতে ইমেজ-টু-ভিডিও, আর উচ্চাভিলাষী ব্রিফের জন্য রেফারেন্স-টু-ভিডিও: এক অনুরোধে সর্বোচ্চ 9টি ছবি, 3টি ভিডিও ক্লিপ ও 3টি অডিও ট্র্যাক, প্রম্পটে "Image 1", "Video 1", "Audio 1" হিসেবে উল্লেখ করা যায়। ক্লিপের কোনো ব্যক্তিকে বদলান, ছবি থেকে একটি মুখ ধরে রাখুন, বা ভয়েস ট্র্যাক থেকে সংলাপ চালান।
H3 নেটিভ অডিওসহ ভিডিও দেয়, এবং রেফারেন্স মোডে এটি সরবরাহ করা ভয়েস ট্র্যাক সিঙ্ক করা ঠোঁটের নড়াচড়ায় পরিবেশন করতে পারে — একটি পোর্ট্রেট আর একটি অডিও ক্লিপ দিন এবং পরিবেশনার ধরন বর্ণনা করুন। রেফারেন্স অডিও ফ্রি; শুধু ভিডিও রেফারেন্সেই বিলযোগ্য ইনপুট সেকেন্ড যোগ হয়।
জেনারেট করার আগে দেখানো প্রতি সেকেন্ডের দামসহ দুটি আউটপুট স্তর: 768p-তে প্রতি সেকেন্ডে 55 ক্রেডিট, 2K-তে 90। 4 সেকেন্ডের একটি 768p ড্রাফট 220 ক্রেডিট; মোশন ঠিকঠাক হলে ডেলিভারির জন্য একই ব্রিফ 2K-তে আবার চালান। 9:16 উল্লম্ব থেকে 21:9 আল্ট্রাওয়াইড পর্যন্ত ছয়টি অ্যাসপেক্ট রেশিও।
H3 সর্বোচ্চ 7,000 অক্ষরের প্রম্পট নেয় — এক দফাতেই ক্যামেরার নড়াচড়া, ব্লকিং, পোশাক আর মুড বর্ণনা করার জন্য যথেষ্ট। প্রতিটি জেনারেশন তার সম্পূর্ণ প্রম্পট ও প্যারামিটার ইতিহাসে রাখে, তাই যে শট কাজ করেছে তা পরের সপ্তাহেও পুনরুৎপাদন করা যায়।
২০২৬ সালের ১৫ অগাস্টে এখানেই তৈরি, প্রথম চেষ্টাতেই, প্রম্পট ও সেটিংস হুবহু দেখানো। প্রতিটি ক্লিপ এই পাতার নিচে দাবি করা সক্ষমতাগুলোর একটিকে যাচাই করে।
A thunderstorm rolling over a wheat field at dusk, wind bending the crop in waves, distant lightning illuminating the clouds, low rumbling thunder, slow push-in.
A street musician playing an upright bass on a rainy night pavement, fingers moving on the strings, reflected neon in the puddles, handheld documentary camera.
এই তালিকায় এটিই রেফারেন্স-ভারী মডেল: Veo স্তরগুলো বা Kling যত ইনপুট উপকরণ নেয়, প্রতি অনুরোধে তার চেয়ে বেশি, আর ক্লিপের দৈর্ঘ্য আট সেকেন্ডের দেয়াল পেরিয়ে যায়।
এক অনুরোধে নয়টি ছবি, তিনটি ভিডিও ক্লিপ আর তিনটি অডিও ট্র্যাক, প্রম্পটে ক্রম ধরে উল্লেখ করা। এক পাসেই এক ছবি থেকে একটি মুখ, আরেকটি থেকে একটি লোকেশন আর একটি রেকর্ডিং থেকে একটি কণ্ঠ ধরে রাখার জন্য এটুকুই যথেষ্ট।
Veo-র দুটি স্তরই আটে গিয়ে থামে। H3 চলে পনেরো পর্যন্ত, যেকোনো পূর্ণ সেকেন্ডে, একটি নির্দিষ্ট প্রতি-সেকেন্ড হারে — তাই দৈর্ঘ্য প্যাকেজ থেকে প্যাকেজে লাফানো নয়, একটি সোজাসাপ্টা সিদ্ধান্ত।
রেফারেন্স মোডে এটি আপনার দেওয়া একটি ভয়েস ট্র্যাক ঠোঁটের নড়াচড়ার সঙ্গে মিলিয়ে অভিনয় করে, আর রেফারেন্স অডিও নিজে ফ্রি। একটি পাঠ পরিচালনা করতে যেভাবে বলতেন, প্রম্পটেও সেভাবেই বলার ধরনটা বর্ণনা করুন।
দুটি স্তর, প্রতিটিতে একটি নির্দিষ্ট হার, একই প্রম্পট। কম খরচে মুভমেন্ট চালান যতক্ষণ না সেটি ঠিক হয়, তারপর যেটি হস্তান্তর করবেন তার জন্য হুবহু একই ব্রিফ 2K-তে আবার চালান।
অডিও বন্ধ করার সুইচ নেই, সিঁড়িটি 2K-তে গিয়ে থামে, আর জমা দেওয়া টাস্ক শেষ পর্যন্ত চলে। নীরব ক্লিপ দরকার হলে Kling 3.0 ডিফল্টেই শব্দ বন্ধ রাখে; 4K দরকার হলে Veo-র দুটি স্তর আর Kling 3.0-তে সেই স্তর আছে।
একই ওয়ার্কস্পেস, একই ক্রেডিট পুল — এদের যেকোনোটিতে বদলাতে এক ক্লিক।
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| রেজোলিউশন | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| ক্লিপের দৈর্ঘ্য | 4–15s, যেকোনো পূর্ণ সেকেন্ড | 4, 6 বা 8s | 4, 6 বা 8s | 3–15s, যেকোনো পূর্ণ সেকেন্ড |
| শব্দ | নেটিভ আর সবসময় চালু — কোনো টগল নেই | ঐচ্ছিক, আর এটি হার বদলে দেয় | ঐচ্ছিক, আর এটি হার বদলে দেয় | ঐচ্ছিক টগল, ডিফল্টে বন্ধ |
| প্রতি সেকেন্ডে ক্রেডিট, 768p আর 2K | 768p-তে 55 · 2K-এ 90 | দেওয়া হয় না — এই স্তর চলে 720p, 1080p আর 4K-তে | দেওয়া হয় না — এই স্তর চলে 720p, 1080p আর 4K-তে | দেওয়া হয় না — এই মডেল চলে 720p, 1080p আর 4K-তে |
| প্রতি সেকেন্ডে ক্রেডিট, 720p | দেওয়া হয় না | নীরবে 80 · অডিওসহ 160 | নীরবে 50 · অডিওসহ 75 | নীরবে 45 · শব্দসহ 60 |
| প্রতি সেকেন্ডে ক্রেডিট, 1080p | দেওয়া হয় না | নীরবে 80 · অডিওসহ 160 — 720p-র সমান হার | নীরবে 50 · অডিওসহ 75 — 720p-র সমান হার | নীরবে 60 · শব্দসহ 85 |
| প্রতি সেকেন্ডে ক্রেডিট, 4K | দেওয়া হয় না | নীরবে 160 · অডিওসহ 240 | নীরবে 150 · অডিওসহ 175 | 200, শব্দ কোনো বাড়তি খরচ ছাড়াই অন্তর্ভুক্ত |
| একটি ক্লিপের ক্রেডিট, সর্বনিম্ন থেকে সর্বোচ্চ | শুধু আউটপুটের জন্য 220–1,350; 15s রেফারেন্স ভিডিও আর 9টি রেফারেন্স ছবিসহ 2,820 | 320–1,920 | 200–1,400 | 135–3,000 |
| প্রতি অনুরোধে রেফারেন্স উপকরণ | সর্বোচ্চ 9টি ছবি, 3টি ভিডিও আর 3টি অডিও ট্র্যাক, মোট 12টি | একটি ছবি | একটি ছবি | একটি ছবি |
| আমাদের নিজেদের মাপা গতি | 5s-এর জন্য 3m 33s এবং 20s-এর জন্য 7m 32s, দুটোই 720p (2টি ক্লিপ, আগস্ট 2026) | পরিমাপ করা হয়নি | পরিমাপ করা হয়নি | পরিমাপ করা হয়নি |
এই টেবিলের রেজোলিউশন, ক্লিপের দৈর্ঘ্য আর প্রতিটি ক্রেডিটের অঙ্ক 20 আগস্ট 2026-এ আমাদের নিজেদের মডেল রেজিস্ট্রি থেকে পড়া — যে প্রতি-সেকেন্ড হারের তালিকা দিয়ে আপনার জেনারেশনের দাম হিসাব হয় সেটাই, ভেন্ডরের বিপণনের পাতা নয়। হারগুলো আউটপুটের প্রতি সেকেন্ডে, তাই আপনি যে ক্লিপ-দৈর্ঘ্য বাছবেন তা দিয়ে গুণ করুন; H3-তে রেফারেন্স-ভিডিওর ইনপুট সেকেন্ড একই হারে ওই হিসাবে যোগ হয়। রেজোলিউশনের সারিগুলো আলাদা করা হয়েছে কারণ H3 দেয় 768p আর 2K, অন্যদিকে বাকি তিনটি দেয় 720p, 1080p আর 4K — কোনো মডেল যে স্তর বিক্রি করে না, সেটি কাছাকাছি কোনো সংখ্যা দিয়ে ভরাট না করে "দেওয়া হয় না" লেখা হয়েছে। যেসব ঘর আমরা মাপিনি, সেগুলো তা-ই বলে।
MiniMax H3-কে অন্যান্য ভিডিও মডেলের সাথে তুলনা করুন — একই ওয়ার্কস্পেস, এক ক্লিকে বদল।
| মডেল | minimax-h3 (MiniMax H3, Hailuo 3-এর পেছনের মডেল) — এখানে যুক্ত হয়েছে 12 আগস্ট 2026-এ |
|---|---|
| মোড | টেক্সট-টু-ভিডিও, প্রথম ফ্রেম থেকে ইমেজ-টু-ভিডিও, আর মেশানো উপকরণের সেট থেকে রেফারেন্স-টু-ভিডিও — একটি পিকারের পেছনে তিনটি এন্ডপয়েন্ট, দাম একই |
| রেজোলিউশন | 768p আর 2K — কোনো 1080p স্তর নেই আর কোনো 4K স্তর নেই |
| সময়কাল | 4 থেকে 15 সেকেন্ড, যেকোনো পূর্ণ সেকেন্ড (ডিফল্টে 4) |
| অ্যাসপেক্ট রেশিও | টেক্সট আর রেফারেন্স মোডে 16:9, 9:16, 1:1, 4:3, 3:4 আর 21:9; ইমেজ-টু-ভিডিও রেফারেন্স ফ্রেম অনুসরণ করে |
| রেফারেন্স উপকরণ | সর্বোচ্চ 9টি ছবি, 3টি ভিডিও ক্লিপ আর 3টি অডিও ট্র্যাক, মোট 12টি। রেফারেন্স ভিডিও প্রতি ক্লিপে 2–15 সেকেন্ড আর সব মিলিয়ে 15 সেকেন্ড। প্রম্পটে "Image 1", "Video 1", "Audio 1" হিসেবে উল্লেখ করা হয় |
| প্রম্পটের দৈর্ঘ্য | সর্বোচ্চ 7,000 অক্ষর |
| অডিও | নেটিভ আর সবসময় চালু — কোনো অডিও টগল নেই |
| ক্রেডিট | প্রতি সেকেন্ডে: 768p-তে 55, 2K-তে 90, তিনটি মোডেই একই হার। রেফারেন্স-ভিডিওর ইনপুট সেকেন্ডের বিল ওই একই প্রতি-সেকেন্ড হারে হয়; পঞ্চম ছবির পরে প্রতিটি রেফারেন্স ছবিতে 30 করে যোগ হয়; রেফারেন্স অডিও ফ্রি |
| প্রতি ক্লিপে ক্রেডিটের পরিসর | 4 সেকেন্ডের একটি 768p ক্লিপে 220, 15 সেকেন্ডের একটি 2K ক্লিপে 1,350। 15 সেকেন্ড রেফারেন্স ভিডিও আর 9টি রেফারেন্স ছবি বোঝাই করা হলে একটি 2K অনুরোধ সর্বোচ্চ 2,820-এ ওঠে |
| বাতিলকরণ | জমা দেওয়া টাস্ক বাতিল করা যায় না |
| পরিমাপ করা গতি | মাপা হয়নি — এই মডেলে আমরা সময় ধরে কোনো বেঞ্চমার্ক চালাইনি |
ফাঁকা prompt বক্স থেকে তৈরি ক্লিপ পর্যন্ত — তিন ধাপ।
মডেল পিকার খুলে MiniMax H3 বেছে নিন। আপনি কিছু খরচ করার আগেই প্যানেল তার ক্রেডিট খরচ, রেজোলিউশন অপশন ও দৈর্ঘ্যের সীমা দেখিয়ে দেয়।
বিষয়, অ্যাকশন এবং ক্যামেরা কীভাবে চলবে তা লিখুন। ক্লিপটি কোনো নির্দিষ্ট ছবি থেকে শুরু করাতে চাইলে প্রথম ফ্রেম যুক্ত করুন।
ক্লিপটি ডাউনলোড করুন, লম্বা করুন, কিংবা আরও এডিটিংয়ে পাঠান। prompt, মডেল ও সেটিংস আপনার হিস্ট্রিতে এর সঙ্গেই থেকে যায়।
একটি অ্যাকাউন্ট, সম্পূর্ণ ইমেজ এবং ভিডিও জেনারেশন ওয়ার্কফ্লো।
ফ্রি টিয়ারের প্রতিদিনের ক্রেডিট দিয়েই MiniMax H3 চালান, অথবা প্রিমিয়াম মডেল, দ্রুততর জেনারেশন এবং 4K আউটপুটের জন্য আপগ্রেড করুন।
শুরু করার জন্য আদর্শ
বার্ষিক বিল করা হয় · $240/বছর
বার্ষিক বিল করা হয় · $468/বছর
সিনেম্যাটিক চরিত্রাভিনয় এবং মাল্টিমোডাল রেফারেন্সের কাজ — প্রথম ফ্রেমকে অ্যানিমেট করা, রেফারেন্স ছবি থেকে পরিচয় ধরে রাখা, এবং সরবরাহ করা অডিও সিঙ্ক করা ঠোঁটে পরিবেশন করা। আউটপুট 768p বা 2K-তে 4–15 সেকেন্ড, নেটিভ অডিওসহ।
768p-তে আউটপুটের প্রতি সেকেন্ডে 55 ক্রেডিট এবং 2K-তে 90, তাই 4 সেকেন্ডের একটি 768p ক্লিপ 220 ক্রেডিট। রেফারেন্স ভিডিওর ইনপুট সেকেন্ডও একই হারে বিল হয়; 5টির বেশি রেফারেন্স ছবি হলে প্রতিটিতে 30 ক্রেডিট যোগ হয়; রেফারেন্স অডিও ফ্রি। জেনারেট করার আগে সঠিক মোট খরচ দেখানো হয়।
হ্যাঁ — H3 হলো সেই মডেল যা MiniMax তাদের Hailuo ভিডিও প্রোডাক্টে দেয়। CreateVision AI-তে আপনি এটি সরাসরি ব্রাউজারে চালান — কোনো MiniMax অ্যাকাউন্ট বা API key ছাড়াই।
সর্বোচ্চ 9টি ছবি, 3টি ভিডিও ক্লিপ (প্রতিটি 2–15 সেকেন্ড, সম্মিলিতভাবে 15 সেকেন্ড) এবং 3টি অডিও ট্র্যাক, সব মিলিয়ে সর্বোচ্চ 12টি অ্যাসেট। প্রম্পটে ক্রম অনুযায়ী এগুলো উল্লেখ করুন: "Image 1", "Video 1", "Audio 1"।
4 থেকে 15 পর্যন্ত পূর্ণ সেকেন্ড, 768p বা 2K-তে। টেক্সট ও রেফারেন্স মোডে 16:9, 21:9, 4:3, 1:1, 3:4 এবং 9:16 পাওয়া যায় (রেফারেন্স মোড স্বয়ংক্রিয়ভাবেও মানিয়ে নিতে পারে); ইমেজ-টু-ভিডিও আপনার প্রথম ফ্রেমের রেশিও অনুসরণ করে।
না। H3 প্রতিটি রানে নেটিভ অডিও তৈরি করে আর এর কোনো টগল নেই, তাই আপনি যে হারটি দেখছেন সেটিই একমাত্র হার। নীরব প্লেট দরকার হলে হয় আপনার এডিটে সেটি মিউট করুন, নয়তো এমন কোনো মডেল বাছুন যার শব্দ ঐচ্ছিক — Kling 3.0 ডিফল্টেই সেটি বন্ধ রাখে।
4–15 সেকেন্ডের চরিত্র ও সংলাপের শটের জন্য H3-ই বেশি লাভজনক। Seedance 2.5 30 সেকেন্ড পর্যন্ত যায় এবং প্রতি অনুরোধে অনেক বেশি রেফারেন্স অ্যাসেট নেয়, তবে প্রতি সেকেন্ডের দাম বেশি। সস্তা ড্রাফটের জন্য Seedance 2.0 Mini এখনও বাজেট পছন্দ।
জেনারেশনের আশপাশের সব কাজের জন্য ওয়ান-ক্লিক টুল — ঘষামাজা, স্টাইল বদল, শেয়ার।
