MiniMax H3 nimmt Bilder, Videoclips und Audiospuren in einer Anfrage — sprechen Sie sie im Prompt über ihre Reihenfolge an, als Image 1, Video 1, Audio 1.
MiniMax H3 ist das Videomodell, das MiniMax in seinem Produkt Hailuo 3 ausliefert, hier integriert am 12. August 2026. Drei Endpunkte stecken hinter einem Wähler — Text-zu-Video, Bild-zu-Video und Referenz-zu-Video — mit demselben Panel und demselben Preis pro Sekunde. Der Referenzmodus ist der Teil, den zu lernen sich lohnt: bis zu neun Bilder, drei Videoclips und drei Audiospuren in einer einzigen Anfrage, im Prompt nicht über @-Tags, sondern über ihre Reihenfolge angesprochen.
Jetzt die Teile, die Sie etwas kosten. Referenzvideo wird abgerechnet: Seine Eingabesekunden werden zu Ihren Ausgabesekunden addiert, eine 10-Sekunden-Referenz auf einem 10-Sekunden-Clip wird also als zwanzig abgerechnet. Bild-zu-Video nutzt nur das erste Bild — die Letztbild-Eingabe, die die Upstream-API anbietet, ist hier nicht aktiviert. Es gibt kein 1080p und kein 4K, der Ton hat keinen Ausschalter, abgeschickte Aufträge lassen sich nicht abbrechen, und wir haben dieses Modell nicht gestoppt.
MiniMax' Flaggschiff-Videomodell generiert 4–15-sekündige Clips mit nativem Audio in 768p oder 2K — gesteuert per Text, erstem Frame oder gemischten Bild-, Video- und Audio-Referenzen. Ohne API-Key, ohne separates Konto.
Text-zu-Video für reines Prompten, Bild-zu-Video, um ein erstes Frame zu animieren, und Referenz-zu-Video für die ambitionierten Briefings: bis zu 9 Bilder, 3 Videoclips und 3 Audiospuren in einer Anfrage, im Prompt referenziert als "Image 1", "Video 1", "Audio 1". Ersetze eine Person im Clip, übernimm ein Gesicht aus einem Foto oder steuere Dialog über eine Sprachspur.
H3 gibt Video mit nativem Audio aus und kann im Referenzmodus eine mitgelieferte Sprachspur mit synchroner Lippenbewegung performen — gib ihm ein Porträt und einen Audioclip und beschreibe den Vortrag. Referenz-Audio ist kostenlos; nur Videoreferenzen fügen abrechenbare Eingangssekunden hinzu.
Zwei Ausgabestufen mit Sekundenpreisen, die vor der Generierung angezeigt werden: 55 Credits pro Sekunde bei 768p, 90 bei 2K. Ein 4-Sekunden-Entwurf in 768p kostet 220 Credits; sitzt die Bewegung, führe dasselbe Briefing für die Abgabe in 2K erneut aus. Sechs Seitenverhältnisse von 9:16 vertikal bis 21:9 ultrabreit.
H3 akzeptiert Prompts mit bis zu 7.000 Zeichen — genug, um Kamerabewegung, Blocking, Garderobe und Stimmung in einem Durchgang zu beschreiben. Jede Generierung behält ihren vollständigen Prompt samt Parametern im Verlauf, sodass ein gelungener Shot auch nächste Woche reproduzierbar ist.
Erzeugt hier am 15. August 2026, im ersten Anlauf, mit exakt gezeigten Prompts und Einstellungen. Jeder Clip prüft eine der weiter unten auf dieser Seite genannten Fähigkeiten.
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.
Es ist das referenzlastige Modell in dieser Auswahl: mehr Eingabe-Assets pro Anfrage, als die Veo-Stufen oder Kling annehmen, und Cliplängen jenseits der Acht-Sekunden-Mauer.
Neun Bilder, drei Videoclips und drei Audiospuren in einer Anfrage, im Prompt über ihre Reihenfolge angesprochen. Das reicht, um in einem einzigen Durchgang ein Gesicht aus einem Foto, einen Ort aus einem anderen und eine Stimme aus einer Aufnahme zu halten.
Beide Veo-Stufen enden bei acht. H3 läuft bis fünfzehn, jede ganze Sekunde, zu einem pauschalen Preis pro Sekunde — die Länge ist also eine geradlinige Entscheidung statt eines Sprungs zwischen Paketen.
Im Referenzmodus spricht es eine von Ihnen gelieferte Sprachspur mit synchronen Lippenbewegungen, und das Referenz-Audio selbst ist kostenlos. Beschreiben Sie den Vortrag im Prompt so, wie Sie eine Lesung anleiten würden.
Zwei Stufen, je ein pauschaler Preis, derselbe Prompt. Lassen Sie die Bewegung günstig laufen, bis sie sitzt, und lassen Sie dann dasselbe Briefing in 2K für die Fassung laufen, die Sie übergeben.
Der Ton hat keinen Ausschalter, die Leiter endet bei 2K, und ein abgeschickter Auftrag läuft bis zum Ende durch. Wenn Sie einen stummen Clip brauchen, lässt Kling 3.0 den Ton standardmäßig aus; wenn Sie 4K brauchen, haben beide Veo-Stufen und Kling 3.0 diese Stufe.
Gleicher Arbeitsplatz, gleicher Credit-Pool — der Wechsel zwischen ihnen ist ein Klick.
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| Auflösungen | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| Cliplänge | 4–15s, jede ganze Sekunde | 4, 6 oder 8s | 4, 6 oder 8s | 3–15s, jede ganze Sekunde |
| Ton | Nativ und immer an — kein Schalter | Optional, und er ändert den Preis | Optional, und er ändert den Preis | Optionaler Schalter, standardmäßig aus |
| Credits pro Sekunde, 768p und 2K | 55 bei 768p · 90 bei 2K | Nicht angeboten — diese Stufe läuft mit 720p, 1080p und 4K | Nicht angeboten — diese Stufe läuft mit 720p, 1080p und 4K | Nicht angeboten — dieses Modell läuft mit 720p, 1080p und 4K |
| Credits pro Sekunde, 720p | Nicht angeboten | 80 stumm · 160 mit Ton | 50 stumm · 75 mit Ton | 45 stumm · 60 mit Ton |
| Credits pro Sekunde, 1080p | Nicht angeboten | 80 stumm · 160 mit Ton — derselbe Preis wie bei 720p | 50 stumm · 75 mit Ton — derselbe Preis wie bei 720p | 60 stumm · 85 mit Ton |
| Credits pro Sekunde, 4K | Nicht angeboten | 160 stumm · 240 mit Ton | 150 stumm · 175 mit Ton | 200, Ton ohne Aufpreis enthalten |
| Credits für einen Clip, von der Untergrenze bis zur Obergrenze | 220–1.350 für die Ausgabe allein; 2.820 mit 15s Referenzvideo und 9 Referenzbildern | 320–1,920 | 200–1,400 | 135–3,000 |
| Referenz-Assets pro Anfrage | Bis zu 9 Bilder, 3 Videos und 3 Audiospuren, insgesamt 12 | Ein Bild | Ein Bild | Ein Bild |
| Von uns selbst gemessene Geschwindigkeit | 3m 33s für 5s und 7m 32s für 20s, beide 720p (2 Clips, August 2026) | Nicht gemessen | Nicht gemessen | Nicht gemessen |
Auflösungen, Cliplängen und jede Credit-Zahl in dieser Tabelle stammen aus unserer eigenen Modell-Registry, Stand 20. August 2026 — dieselben Preistabellen pro Sekunde, die Ihre Generierungen abrechnen, keine Marketingseiten der Anbieter. Die Preise gelten pro Sekunde Ausgabe, multiplizieren Sie sie also mit der gewählten Cliplänge; bei H3 werden die Eingabesekunden eines Referenzvideos zum selben Preis dazugezählt. Die Auflösungszeilen sind getrennt, weil H3 768p und 2K anbietet, während die anderen drei 720p, 1080p und 4K anbieten — eine Stufe, die ein Modell nicht verkauft, ist mit „Nicht angeboten“ markiert, statt mit einer benachbarten Zahl gefüllt zu werden. Zellen, die wir nicht gemessen haben, sagen das.
Vergleiche MiniMax H3 mit anderen Videomodellen — gleicher Arbeitsbereich, ein Klick zum Wechseln.
Flaggschiff-Video mit 30s aus gemischten Bild-, Video- und Audio-Referenzen.
Natives Audio + Lippensynchronisation in sechs Sprachen.
Kling-Bewegungsqualität auf einer schnelleren Engine.
Leichtes, kostengünstiges KI-Video für schnelle Entwürfe.
| Modell | minimax-h3 (MiniMax H3, das Modell hinter Hailuo 3) — hier integriert am 12. August 2026 |
|---|---|
| Modi | Text-zu-Video, Bild-zu-Video ab einem ersten Bild und Referenz-zu-Video aus einem gemischten Asset-Satz — drei Endpunkte hinter einem Wähler, identisch bepreist |
| Auflösung | 768p und 2K — es gibt keine 1080p-Stufe und keine 4K-Stufe |
| Dauer | 4 bis 15 Sekunden, jede ganze Sekunde (standardmäßig 4) |
| Seitenverhältnisse | 16:9, 9:16, 1:1, 4:3, 3:4 und 21:9 im Text- und im Referenzmodus; Bild-zu-Video folgt dem Referenzbild |
| Referenz-Assets | Bis zu 9 Bilder, 3 Videoclips und 3 Audiospuren, insgesamt 12. Referenzvideo läuft 2–15 Sekunden pro Clip und 15 Sekunden zusammengenommen. Im Prompt angesprochen als „Image 1“, „Video 1“, „Audio 1“ |
| Prompt-Länge | Bis zu 7.000 Zeichen |
| Audio | Nativ und immer an — es gibt keinen Audioschalter |
| Credits | Pro Sekunde: 55 bei 768p, 90 bei 2K, derselbe Preis in allen drei Modi. Die Eingabesekunden eines Referenzvideos werden zum selben Preis pro Sekunde abgerechnet; Referenzbilder ab dem sechsten kosten je 30 zusätzlich; Referenz-Audio ist kostenlos |
| Credit-Spanne pro Clip | 220 für einen 4-Sekunden-Clip in 768p, 1.350 für einen 15-Sekunden-Clip in 2K. Voll beladen mit 15 Sekunden Referenzvideo und 9 Referenzbildern erreicht eine 2K-Anfrage höchstens 2.820 |
| Abbruch | Abgeschickte Aufträge lassen sich nicht abbrechen |
| Gemessene Geschwindigkeit | Nicht gemessen — wir haben für dieses Modell keinen gestoppten Benchmark durchgeführt |
Drei Schritte vom leeren Prompt-Feld zum fertigen Clip.
Öffne die Modellauswahl und wähle MiniMax H3. Das Panel zeigt dir Credit-Kosten, Auflösungsoptionen und Längenbegrenzungen, bevor du irgendetwas ausgibst.
Beschreibe das Motiv, die Handlung und wie sich die Kamera bewegt. Häng ein erstes Bild an, wenn der Clip von einem bestimmten Bild ausgehen soll.
Lade den Clip herunter, verlängere ihn oder schick ihn in die weitere Bearbeitung. Prompt, Modell und Einstellungen bleiben in deinem Verlauf gespeichert.
Ein Konto, der vollständige Bild- und Video-Generierungs-Workflow.
Nutze MiniMax H3 mit den täglichen Credits des kostenlosen Tarifs – oder mach ein Upgrade für Premium-Modelle, schnellere Generierung und 4K-Ausgabe.
Perfekt für den Einstieg
Jährliche Abrechnung · 240 $/Jahr
Jährliche Abrechnung · 468 $/Jahr
Filmreife Charakter-Performance und multimodale Referenzarbeit — ein erstes Frame animieren, Identitäten aus Referenzfotos bewahren und mitgeliefertes Audio mit synchronen Lippen performen. Die Ausgabe ist 4–15 Sekunden lang, in 768p oder 2K, mit nativem Audio.
55 Credits pro Ausgabesekunde bei 768p und 90 bei 2K — ein 4-Sekunden-Clip in 768p kostet also 220 Credits. Eingangssekunden von Referenzvideos werden zum gleichen Satz abgerechnet; jedes Referenzbild über 5 hinaus kostet 30 Credits extra; Referenz-Audio ist kostenlos. Die genaue Gesamtsumme wird vor der Generierung angezeigt.
Ja — H3 ist das Modell, das MiniMax in seinem Hailuo-Videoprodukt einsetzt. Auf CreateVision AI nutzt du es direkt im Browser, ohne MiniMax-Konto oder API-Key.
Bis zu 9 Bilder, 3 Videoclips (je 2–15 Sekunden, zusammen 15 Sekunden) und 3 Audiospuren, insgesamt höchstens 12 Assets. Verweise im Prompt der Reihenfolge nach auf sie: "Image 1", "Video 1", "Audio 1".
Ganze Sekunden von 4 bis 15, in 768p oder 2K. Text- und Referenzmodus bieten 16:9, 21:9, 4:3, 1:1, 3:4 und 9:16 (der Referenzmodus kann sich auch automatisch anpassen); Bild-zu-Video folgt dem Verhältnis deines ersten Frames.
Nein. H3 erzeugt bei jedem Lauf nativen Ton, und es gibt keinen Schalter dafür, der Preis, den Sie sehen, ist also der einzige Preis. Wenn Sie eine stumme Aufnahme brauchen, können Sie sie entweder in Ihrem Schnitt stummschalten oder ein Modell wählen, dessen Ton optional ist — Kling 3.0 lässt ihn standardmäßig aus.
H3 ist der stärkere Deal für 4–15-sekündige Charakter- und Dialog-Shots. Seedance 2.5 geht bis 30 Sekunden und akzeptiert deutlich mehr Referenzmaterial pro Anfrage — zum höheren Sekundenpreis. Für günstige Entwürfe bleibt Seedance 2.0 Mini der Budget-Tipp.
Ein-Klick-Tools für alles rund um die Generierung — verfeinern, umstylen, teilen.
