MiniMax H3 admite imágenes, clips de vídeo y pistas de audio en una sola solicitud — señálalos en el prompt por orden, como Image 1, Video 1, Audio 1.
MiniMax H3 es el modelo de vídeo que MiniMax incorpora en su producto Hailuo 3, integrado aquí el 12 de agosto de 2026. Tres endpoints se esconden tras un solo selector — texto a vídeo, imagen a vídeo y referencia a vídeo —, compartiendo el mismo panel y el mismo precio por segundo. El modo de referencia es la parte que merece aprenderse: hasta nueve imágenes, tres clips de vídeo y tres pistas de audio en una sola solicitud, señalados en el prompt por orden y no con etiquetas @.
Ahora las partes que te cuestan algo. El vídeo de referencia se factura: sus segundos de entrada se suman a tus segundos de salida, así que una referencia de 10 segundos en un clip de 10 segundos se factura como veinte. Imagen a vídeo usa solo el primer fotograma — la entrada de último fotograma que expone la API de origen no está habilitada aquí. No hay 1080p ni 4K, el audio no se puede desactivar, las tareas enviadas no se pueden cancelar y no hemos cronometrado este modelo.
El modelo de vídeo insignia de MiniMax genera clips de 4–15 segundos con audio nativo en 768p o 2K, a partir de texto, una imagen de primer fotograma o referencias mixtas de imagen, vídeo y audio, sin clave de API ni cuenta aparte.
Texto a vídeo para el prompting puro, imagen a vídeo para animar un primer fotograma y referencia a vídeo para los encargos ambiciosos: hasta 9 imágenes, 3 clips de vídeo y 3 pistas de audio en una petición, referenciados en el prompt como "Image 1", "Video 1", "Audio 1". Sustituye a una persona en un clip, conserva una cara de una foto o guía el diálogo con una pista de voz.
H3 genera vídeo con audio nativo y, en modo referencia, puede interpretar una pista de voz con movimiento de labios sincronizado: dale un retrato y un clip de audio y describe la interpretación. El audio de referencia es gratis; solo las referencias de vídeo añaden segundos de entrada facturables.
Dos niveles de salida con precio por segundo mostrado antes de generar: 55 créditos por segundo en 768p, 90 en 2K. Un borrador de 4 segundos en 768p son 220 créditos; cuando el movimiento funcione, repite el mismo encargo en 2K para la entrega. Seis relaciones de aspecto, del 9:16 vertical al 21:9 ultrapanorámico.
H3 acepta prompts de hasta 7.000 caracteres, suficiente para describir el movimiento de cámara, la puesta en escena, el vestuario y la atmósfera de una sola vez. Cada generación conserva su prompt completo y sus parámetros en el historial, así que un plano que funciona es reproducible la semana que viene.
Generado aquí el 15 de agosto de 2026, a la primera, con los prompts y ajustes exactos a la vista. Cada clip pone a prueba una de las capacidades que se afirman más abajo en esta página.
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 el modelo cargado de referencias de esta selección: más recursos de entrada por solicitud de los que aceptan los niveles Veo o Kling, y duraciones de clip más allá del muro de los ocho segundos.
Nueve imágenes, tres clips de vídeo y tres pistas de audio en una sola solicitud, citados por orden en el prompt. Eso basta para mantener una cara de una foto, una localización de otra y una voz de una grabación, en una sola pasada.
Ambos niveles de Veo se detienen en ocho. H3 llega a quince, cualquier segundo entero, a una tarifa plana por segundo — así que la duración es una decisión directa y no un salto entre paquetes.
En modo referencia interpreta una pista de voz que tú aportas con movimiento labial sincronizado, y el propio audio de referencia es gratis. Describe la entonación en el prompt como dirigirías una lectura.
Dos niveles, una tarifa plana cada uno, el mismo prompt. Ejecuta el movimiento barato hasta que funcione y después repite el encargo idéntico a 2K para la versión que entregas.
El audio no tiene interruptor de apagado, la escalera se detiene en 2K y una tarea enviada se ejecuta hasta el final. Si necesitas un clip mudo, Kling 3.0 deja el sonido apagado por defecto; si necesitas 4K, ambos niveles de Veo y Kling 3.0 tienen ese nivel.
Mismo espacio de trabajo, mismo bote de créditos — cambiar entre cualquiera de estos es un clic.
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| Resoluciones | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| Duración del clip | 4–15s, cualquier segundo entero | 4, 6 o 8s | 4, 6 o 8s | 3–15s, cualquier segundo entero |
| Sonido | Nativo y siempre activado — sin interruptor | Opcional, y cambia la tarifa | Opcional, y cambia la tarifa | Interruptor opcional, apagado por defecto |
| Créditos por segundo, 768p y 2K | 55 en 768p · 90 en 2K | No se ofrece — este nivel funciona a 720p, 1080p y 4K | No se ofrece — este nivel funciona a 720p, 1080p y 4K | No se ofrece — este modelo funciona a 720p, 1080p y 4K |
| Créditos por segundo, 720p | No se ofrece | 80 mudo · 160 con audio | 50 mudo · 75 con audio | 45 mudo · 60 con sonido |
| Créditos por segundo, 1080p | No se ofrece | 80 mudo · 160 con audio — la misma tarifa que a 720p | 50 mudo · 75 con audio — la misma tarifa que a 720p | 60 mudo · 85 con sonido |
| Créditos por segundo, 4K | No se ofrece | 160 mudo · 240 con audio | 150 mudo · 175 con audio | 200, con sonido incluido sin coste adicional |
| Créditos por un clip, de mínimo a máximo | 220–1350 solo por la salida; 2820 con 15s de vídeo de referencia y 9 imágenes de referencia | 320–1,920 | 200–1,400 | 135–3,000 |
| Recursos de referencia por solicitud | Hasta 9 imágenes, 3 vídeos y 3 pistas de audio, 12 en total | Una imagen | Una imagen | Una imagen |
| Velocidad medida por nosotros mismos | 3m 33s para 5s y 7m 32s para 20s, ambos en 720p (2 clips, agosto de 2026) | Sin medir | Sin medir | Sin medir |
Las resoluciones, las duraciones de clip y todas las cifras de créditos de esta tabla están leídas de nuestro propio registro de modelos el 20 de agosto de 2026 — las mismas tablas de tarifas por segundo que ponen precio a tus generaciones, no páginas de marketing de los proveedores. Las tarifas son por segundo de salida, así que multiplica por la duración de clip que elijas; en H3, los segundos de entrada del vídeo de referencia se suman a esa cuenta a la misma tarifa. Las filas de resolución están separadas porque H3 ofrece 768p y 2K mientras que los otros tres ofrecen 720p, 1080p y 4K — un nivel que un modelo no vende se marca como «No se ofrece» en vez de rellenarse con un número cercano. Las celdas que no hemos medido lo dicen.
Compara MiniMax H3 con otros modelos de vídeo: mismo espacio de trabajo, un clic para cambiar.
Vídeo insignia de 30s a partir de referencias mixtas de imagen, vídeo y audio.
Audio nativo + sincronización labial en seis idiomas.
La calidad de movimiento de Kling en un motor más rápido.
Vídeo con IA ligero y de bajo coste para borradores rápidos.
| Modelo | minimax-h3 (MiniMax H3, el modelo que hay detrás de Hailuo 3) — integrado aquí el 12 de agosto de 2026 |
|---|---|
| Modos | Texto a vídeo, imagen a vídeo desde un primer fotograma y referencia a vídeo desde un conjunto mixto de recursos — tres endpoints tras un solo selector, con el mismo precio |
| Resolución | 768p y 2K — no hay nivel 1080p ni nivel 4K |
| Duración | De 4 a 15 segundos, cualquier segundo entero (4 por defecto) |
| Proporciones | 16:9, 9:16, 1:1, 4:3, 3:4 y 21:9 en los modos de texto y de referencia; imagen a vídeo sigue el fotograma de referencia |
| Recursos de referencia | Hasta 9 imágenes, 3 clips de vídeo y 3 pistas de audio, 12 en total. El vídeo de referencia va de 2 a 15 segundos por clip y 15 segundos en total. Se citan en el prompt como «Image 1», «Video 1», «Audio 1» |
| Longitud del prompt | Hasta 7000 caracteres |
| Audio | Nativo y siempre activado — no hay interruptor de audio |
| Créditos | Por segundo: 55 a 768p, 90 a 2K, la misma tarifa en los tres modos. Los segundos de entrada del vídeo de referencia se facturan a esa misma tarifa por segundo; las imágenes de referencia a partir de la quinta añaden 30 cada una; el audio de referencia es gratis |
| Rango de créditos por clip | 220 por un clip de 4 segundos a 768p, 1350 por un clip de 15 segundos a 2K. Cargada con 15 segundos de vídeo de referencia y 9 imágenes de referencia, una solicitud a 2K llega como máximo a 2820 |
| Cancelación | Las tareas enviadas no se pueden cancelar |
| Velocidad medida | No lo hemos medido — no hemos ejecutado una prueba cronometrada de este modelo |
Tres pasos desde una caja de prompt vacía hasta un clip terminado.
Abre el selector de modelos y elige MiniMax H3. El panel te muestra su coste en créditos, las opciones de resolución y los límites de duración antes de que gastes nada.
Escribe el sujeto, la acción y cómo se mueve la cámara. Adjunta un primer fotograma si quieres que el clip empiece desde una imagen concreta.
Descarga el clip, alárgalo o pásalo a una edición más a fondo. El prompt, el modelo y los ajustes se quedan guardados en tu historial.
Una sola cuenta, todo el flujo de generación de imágenes y vídeo.
Usa MiniMax H3 con los créditos diarios del plan gratuito, o mejora tu plan para acceder a modelos premium, generación más rápida y salida en 4K.
Perfecto para empezar
Facturación anual · $240/año
Facturación anual · $380/año
Interpretación cinematográfica de personajes y trabajo multimodal con referencias: animar un primer fotograma, conservar identidades de fotos de referencia e interpretar un audio con labios sincronizados. La salida es de 4–15 segundos en 768p o 2K con audio nativo.
55 créditos por segundo de salida en 768p y 90 en 2K, así que un clip de 4 segundos en 768p son 220 créditos. Los segundos de entrada del vídeo de referencia se facturan a la misma tarifa; cada imagen de referencia más allá de las 5 primeras añade 30 créditos; el audio de referencia es gratis. El total exacto se muestra antes de generar.
Sí: H3 es el modelo que MiniMax usa en su producto de vídeo Hailuo. En CreateVision AI lo ejecutas directamente en el navegador, sin cuenta de MiniMax ni clave de API.
Hasta 9 imágenes, 3 clips de vídeo (de 2–15 segundos cada uno, 15 segundos en total) y 3 pistas de audio, con un máximo de 12 recursos en total. Refiérete a ellos en el prompt por orden: "Image 1", "Video 1", "Audio 1".
Segundos enteros de 4 a 15, en 768p o 2K. Los modos de texto y referencia ofrecen 16:9, 21:9, 4:3, 1:1, 3:4 y 9:16 (el modo referencia también puede adaptarse automáticamente); imagen a vídeo sigue la relación de tu primer fotograma.
No. H3 genera audio nativo en cada ejecución y no hay ningún interruptor para ello, así que la tarifa que ves es la única tarifa. Si necesitas un plano mudo, puedes silenciarlo en tu montaje o elegir un modelo cuyo sonido sea opcional — Kling 3.0 lo deja apagado por defecto.
H3 ofrece más valor para planos de personajes y diálogo de 4–15 segundos. Seedance 2.5 llega hasta 30 segundos y acepta muchos más recursos de referencia por petición, a un precio por segundo más alto. Para borradores baratos, Seedance 2.0 Mini sigue siendo la opción económica.
Herramientas de un clic para todo lo que rodea la generación: pulir, cambiar de estilo y compartir.
