MiniMax H3 एक ही अनुरोध में इमेज, वीडियो क्लिप और ऑडियो ट्रैक लेता है — प्रॉम्प्ट में इन्हें क्रम से इंगित कीजिए, जैसे Image 1, Video 1, Audio 1।
MiniMax H3 वह वीडियो मॉडल है जिसे MiniMax अपने Hailuo 3 प्रोडक्ट के भीतर भेजता है, और जिसे यहाँ 12 अगस्त 2026 को जोड़ा गया। एक ही पिकर के पीछे तीन एंडपॉइंट बैठे हैं — टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो और रेफ़रेंस-टू-वीडियो — जो एक ही पैनल और एक ही प्रति-सेकंड कीमत साझा करते हैं। रेफ़रेंस मोड ही सीखने लायक हिस्सा है: एक ही अनुरोध में नौ तक इमेज, तीन वीडियो क्लिप और तीन ऑडियो ट्रैक, जिन्हें प्रॉम्प्ट में @-टैग के बजाय क्रम से इंगित किया जाता है।
अब वे हिस्से जिनकी कीमत आपको चुकानी पड़ती है। रेफ़रेंस वीडियो पर बिलिंग होती है: उसके इनपुट सेकंड आपके आउटपुट सेकंड में जोड़ दिए जाते हैं, इसलिए 10 सेकंड के क्लिप पर 10 सेकंड का रेफ़रेंस बीस सेकंड के बराबर बिल होता है। इमेज-टू-वीडियो सिर्फ़ पहला फ़्रेम इस्तेमाल करता है — अपस्ट्रीम API जो आख़िरी-फ़्रेम इनपुट देता है वह यहाँ चालू नहीं है। न 1080p है और न 4K, ऑडियो बंद करने का कोई स्विच नहीं है, सबमिट किए गए काम रद्द नहीं किए जा सकते, और हमने इस मॉडल का समय नहीं मापा है।
MiniMax का फ्लैगशिप वीडियो मॉडल 768p या 2K पर नेटिव ऑडियो के साथ 4–15 सेकंड के क्लिप बनाता है — टेक्स्ट, पहले फ्रेम की इमेज, या मिश्रित इमेज, वीडियो और ऑडियो संदर्भों से — न API key, न अलग अकाउंट।
सिर्फ़ प्रॉम्प्ट से बनाने के लिए टेक्स्ट-टू-वीडियो, पहले फ्रेम को एनिमेट करने के लिए इमेज-टू-वीडियो, और महत्वाकांक्षी ब्रीफ के लिए रेफरेंस-टू-वीडियो: एक ही अनुरोध में 9 तक इमेज, 3 वीडियो क्लिप और 3 ऑडियो ट्रैक, जिन्हें प्रॉम्प्ट में "Image 1", "Video 1", "Audio 1" के रूप में संदर्भित किया जाता है। किसी क्लिप में व्यक्ति बदलें, किसी फोटो का चेहरा बनाए रखें, या वॉइस ट्रैक से डायलॉग चलाएं।
H3 नेटिव ऑडियो के साथ वीडियो देता है, और संदर्भ मोड में यह दिए गए वॉइस ट्रैक को सिंक्रनाइज़ लिप मूवमेंट के साथ परफॉर्म कर सकता है — उसे एक पोर्ट्रेट और एक ऑडियो क्लिप दें और अंदाज़ बता दें। संदर्भ ऑडियो मुफ़्त है; सिर्फ़ वीडियो संदर्भ ही बिल होने वाले इनपुट सेकंड जोड़ते हैं।
दो आउटपुट टियर, प्रति सेकंड कीमत जेनरेट करने से पहले दिखाई जाती है: 768p पर प्रति सेकंड 55 क्रेडिट, 2K पर 90। 4 सेकंड का 768p ड्राफ्ट 220 क्रेडिट का होता है; जब मोशन जम जाए, तो डिलीवरी के लिए वही ब्रीफ 2K पर दोबारा चलाएं। 9:16 वर्टिकल से 21:9 अल्ट्रावाइड तक छह आस्पेक्ट रेशियो।
H3 7,000 अक्षरों तक के प्रॉम्प्ट स्वीकार करता है — कैमरा मूवमेंट, ब्लॉकिंग, वेशभूषा और मूड एक ही बार में बताने के लिए काफ़ी। हर जेनरेशन का पूरा प्रॉम्प्ट और पैरामीटर इतिहास में सुरक्षित रहते हैं, इसलिए जो शॉट काम कर गया, उसे अगले हफ़्ते भी दोहराया जा सकता है।
15 अगस्त 2026 को यहीं बनाया गया, पहली ही बार में, ठीक वही प्रॉम्प्ट और सेटिंग्स दिखाई गई हैं। हर क्लिप इस पृष्ठ पर नीचे बताई गई किसी एक क्षमता को परखता है।
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.
इस कतार में यही रेफ़रेंस-भारी मॉडल है: प्रति अनुरोध Veo टियर या Kling से ज़्यादा इनपुट सामग्री, और आठ सेकंड की दीवार से आगे की क्लिप लंबाई।
एक ही अनुरोध में नौ इमेज, तीन वीडियो क्लिप और तीन ऑडियो ट्रैक, प्रॉम्प्ट में क्रम से इंगित। यह एक ही पास में एक फ़ोटो से चेहरा, दूसरी से लोकेशन और एक रिकॉर्डिंग से आवाज़ पकड़ने के लिए काफ़ी है।
दोनों Veo टियर आठ पर रुक जाते हैं। H3 पंद्रह तक चलता है, किसी भी पूरे सेकंड पर, एक एकसमान प्रति-सेकंड दर पर — इसलिए लंबाई पैकेजों के बीच छलाँग नहीं, एक सीधा फ़ैसला है।
रेफ़रेंस मोड में यह आपकी दी हुई आवाज़ को होंठों की समकालिक हरकत के साथ निभाता है, और रेफ़रेंस ऑडियो खुद मुफ़्त है। प्रॉम्प्ट में अदायगी वैसे ही बताइए जैसे आप कोई पाठ निर्देशित करते।
दो टियर, हर एक की एक एकसमान दर, वही प्रॉम्प्ट। गति सस्ते में तब तक चलाइए जब तक वह जम न जाए, फिर जो संस्करण आप सौंपेंगे उसके लिए वही ब्रीफ़ 2K पर दोबारा चलाइए।
ऑडियो बंद करने का कोई स्विच नहीं है, सीढ़ी 2K पर रुक जाती है, और सबमिट किया गया काम पूरा होकर ही रुकता है। अगर आपको बिना आवाज़ का क्लिप चाहिए तो Kling 3.0 डिफ़ॉल्ट रूप से आवाज़ बंद रखता है; अगर 4K चाहिए तो दोनों Veo टियर और Kling 3.0 में वह टियर है।
वही वर्कस्पेस, वही क्रेडिट पूल — इनमें से किसी के बीच बदलना एक क्लिक है।
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| रेज़ॉल्यूशन | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| क्लिप की लंबाई | 4–15s, कोई भी पूरा सेकंड | 4, 6 या 8s | 4, 6 या 8s | 3–15s, कोई भी पूरा सेकंड |
| आवाज़ | नेटिव और हमेशा चालू — कोई टॉगल नहीं | वैकल्पिक, और इससे दर बदलती है | वैकल्पिक, और इससे दर बदलती है | वैकल्पिक टॉगल, डिफ़ॉल्ट रूप से बंद |
| प्रति सेकंड क्रेडिट, 768p और 2K | 768p पर 55 · 2K पर 90 | उपलब्ध नहीं — यह टियर 720p, 1080p और 4K चलाता है | उपलब्ध नहीं — यह टियर 720p, 1080p और 4K चलाता है | उपलब्ध नहीं — यह मॉडल 720p, 1080p और 4K चलाता है |
| प्रति सेकंड क्रेडिट, 720p | उपलब्ध नहीं | 80 बिना आवाज़ · 160 आवाज़ के साथ | 50 बिना आवाज़ · 75 आवाज़ के साथ | 45 बिना आवाज़ · 60 आवाज़ के साथ |
| प्रति सेकंड क्रेडिट, 1080p | उपलब्ध नहीं | 80 बिना आवाज़ · 160 आवाज़ के साथ — 720p जितनी ही दर | 50 बिना आवाज़ · 75 आवाज़ के साथ — 720p जितनी ही दर | 60 बिना आवाज़ · 85 आवाज़ के साथ |
| प्रति सेकंड क्रेडिट, 4K | उपलब्ध नहीं | 160 बिना आवाज़ · 240 आवाज़ के साथ | 150 बिना आवाज़ · 175 आवाज़ के साथ | 200, आवाज़ बिना किसी अतिरिक्त लागत के शामिल |
| एक क्लिप के क्रेडिट, न्यूनतम से अधिकतम | सिर्फ़ आउटपुट के लिए 220–1,350; 15s रेफ़रेंस वीडियो और 9 रेफ़रेंस इमेज के साथ 2,820 | 320–1,920 | 200–1,400 | 135–3,000 |
| प्रति अनुरोध रेफ़रेंस सामग्री | 9 तक इमेज, 3 वीडियो और 3 ऑडियो ट्रैक, कुल 12 | एक इमेज | एक इमेज | एक इमेज |
| वह रफ़्तार जो हमने खुद मापी | 5s के लिए 3m 33s और 20s के लिए 7m 32s, दोनों 720p (2 क्लिप, अगस्त 2026) | मापा नहीं गया | मापा नहीं गया | मापा नहीं गया |
इस तालिका के रेज़ॉल्यूशन, क्लिप लंबाई और हर क्रेडिट आँकड़ा 20 अगस्त 2026 को हमारी अपनी मॉडल रजिस्ट्री से पढ़े गए हैं — वही प्रति-सेकंड दर तालिकाएँ जो आपकी जनरेशन की कीमत तय करती हैं, वेंडर के मार्केटिंग पेज नहीं। दरें आउटपुट के प्रति सेकंड की हैं, इसलिए इन्हें अपनी चुनी क्लिप लंबाई से गुणा करें; H3 पर रेफ़रेंस-वीडियो के इनपुट सेकंड भी उसी गिनती में जुड़ते हैं। रेज़ॉल्यूशन की पंक्तियाँ इसलिए बँटी हैं क्योंकि H3 768p और 2K देता है जबकि बाकी तीन 720p, 1080p और 4K — जो टियर कोई मॉडल बेचता ही नहीं, उसे पास की किसी संख्या से भरने के बजाय "उपलब्ध नहीं" लिखा गया है। जो खाने हमने नहीं मापे, वे यही कहते हैं।
MiniMax H3 की तुलना दूसरे वीडियो मॉडलों से करें — वही वर्कस्पेस, एक क्लिक में स्विच।
| मॉडल | minimax-h3 (MiniMax H3, वह मॉडल जो Hailuo 3 के पीछे है) — यहाँ 12 अगस्त 2026 को जोड़ा गया |
|---|---|
| मोड | टेक्स्ट-टू-वीडियो, पहले फ़्रेम से इमेज-टू-वीडियो, और मिली-जुली सामग्री से रेफ़रेंस-टू-वीडियो — एक ही पिकर के पीछे तीन एंडपॉइंट, कीमत एक जैसी |
| रिज़ॉल्यूशन | 768p और 2K — न कोई 1080p टियर है और न 4K टियर |
| अवधि | 4 से 15 सेकंड, कोई भी पूरा सेकंड (डिफ़ॉल्ट 4) |
| आस्पेक्ट रेशियो | टेक्स्ट और रेफ़रेंस मोड में 16:9, 9:16, 1:1, 4:3, 3:4 और 21:9; इमेज-टू-वीडियो रेफ़रेंस फ़्रेम के हिसाब से चलता है |
| रेफ़रेंस सामग्री | 9 तक इमेज, 3 वीडियो क्लिप और 3 ऑडियो ट्रैक, कुल 12। रेफ़रेंस वीडियो हर क्लिप के लिए 2–15 सेकंड और मिलाकर 15 सेकंड चलता है। प्रॉम्प्ट में इन्हें "Image 1", "Video 1", "Audio 1" कहकर इंगित किया जाता है |
| प्रॉम्प्ट की लंबाई | अधिकतम 7,000 अक्षर |
| ऑडियो | नेटिव और हमेशा चालू — कोई ऑडियो टॉगल नहीं है |
| क्रेडिट | प्रति सेकंड: 768p पर 55, 2K पर 90, तीनों मोड में एक ही दर। रेफ़रेंस-वीडियो के इनपुट सेकंड उसी प्रति-सेकंड दर पर बिल होते हैं; पाँचवीं के बाद हर रेफ़रेंस इमेज पर 30 जुड़ते हैं; रेफ़रेंस ऑडियो मुफ़्त है |
| प्रति क्लिप क्रेडिट की रेंज | 4 सेकंड के 768p क्लिप के लिए 220, 15 सेकंड के 2K क्लिप के लिए 1,350। 15 सेकंड के रेफ़रेंस वीडियो और 9 रेफ़रेंस इमेज से लदा हुआ 2K अनुरोध अधिकतम 2,820 तक जाता है |
| रद्द करना | सबमिट किए गए काम रद्द नहीं किए जा सकते |
| मापी गई स्पीड | नहीं मापा गया — हमने इस मॉडल पर समयबद्ध बेंचमार्क नहीं चलाया है |
खाली prompt बॉक्स से तैयार क्लिप तक — तीन कदम।
मॉडल पिकर खोलें और MiniMax H3 चुनें। आपके कुछ भी खर्च करने से पहले ही पैनल उसकी क्रेडिट लागत, रेज़ोल्यूशन विकल्प और अवधि की सीमाएँ दिखा देता है।
विषय, एक्शन, और कैमरा कैसे चलता है — यह लिखें। अगर आप चाहते हैं कि क्लिप किसी खास इमेज से शुरू हो तो पहला फ्रेम लगाएँ।
क्लिप डाउनलोड करें, उसे बढ़ाएँ, या आगे की एडिटिंग में भेजें। prompt, मॉडल और सेटिंग्स आपकी हिस्ट्री में उसके साथ ही जुड़ी रहती हैं।
एक खाता, पूर्ण इमेज और वीडियो जेनरेशन वर्कफ़्लो।
MiniMax H3 को फ्री टियर के रोज़ाना क्रेडिट पर चलाएँ, या प्रीमियम मॉडल, तेज़ जेनरेशन और 4K आउटपुट के लिए अपग्रेड करें।
शुरुआत करने के लिए एकदम सही
वार्षिक रूप से बिल किया गया · $240/वर्ष
वार्षिक रूप से बिल किया गया · $468/वर्ष
सिनेमैटिक किरदार परफॉर्मेंस और मल्टीमोडल संदर्भ कार्य — पहले फ्रेम को एनिमेट करना, संदर्भ फोटो से पहचान बनाए रखना, और दिए गए ऑडियो को सिंक्रनाइज़ होंठों के साथ परफॉर्म करना। आउटपुट 768p या 2K पर 4–15 सेकंड का होता है, नेटिव ऑडियो के साथ।
768p पर प्रति आउटपुट सेकंड 55 क्रेडिट और 2K पर 90, यानी 4 सेकंड का 768p क्लिप 220 क्रेडिट का होता है। संदर्भ वीडियो के इनपुट सेकंड इसी दर से बिल होते हैं; 5 से अधिक हर संदर्भ इमेज पर 30 क्रेडिट जुड़ते हैं; संदर्भ ऑडियो मुफ़्त है। सटीक कुल राशि जेनरेट करने से पहले दिखाई जाती है।
हाँ — H3 वही मॉडल है जो MiniMax अपने Hailuo वीडियो प्रोडक्ट में देता है। CreateVision AI पर आप इसे सीधे ब्राउज़र में चलाते हैं, बिना MiniMax अकाउंट या API key के।
9 तक इमेज, 3 वीडियो क्लिप (हर एक 2–15 सेकंड, कुल मिलाकर 15 सेकंड) और 3 ऑडियो ट्रैक — कुल अधिकतम 12 एसेट। प्रॉम्प्ट में उन्हें क्रम से संदर्भित करें: "Image 1", "Video 1", "Audio 1"।
4 से 15 तक पूरे सेकंड, 768p या 2K पर। टेक्स्ट और संदर्भ मोड 16:9, 21:9, 4:3, 1:1, 3:4 और 9:16 देते हैं (संदर्भ मोड अपने आप भी अनुकूलित हो सकता है); इमेज-टू-वीडियो आपके पहले फ्रेम के अनुपात का पालन करता है।
नहीं। H3 हर रन पर नेटिव ऑडियो बनाता है और इसके लिए कोई टॉगल नहीं है, इसलिए जो दर आप देखते हैं वही इकलौती दर है। बिना आवाज़ का प्लेट चाहिए तो या तो इसे अपने एडिट में म्यूट कर लें, या ऐसा मॉडल चुनें जिसमें आवाज़ वैकल्पिक हो — Kling 3.0 इसे डिफ़ॉल्ट रूप से बंद रखता है।
4–15 सेकंड के किरदार और डायलॉग शॉट्स के लिए H3 ज़्यादा किफ़ायती विकल्प है। Seedance 2.5 30 सेकंड तक जाता है और प्रति अनुरोध कहीं ज़्यादा संदर्भ एसेट स्वीकार करता है, पर प्रति सेकंड ऊंची कीमत पर। सस्ते ड्राफ्ट के लिए Seedance 2.0 Mini अब भी बजट विकल्प है।
जनरेशन के आस-पास के हर काम के लिए वन-क्लिक टूल — निखारें, स्टाइल बदलें, शेयर करें।
