MiniMax H3 एकाच विनंतीत प्रतिमा, व्हिडिओ क्लिप आणि ऑडिओ ट्रॅक घेते — प्रॉम्प्टमध्ये त्यांचा उल्लेख क्रमाने Image 1, Video 1, Audio 1 असा करा.
MiniMax H3 हे MiniMax आपल्या Hailuo 3 उत्पादनात देत असलेले व्हिडिओ मॉडेल आहे, इथे 12 ऑगस्ट 2026 रोजी जोडलेले. एका पिकरमागे तीन एंडपॉइंट आहेत — टेक्स्ट-टू-व्हिडिओ, इमेज-टू-व्हिडिओ आणि रेफरन्स-टू-व्हिडिओ — तेच पॅनेल आणि तोच प्रति-सेकंद दर वाटून घेणारे. शिकण्याजोगा भाग म्हणजे रेफरन्स मोड: एकाच विनंतीत नऊ पर्यंत प्रतिमा, तीन व्हिडिओ क्लिप आणि तीन ऑडिओ ट्रॅक, आणि प्रॉम्प्टमध्ये त्यांचा उल्लेख @-टॅगने नव्हे तर क्रमाने केला जातो.
आता ज्या गोष्टींची किंमत मोजावी लागते त्या. संदर्भ व्हिडिओची आकारणी होते: त्याचे इनपुट सेकंद तुमच्या आउटपुट सेकंदांत मिळवले जातात, म्हणून 10 सेकंदांच्या क्लिपवर 10 सेकंदांचा संदर्भ म्हणजे वीस सेकंदांची आकारणी. इमेज-टू-व्हिडिओ फक्त पहिली फ्रेम वापरते — अपस्ट्रीम API देत असलेले शेवटच्या-फ्रेमचे इनपुट इथे सक्षम केलेले नाही. 1080p नाही आणि 4K नाही, ऑडिओला बंद करण्याचे बटण नाही, सबमिट केलेली कामे रद्द करता येत नाहीत, आणि आम्ही या मॉडेलची वेळ मोजलेली नाही.
MiniMax चे फ्लॅगशिप व्हिडिओ मॉडेल 768p किंवा 2K वर नेटिव्ह ऑडिओसह 4–15 सेकंदांच्या क्लिप्स जनरेट करते — मजकूर, पहिल्या फ्रेमची इमेज, किंवा मिश्र इमेज, व्हिडिओ आणि ऑडिओ संदर्भांनी चालवलेले — API key नाही, वेगळे खातेही नाही.
निव्वळ प्रॉम्प्टिंगसाठी टेक्स्ट-टू-व्हिडिओ, पहिली फ्रेम अॅनिमेट करण्यासाठी इमेज-टू-व्हिडिओ, आणि महत्त्वाकांक्षी ब्रीफसाठी रेफरन्स-टू-व्हिडिओ: एका विनंतीत जास्तीत जास्त 9 इमेजेस, 3 व्हिडिओ क्लिप्स आणि 3 ऑडिओ ट्रॅक, प्रॉम्प्टमध्ये "Image 1", "Video 1", "Audio 1" म्हणून संदर्भित. क्लिपमधील व्यक्ती बदला, फोटोमधील चेहरा कायम ठेवा, किंवा व्हॉइस ट्रॅकवरून संवाद चालवा.
H3 नेटिव्ह ऑडिओसह व्हिडिओ देते, आणि संदर्भ मोडमध्ये ते दिलेला व्हॉइस ट्रॅक ओठांच्या समक्रमित हालचालीसह सादर करू शकते — त्याला एक पोर्ट्रेट आणि एक ऑडिओ क्लिप द्या आणि सादरीकरणाचे वर्णन करा. संदर्भ ऑडिओ मोफत आहे; फक्त व्हिडिओ संदर्भच बिलपात्र इनपुट सेकंद जोडतात.
जनरेट करण्यापूर्वी दाखवल्या जाणाऱ्या प्रति सेकंद किमतीसह दोन आउटपुट स्तर: 768p वर प्रति सेकंद 55 क्रेडिट, 2K वर 90. 4 सेकंदांचा 768p ड्राफ्ट 220 क्रेडिटचा; हालचाल जमून आली की डिलिव्हरीसाठी तोच ब्रीफ 2K वर पुन्हा चालवा. 9:16 उभ्यापासून 21:9 अल्ट्रावाइडपर्यंत सहा आस्पेक्ट रेशो.
H3 जास्तीत जास्त 7,000 अक्षरांपर्यंतचे प्रॉम्प्ट स्वीकारते — कॅमेऱ्याची हालचाल, ब्लॉकिंग, पोशाख आणि मूड एकाच वेळी वर्णन करण्यासाठी पुरेसे. प्रत्येक जनरेशन त्याचा संपूर्ण प्रॉम्प्ट आणि पॅरामीटर्स इतिहासात ठेवते, त्यामुळे जमून आलेला शॉट पुढच्या आठवड्यातही पुन्हा तयार करता येतो.
१५ ऑगस्ट २०२६ रोजी येथेच तयार, पहिल्याच प्रयत्नात, प्रॉम्प्ट व सेटिंग्ज जशीच्या तशी दाखवली आहेत. प्रत्येक क्लिप या पानावर खाली सांगितलेल्या क्षमतांपैकी एकीची पडताळणी करते.
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.
या यादीतील हे संदर्भबहुल मॉडेल आहे: Veo स्तर किंवा Kling स्वीकारतात त्यापेक्षा प्रति विनंती जास्त इनपुट साहित्य, आणि आठ सेकंदांच्या भिंतीपलीकडच्या क्लिप लांबी.
एकाच विनंतीत नऊ प्रतिमा, तीन व्हिडिओ क्लिप आणि तीन ऑडिओ ट्रॅक, प्रॉम्प्टमध्ये क्रमाने उल्लेख केलेले. एका फोटोतून चेहरा, दुसऱ्यातून ठिकाण आणि एका रेकॉर्डिंगमधून आवाज एकाच पासमध्ये धरण्यासाठी ते पुरेसे आहे.
दोन्ही Veo स्तर आठवर थांबतात. H3 पंधरापर्यंत जाते, कोणताही पूर्ण सेकंद, सपाट प्रति-सेकंद दराने — म्हणून लांबी हा पॅकेजमधल्या उडीऐवजी सरळ निर्णय ठरतो.
रेफरन्स मोडमध्ये ते तुम्ही दिलेला आवाजाचा ट्रॅक ओठांच्या समन्वयासह सादर करते, आणि संदर्भ ऑडिओ स्वतः मोफत आहे. वाचन कसे करायचे ते दिग्दर्शित कराल तसे सादरीकरण प्रॉम्प्टमध्ये सांगा.
दोन स्तर, प्रत्येकाला एक सपाट दर, तोच प्रॉम्प्ट. हालचाल जमेपर्यंत स्वस्तात चालवा, मग तुम्ही जी आवृत्ती सुपूर्द करणार आहात तिच्यासाठी तोच ब्रीफ 2K वर पुन्हा चालवा.
ऑडिओला बंद करण्याचे बटण नाही, शिडी 2K वर थांबते, आणि सबमिट केलेले काम पूर्ण होईपर्यंत चालते. मूक क्लिप हवी असेल, तर Kling 3.0 डीफॉल्टने आवाज बंद ठेवते; 4K हवे असेल, तर दोन्ही Veo स्तर आणि Kling 3.0 कडे तो स्तर आहे.
एकच वर्कस्पेस, एकच क्रेडिट साठा — यांपैकी कोणतेही बदलणे एक क्लिक आहे.
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| रिझोल्यूशन | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| क्लिपची लांबी | 4–15s, कोणताही पूर्ण सेकंद | 4, 6 किंवा 8s | 4, 6 किंवा 8s | 3–15s, कोणताही पूर्ण सेकंद |
| आवाज | नेटिव्ह आणि नेहमी चालू — बटण नाही | ऐच्छिक, आणि तो दर बदलतो | ऐच्छिक, आणि तो दर बदलतो | ऐच्छिक बटण, डीफॉल्टने बंद |
| प्रति सेकंद क्रेडिट्स, 768p आणि 2K | 768p वर 55 · 2K वर 90 | उपलब्ध नाही — हा स्तर 720p, 1080p आणि 4K चालवतो | उपलब्ध नाही — हा स्तर 720p, 1080p आणि 4K चालवतो | उपलब्ध नाही — हे मॉडेल 720p, 1080p आणि 4K चालवते |
| प्रति सेकंद क्रेडिट्स, 720p | उपलब्ध नाही | 80 मूक · 160 ऑडिओसह | 50 मूक · 75 ऑडिओसह | 45 मूक · 60 आवाजासह |
| प्रति सेकंद क्रेडिट्स, 1080p | उपलब्ध नाही | 80 मूक · 160 ऑडिओसह — 720p इतकाच दर | 50 मूक · 75 ऑडिओसह — 720p इतकाच दर | 60 मूक · 85 आवाजासह |
| प्रति सेकंद क्रेडिट्स, 4K | उपलब्ध नाही | 160 मूक · 240 ऑडिओसह | 150 मूक · 175 ऑडिओसह | 200, आवाज विनाअतिरिक्त खर्च समाविष्ट |
| एका क्लिपसाठी क्रेडिट्स, किमानपासून कमालपर्यंत | फक्त आउटपुटसाठी 220–1,350; 15s संदर्भ व्हिडिओ आणि 9 संदर्भ प्रतिमांसह 2,820 | 320–1,920 | 200–1,400 | 135–3,000 |
| प्रति विनंती संदर्भ साहित्य | 9 पर्यंत प्रतिमा, 3 व्हिडिओ आणि 3 ऑडिओ ट्रॅक, एकूण 12 | एक प्रतिमा | एक प्रतिमा | एक प्रतिमा |
| आम्ही स्वतः मोजलेला वेग | 5s साठी 3m 33s आणि 20s साठी 7m 32s, दोन्ही 720p (2 क्लिप्स, ऑगस्ट 2026) | मोजलेले नाही | मोजलेले नाही | मोजलेले नाही |
या तक्त्यातील रिझोल्यूशन, क्लिप लांबी आणि प्रत्येक क्रेडिट आकडा 20 ऑगस्ट 2026 रोजी आमच्या स्वतःच्या मॉडेल रजिस्ट्रीमधून वाचला आहे — तुमच्या जनरेशनची किंमत ठरवणारेच प्रति-सेकंद दर तक्ते, विक्रेत्यांची जाहिरात पाने नाहीत. दर आउटपुटच्या प्रति सेकंद आहेत, म्हणून तुम्ही निवडलेल्या क्लिप लांबीने गुणा; H3 वर संदर्भ-व्हिडिओचे इनपुट सेकंद त्याच दराने त्या संख्येत मिळवले जातात. रिझोल्यूशनच्या ओळी वेगळ्या केल्या आहेत कारण H3 768p आणि 2K देते तर बाकीचे तीन 720p, 1080p आणि 4K देतात — मॉडेल जो स्तर विकत नाही तो जवळच्या आकड्याने भरण्याऐवजी "उपलब्ध नाही" असा नोंदवला आहे. आम्ही न मोजलेले सेल तसे सांगतात.
MiniMax H3 ची इतर व्हिडिओ मॉडेल्सशी तुलना करा — तेच वर्कस्पेस, एका क्लिकमध्ये बदल.
| मॉडेल | minimax-h3 (MiniMax H3, Hailuo 3 मागचे मॉडेल) — इथे 12 ऑगस्ट 2026 रोजी जोडलेले |
|---|---|
| मोड | टेक्स्ट-टू-व्हिडिओ, पहिल्या फ्रेमवरून इमेज-टू-व्हिडिओ, आणि मिश्र साहित्य संचावरून रेफरन्स-टू-व्हिडिओ — एका पिकरमागे तीन एंडपॉइंट, सारख्याच किंमतीत |
| रिझोल्यूशन | 768p आणि 2K — 1080p स्तर नाही आणि 4K स्तर नाही |
| कालावधी | 4 ते 15 सेकंद, कोणताही पूर्ण सेकंद (डीफॉल्टने 4) |
| आस्पेक्ट रेशो | टेक्स्ट आणि रेफरन्स मोडमध्ये 16:9, 9:16, 1:1, 4:3, 3:4 आणि 21:9; इमेज-टू-व्हिडिओ संदर्भ फ्रेमला अनुसरते |
| संदर्भ साहित्य | 9 पर्यंत प्रतिमा, 3 व्हिडिओ क्लिप आणि 3 ऑडिओ ट्रॅक, एकूण 12. संदर्भ व्हिडिओ प्रति क्लिप 2–15 सेकंद आणि एकत्रित 15 सेकंद चालतो. प्रॉम्प्टमध्ये "Image 1", "Video 1", "Audio 1" असा उल्लेख केला जातो |
| प्रॉम्प्टची लांबी | 7,000 अक्षरांपर्यंत |
| ऑडिओ | नेटिव्ह आणि नेहमी चालू — ऑडिओचे बटण नाही |
| Credits | प्रति सेकंद: 768p वर 55, 2K वर 90, तिन्ही मोडमध्ये तोच दर. संदर्भ-व्हिडिओचे इनपुट सेकंद त्याच प्रति-सेकंद दराने आकारले जातात; पाचव्यानंतरची प्रत्येक संदर्भ प्रतिमा 30 जोडते; संदर्भ ऑडिओ मोफत आहे |
| प्रति क्लिप क्रेडिट श्रेणी | 4 सेकंदांच्या 768p क्लिपसाठी 220, 15 सेकंदांच्या 2K क्लिपसाठी 1,350. 15 सेकंदांचा संदर्भ व्हिडिओ आणि 9 संदर्भ प्रतिमांनी भरलेली 2K विनंती कमाल 2,820 पर्यंत जाते |
| रद्द करणे | सबमिट केलेली कामे रद्द करता येत नाहीत |
| मोजलेला वेग | मोजलेले नाही — आम्ही या मॉडेलवर वेळ मोजणारा बेंचमार्क चालवलेला नाही |
रिकाम्या prompt बॉक्सपासून तयार clip पर्यंत — तीन पायऱ्या.
model picker उघडा आणि MiniMax H3 निवडा. तुम्ही काहीही खर्च करण्याआधीच पॅनेल त्याची credit किंमत, resolution पर्याय आणि कालावधीच्या मर्यादा दाखवते.
विषय, कृती आणि camera कशी हलते ते लिहा. clip एखाद्या ठराविक इमेजपासून सुरू व्हावी असे वाटत असेल तर पहिली frame जोडा.
clip डाउनलोड करा, ती लांबवा, किंवा पुढील एडिटिंगला पाठवा. prompt, मॉडेल आणि सेटिंग्ज तुमच्या इतिहासात तिच्यासोबतच राहतात.
एक खाते, संपूर्ण इमेज आणि व्हिडिओ जनरेशन वर्कफ्लो.
MiniMax H3 मोफत प्लॅनच्या दररोजच्या credits वर चालवा, किंवा प्रीमियम मॉडेल्स, जलद जनरेशन आणि 4K आउटपुटसाठी अपग्रेड करा.
सुरुवात करण्यासाठी अगदी योग्य
वार्षिक बिलिंग · $240/year
वार्षिक बिलिंग · $380/year
सिनेमॅटिक पात्राभिनय आणि मल्टिमोडल संदर्भ काम — पहिली फ्रेम अॅनिमेट करणे, संदर्भ फोटोंमधून ओळख टिकवणे, आणि दिलेला ऑडिओ समक्रमित ओठांसह सादर करणे. आउटपुट 768p किंवा 2K वर 4–15 सेकंदांचे, नेटिव्ह ऑडिओसह.
768p वर आउटपुटच्या प्रति सेकंदाला 55 क्रेडिट आणि 2K वर 90, म्हणजे 4 सेकंदांची 768p क्लिप 220 क्रेडिटची होते. संदर्भ व्हिडिओचे इनपुट सेकंद त्याच दराने बिल होतात; 5 पेक्षा जास्त संदर्भ इमेजेस असल्यास प्रत्येकी 30 क्रेडिट जोडले जातात; संदर्भ ऑडिओ मोफत आहे. जनरेट करण्यापूर्वी नेमकी एकूण रक्कम दाखवली जाते.
होय — H3 हेच ते मॉडेल आहे जे MiniMax त्यांच्या Hailuo व्हिडिओ प्रॉडक्टमध्ये देते. CreateVision AI वर तुम्ही ते थेट ब्राउझरमध्ये चालवता — MiniMax खाते किंवा API key शिवाय.
जास्तीत जास्त 9 इमेजेस, 3 व्हिडिओ क्लिप्स (प्रत्येकी 2–15 सेकंद, एकत्रित 15 सेकंद) आणि 3 ऑडिओ ट्रॅक, एकूण जास्तीत जास्त 12 मालमत्ता. प्रॉम्प्टमध्ये क्रमानुसार त्यांचा संदर्भ द्या: "Image 1", "Video 1", "Audio 1".
4 ते 15 पर्यंत पूर्ण सेकंद, 768p किंवा 2K वर. टेक्स्ट आणि संदर्भ मोडमध्ये 16:9, 21:9, 4:3, 1:1, 3:4 आणि 9:16 मिळतात (संदर्भ मोड आपोआपही जुळवून घेऊ शकतो); इमेज-टू-व्हिडिओ तुमच्या पहिल्या फ्रेमच्या रेशोचे अनुसरण करते.
नाही. H3 प्रत्येक रनवर नेटिव्ह ऑडिओ तयार करते आणि त्यासाठी बटण नाही, म्हणून तुम्हाला दिसणारा दरच एकमेव दर आहे. मूक क्लिप हवी असेल तर तुम्ही संपादनात आवाज म्यूट करू शकता, किंवा ज्याचा आवाज ऐच्छिक आहे असे मॉडेल निवडा — Kling 3.0 डीफॉल्टने तो बंद ठेवते.
4–15 सेकंदांच्या पात्र आणि संवादाच्या शॉट्ससाठी H3 अधिक फायद्याचा पर्याय आहे. Seedance 2.5 30 सेकंदांपर्यंत जाते आणि प्रति विनंती कितीतरी अधिक संदर्भ मालमत्ता स्वीकारते, पण प्रति सेकंद किंमत जास्त आहे. स्वस्त ड्राफ्टसाठी Seedance 2.0 Mini अजूनही बजेट पर्याय आहे.
निर्मितीभोवतीच्या प्रत्येक कामासाठी वन-क्लिक टूल्स — सुधार, शैली बदल, शेअर.
