MiniMax H3 przyjmuje obrazy, klipy wideo i ścieżki audio w jednym żądaniu — wskazuj je w prompcie kolejnością, jako Image 1, Video 1, Audio 1.
MiniMax H3 to model wideo, który MiniMax dostarcza wewnątrz swojego produktu Hailuo 3, zintegrowany tutaj 12 sierpnia 2026. Za jednym wyborem stoją trzy punkty końcowe — tekst-na-wideo, obraz-na-wideo i referencja-na-wideo — dzielące ten sam panel i tę samą cenę za sekundę. Tryb referencyjny to część warta poznania: do dziewięciu obrazów, trzech klipów wideo i trzech ścieżek audio w jednym żądaniu, wskazywanych w prompcie kolejnością, a nie tagami z @.
Teraz części, które coś cię kosztują. Wideo referencyjne jest płatne: jego sekundy wejściowe doliczają się do twoich sekund wyjściowych, więc 10-sekundowa referencja przy 10-sekundowym klipie liczy się jak dwadzieścia. Obraz-na-wideo używa tylko pierwszej klatki — wejście ostatniej klatki, które wystawia API dostawcy, nie jest tu włączone. Nie ma 1080p ani 4K, dźwięku nie da się wyłączyć, wysłanych zadań nie da się anulować, a my nie mierzyliśmy czasów tego modelu.
Flagowy model wideo MiniMax generuje 4–15-sekundowe klipy z natywnym dźwiękiem w 768p lub 2K — na podstawie tekstu, obrazu pierwszej klatki albo mieszanych referencji obrazów, wideo i audio. Bez klucza API i osobnego konta.
Tekst na wideo do czystego promptowania, obraz na wideo do ożywienia pierwszej klatki i referencje na wideo do ambitnych briefów: do 9 obrazów, 3 klipów wideo i 3 ścieżek audio w jednym żądaniu, przywoływanych w prompcie jako "Image 1", "Video 1", "Audio 1". Zastąp osobę w klipie, zachowaj twarz ze zdjęcia albo poprowadź dialog ścieżką głosową.
H3 generuje wideo z natywnym dźwiękiem, a w trybie referencyjnym potrafi odegrać dostarczoną ścieżkę głosową z zsynchronizowanym ruchem ust — daj mu portret i klip audio i opisz sposób podania. Audio referencyjne jest bezpłatne; płatne sekundy wejściowe dodają tylko referencje wideo.
Dwa poziomy wyników z ceną za sekundę pokazywaną przed wygenerowaniem: 55 kredytów za sekundę w 768p, 90 w 2K. 4-sekundowy szkic w 768p to 220 kredytów; gdy ruch zagra, uruchom ten sam brief w 2K do finalnej wersji. Sześć proporcji obrazu, od pionowego 9:16 po ultrapanoramiczne 21:9.
H3 przyjmuje prompty do 7000 znaków — wystarczy, by za jednym razem opisać ruch kamery, ustawienie sceny, kostiumy i nastrój. Każda generacja zachowuje pełny prompt i parametry w historii, więc ujęcie, które działa, da się odtworzyć za tydzień.
Wygenerowane tutaj 15 sierpnia 2026 roku, za pierwszym podejściem, z dokładnie pokazanymi promptami i ustawieniami. Każdy klip sprawdza jedną z możliwości deklarowanych niżej na tej stronie.
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.
To model tego zestawienia nastawiony na referencje: więcej materiałów wejściowych na żądanie, niż przyjmują poziomy Veo czy Kling, i długości klipów za ośmiosekundową ścianą.
Dziewięć obrazów, trzy klipy wideo i trzy ścieżki audio w jednym żądaniu, przywoływane w prompcie kolejnością. To wystarczy, by utrzymać twarz z jednego zdjęcia, lokację z drugiego i głos z nagrania, w jednym przejściu.
Oba poziomy Veo zatrzymują się na ośmiu. H3 idzie do piętnastu, na dowolną pełną sekundę, po płaskiej stawce za sekundę — więc długość jest prostą decyzją, a nie skokiem między pakietami.
W trybie referencyjnym wykonuje dostarczoną przez ciebie ścieżkę głosu z synchronizacją ruchu warg, a samo audio referencyjne jest bezpłatne. Opisz w prompcie sposób podania tak, jakbyś reżyserował czytanie.
Dwa poziomy, każdy po jednej płaskiej stawce, ten sam prompt. Dopracowuj ruch tanio, aż zadziała, potem uruchom identyczny brief ponownie w 2K dla wersji, którą oddajesz.
Dźwięku nie da się wyłączyć, drabina kończy się na 2K, a wysłane zadanie idzie do końca. Jeśli potrzebujesz cichego klipu, Kling 3.0 domyślnie zostawia dźwięk wyłączony; jeśli potrzebujesz 4K, ten poziom mają oba poziomy Veo i Kling 3.0.
Ten sam obszar roboczy, ta sama pula kredytów — przełączenie między dowolnymi z nich to jedno kliknięcie.
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| Rozdzielczości | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| Długość klipu | 4–15s, dowolna pełna sekunda | 4, 6 albo 8s | 4, 6 albo 8s | 3–15s, dowolna pełna sekunda |
| Dźwięk | Natywny i zawsze włączony — bez przełącznika | Opcjonalny i zmienia stawkę | Opcjonalny i zmienia stawkę | Opcjonalny przełącznik, domyślnie wyłączony |
| Kredyty na sekundę, 768p i 2K | 55 przy 768p · 90 przy 2K | Niedostępne — ten poziom pracuje w 720p, 1080p i 4K | Niedostępne — ten poziom pracuje w 720p, 1080p i 4K | Niedostępne — ten model pracuje w 720p, 1080p i 4K |
| Kredyty na sekundę, 720p | Niedostępne | 80 bez dźwięku · 160 z dźwiękiem | 50 bez dźwięku · 75 z dźwiękiem | 45 bez dźwięku · 60 z dźwiękiem |
| Kredyty na sekundę, 1080p | Niedostępne | 80 bez dźwięku · 160 z dźwiękiem — ta sama stawka co w 720p | 50 bez dźwięku · 75 z dźwiękiem — ta sama stawka co w 720p | 60 bez dźwięku · 85 z dźwiękiem |
| Kredyty na sekundę, 4K | Niedostępne | 160 bez dźwięku · 240 z dźwiękiem | 150 bez dźwięku · 175 z dźwiękiem | 200, dźwięk wliczony bez dopłaty |
| Kredyty za jeden klip, od podłogi do sufitu | 220–1 350 za samo wyjście; 2 820 przy 15s wideo referencyjnego i 9 obrazach referencyjnych | 320–1,920 | 200–1,400 | 135–3,000 |
| Materiały referencyjne na żądanie | Do 9 obrazów, 3 filmów i 3 ścieżek audio, 12 łącznie | Jeden obraz | Jeden obraz | Jeden obraz |
| Prędkość, którą sami zmierzyliśmy | 3m 33s za 5s i 7m 32s za 20s, oba 720p (2 klipy, sierpień 2026) | Nie mierzono | Nie mierzono | Nie mierzono |
Rozdzielczości, długości klipów i każda liczba kredytów w tej tabeli są odczytane z naszego własnego rejestru modeli 20 sierpnia 2026 — z tych samych tabel stawek za sekundę, które wyceniają twoje generacje, a nie ze stron marketingowych producentów. Stawki są za sekundę wyjścia, więc pomnóż je przez wybraną długość klipu; w H3 sekundy wejściowe wideo referencyjnego doliczają się do tej liczby po tej samej stawce. Wiersze rozdzielczości są rozdzielone, bo H3 oferuje 768p i 2K, podczas gdy pozostała trójka oferuje 720p, 1080p i 4K — poziom, którego model nie sprzedaje, jest oznaczony „Niedostępne”, a nie wypełniony zbliżoną liczbą. Komórki, których nie zmierzyliśmy, mówią to wprost.
Porównaj MiniMax H3 z innymi modelami wideo — ta sama przestrzeń robocza, przełączanie jednym kliknięciem.
| Model | minimax-h3 (MiniMax H3, model stojący za Hailuo 3) — zintegrowany tutaj 12 sierpnia 2026 |
|---|---|
| Tryby | Tekst-na-wideo, obraz-na-wideo z pierwszej klatki oraz referencja-na-wideo z mieszanego zestawu materiałów — trzy punkty końcowe za jednym wyborem, wycenione identycznie |
| Rozdzielczość | 768p i 2K — nie ma poziomu 1080p ani poziomu 4K |
| Czas trwania | Od 4 do 15 sekund, dowolna pełna sekunda (domyślnie 4) |
| Proporcje obrazu | 16:9, 9:16, 1:1, 4:3, 3:4 i 21:9 w trybie tekstowym i referencyjnym; obraz-na-wideo idzie za klatką referencyjną |
| Materiały referencyjne | Do 9 obrazów, 3 klipów wideo i 3 ścieżek audio, 12 łącznie. Wideo referencyjne trwa 2–15 sekund na klip i 15 sekund łącznie. Przywoływane w prompcie jako „Image 1”, „Video 1”, „Audio 1” |
| Długość promptu | Do 7 000 znaków |
| Dźwięk | Natywny i zawsze włączony — nie ma przełącznika dźwięku |
| Kredyty | Za sekundę: 55 w 768p, 90 w 2K, ta sama stawka we wszystkich trzech trybach. Sekundy wejściowe wideo referencyjnego liczą się po tej samej stawce za sekundę; obrazy referencyjne powyżej piątego dokładają po 30 każdy; audio referencyjne jest bezpłatne |
| Zakres kredytów na klip | 220 za 4-sekundowy klip w 768p, 1 350 za 15-sekundowy klip w 2K. Obładowane 15 sekundami wideo referencyjnego i 9 obrazami referencyjnymi, żądanie 2K kończy się na 2 820 |
| Anulowanie | Wysłanych zadań nie da się anulować |
| Zmierzona szybkość | Nie mierzyliśmy — nie przeprowadziliśmy na tym modelu mierzonego benchmarku |
Trzy kroki od pustego pola promptu do gotowego klipu.
Otwórz listę modeli i wybierz MiniMax H3. Panel pokaże koszt w kredytach, opcje rozdzielczości i limity długości, zanim cokolwiek wydasz.
Opisz temat, akcję i to, jak zachowuje się kamera. Dołącz pierwszą klatkę, jeśli klip ma zaczynać się od konkretnego obrazu.
Pobierz klip, przedłuż go albo przekaż do dalszej edycji. Prompt, model i ustawienia zostają przy nim w historii.
Jedno konto, cały proces generowania obrazów i wideo.
Uruchom MiniMax H3 na dziennych kredytach planu darmowego albo przejdź na wyższy plan, by korzystać z modeli premium, szybszego generowania i wyjścia 4K.
Idealny na początek
Rozliczenie roczne · $240/rok
Rozliczenie roczne · $380/rok
Kinowa gra postaci i multimodalna praca z referencjami — animowanie pierwszej klatki, zachowywanie tożsamości ze zdjęć referencyjnych i odgrywanie dostarczonego audio z synchronizacją ust. Wynik to 4–15 sekund w 768p lub 2K z natywnym dźwiękiem.
55 kredytów za sekundę materiału w 768p i 90 w 2K, więc 4-sekundowy klip w 768p to 220 kredytów. Sekundy wejściowe wideo referencyjnego rozliczane są według tej samej stawki; każdy obraz referencyjny powyżej 5 dodaje 30 kredytów; audio referencyjne jest bezpłatne. Dokładna suma jest pokazywana przed wygenerowaniem.
Tak — H3 to model, który MiniMax stosuje w swoim produkcie wideo Hailuo. W CreateVision AI uruchamiasz go bezpośrednio w przeglądarce, bez konta MiniMax i klucza API.
Do 9 obrazów, 3 klipów wideo (po 2–15 sekund każdy, łącznie 15 sekund) i 3 ścieżek audio — maksymalnie 12 materiałów w sumie. Przywołuj je w prompcie według kolejności: "Image 1", "Video 1", "Audio 1".
Pełne sekundy od 4 do 15, w 768p lub 2K. Tryby tekstowy i referencyjny oferują 16:9, 21:9, 4:3, 1:1, 3:4 i 9:16 (tryb referencyjny potrafi też dopasować się automatycznie); obraz na wideo przejmuje proporcję Twojej pierwszej klatki.
Nie. H3 generuje natywny dźwięk przy każdym przebiegu i nie ma na to przełącznika, więc stawka, którą widzisz, to jedyna stawka. Jeśli potrzebujesz cichego ujęcia, możesz je wyciszyć w montażu albo wybrać model, w którym dźwięk jest opcjonalny — Kling 3.0 zostawia go domyślnie wyłączony.
H3 to lepszy stosunek wartości do ceny przy 4–15-sekundowych ujęciach z postaciami i dialogiem. Seedance 2.5 sięga 30 sekund i przyjmuje znacznie więcej materiałów referencyjnych na żądanie, ale w wyższej cenie za sekundę. Do tanich szkiców budżetowym wyborem pozostaje Seedance 2.0 Mini.
Narzędzia na jedno kliknięcie do wszystkiego wokół generowania — dopracuj, zmień styl, udostępnij.
