O MiniMax H3 aceita imagens, clipes de vídeo e faixas de áudio num só pedido — aponte para eles no prompt pela ordem, como Image 1, Video 1, Audio 1.
O MiniMax H3 é o modelo de vídeo que a MiniMax integra no seu produto Hailuo 3, integrado aqui a 12 de agosto de 2026. Três endpoints estão por trás de um único seletor — texto-para-vídeo, imagem-para-vídeo e referência-para-vídeo — a partilhar o mesmo painel e o mesmo preço por segundo. O modo de referência é a parte que vale a pena aprender: até nove imagens, três clipes de vídeo e três faixas de áudio num único pedido, indicados no prompt pela ordem e não com etiquetas @.
Agora as partes que lhe custam alguma coisa. O vídeo de referência é faturado: os seus segundos de entrada são somados aos seus segundos de saída, por isso uma referência de 10 segundos num clipe de 10 segundos é faturada como vinte. A imagem-para-vídeo usa apenas o primeiro fotograma — a entrada de último fotograma que a API a montante expõe não está ativada aqui. Não há 1080p nem 4K, o áudio não tem forma de ser desligado, as tarefas submetidas não podem ser canceladas, e não cronometrámos este modelo.
O modelo de vídeo topo de linha da MiniMax gera clipes de 4–15 segundos com áudio nativo em 768p ou 2K, a partir de texto, de uma imagem de primeiro quadro ou de referências mistas de imagem, vídeo e áudio — sem chave de API, sem conta separada.
Texto para vídeo para criar só com prompt, imagem para vídeo para animar um primeiro quadro e referência para vídeo para os briefings ambiciosos: até 9 imagens, 3 clipes de vídeo e 3 faixas de áudio em uma solicitação, citados no prompt como "Image 1", "Video 1", "Audio 1". Substitua uma pessoa em um clipe, mantenha um rosto de uma foto ou conduza um diálogo a partir de uma faixa de voz.
O H3 gera vídeo com áudio nativo e, no modo de referência, consegue interpretar uma faixa de voz fornecida com movimento labial sincronizado — entregue um retrato e um clipe de áudio e descreva a atuação. Áudio de referência é gratuito; só referências de vídeo adicionam segundos de entrada cobráveis.
Dois níveis de saída com preço por segundo exibido antes de você gerar: 55 créditos por segundo em 768p, 90 em 2K. Um rascunho de 4 segundos em 768p custa 220 créditos; quando o movimento funcionar, rode o mesmo briefing em 2K para a entrega. Seis proporções de tela, do vertical 9:16 ao ultrawide 21:9.
O H3 aceita prompts de até 7.000 caracteres — o suficiente para descrever movimento de câmera, marcação de cena, figurino e clima de uma só vez. Cada geração guarda o prompt completo e os parâmetros no histórico, então uma cena que funcionou é reproduzível na semana seguinte.
Gerado aqui a 15 de agosto de 2026, à primeira, com os prompts e definições exatos à vista. Cada clip põe à prova uma das capacidades afirmadas mais abaixo nesta 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.
É o modelo com mais referências desta lista: mais recursos de entrada por pedido do que os níveis Veo ou o Kling aceitam, e durações de clipe para lá do muro dos oito segundos.
Nove imagens, três clipes de vídeo e três faixas de áudio num só pedido, citados pela ordem no prompt. Chega para fixar um rosto de uma fotografia, um local de outra e uma voz de uma gravação, numa única passagem.
Os dois níveis Veo param nos oito. O H3 vai até quinze, em qualquer segundo inteiro, a uma tarifa fixa por segundo — por isso a duração é uma decisão simples e não um salto entre pacotes.
No modo de referência interpreta uma faixa de voz que forneça, com movimento labial sincronizado, e o próprio áudio de referência é gratuito. Descreva a entrega no prompt como dirigiria uma leitura.
Dois níveis, uma tarifa fixa cada, o mesmo prompt. Corra o movimento a baixo custo até funcionar, depois repita o briefing idêntico em 2K para a versão que entrega.
O áudio não tem forma de ser desligado, a escada para em 2K, e uma tarefa submetida corre até ao fim. Se precisa de um clipe silencioso, o Kling 3.0 deixa o som desligado por predefinição; se precisa de 4K, os dois níveis Veo e o Kling 3.0 têm esse nível.
O mesmo espaço de trabalho, a mesma bolsa de créditos — trocar entre qualquer um destes é um clique.
| MiniMax H3 | Veo 3.1 Pro | Veo 3.1 Fast | Kling 3.0 | |
|---|---|---|---|---|
| Resoluções | 768p · 2K | 720p · 1080p · 4K | 720p · 1080p · 4K | 720p · 1080p · 4K |
| Duração do clipe | 4–15s, qualquer segundo inteiro | 4, 6 ou 8s | 4, 6 ou 8s | 3–15s, qualquer segundo inteiro |
| Som | Nativo e sempre ligado — sem interruptor | Opcional, e muda a tarifa | Opcional, e muda a tarifa | Interruptor opcional, desligado por predefinição |
| Créditos por segundo, 768p e 2K | 55 em 768p · 90 em 2K | Não oferecido — este nível corre a 720p, 1080p e 4K | Não oferecido — este nível corre a 720p, 1080p e 4K | Não oferecido — este modelo corre a 720p, 1080p e 4K |
| Créditos por segundo, 720p | Não oferecido | 80 sem som · 160 com áudio | 50 sem som · 75 com áudio | 45 sem som · 60 com som |
| Créditos por segundo, 1080p | Não oferecido | 80 sem som · 160 com áudio — a mesma tarifa que 720p | 50 sem som · 75 com áudio — a mesma tarifa que 720p | 60 sem som · 85 com som |
| Créditos por segundo, 4K | Não oferecido | 160 sem som · 240 com áudio | 150 sem som · 175 com áudio | 200, som incluído sem custo adicional |
| Créditos para um clipe, do mínimo ao máximo | 220–1.350 só para a saída; 2.820 com 15s de vídeo de referência e 9 imagens de referência | 320–1,920 | 200–1,400 | 135–3,000 |
| Recursos de referência por pedido | Até 9 imagens, 3 vídeos e 3 faixas de áudio, 12 no total | Uma imagem | Uma imagem | Uma imagem |
| Velocidade que medimos nós próprios | 3m 33s para 5s e 7m 32s para 20s, ambos em 720p (2 clips, agosto de 2026) | Não medido | Não medido | Não medido |
As resoluções, as durações dos clipes e todos os valores em créditos desta tabela são lidos do nosso próprio registo de modelos a 20 de agosto de 2026 — as mesmas tabelas de tarifas por segundo que cobram as suas gerações, não páginas de marketing dos fornecedores. As tarifas são por segundo de saída, por isso multiplique pela duração de clipe que escolher; no H3, os segundos de entrada do vídeo de referência são somados a essa contagem à mesma tarifa. As linhas de resolução estão separadas porque o H3 oferece 768p e 2K enquanto os outros três oferecem 720p, 1080p e 4K — um nível que um modelo não vende está marcado como «Não oferecido» em vez de ser preenchido com um número próximo. As células que não medimos dizem-no.
Compare o MiniMax H3 com outros modelos de vídeo — mesmo espaço de trabalho, um clique para trocar.
Vídeo topo de linha de 30 s a partir de referências mistas de imagem, vídeo e áudio.
Áudio nativo + sincronia labial em seis idiomas.
A qualidade de movimento do Kling em um motor mais rápido.
Vídeo com IA leve e de baixo custo para rascunhos rápidos.
| Modelo | minimax-h3 (MiniMax H3, o modelo por trás do Hailuo 3) — integrado aqui a 12 de agosto de 2026 |
|---|---|
| Modos | Texto-para-vídeo, imagem-para-vídeo a partir de um primeiro fotograma e referência-para-vídeo a partir de um conjunto misto de recursos — três endpoints por trás de um seletor, com preço idêntico |
| Resolução | 768p e 2K — não há nível 1080p nem nível 4K |
| Duração | 4 a 15 segundos, qualquer segundo inteiro (4 por predefinição) |
| Proporções | 16:9, 9:16, 1:1, 4:3, 3:4 e 21:9 nos modos de texto e de referência; a imagem-para-vídeo segue o fotograma de referência |
| Recursos de referência | Até 9 imagens, 3 clipes de vídeo e 3 faixas de áudio, 12 no total. O vídeo de referência aceita 2–15 segundos por clipe e 15 segundos no conjunto. Citados no prompt como «Image 1», «Video 1», «Audio 1» |
| Comprimento do prompt | Até 7.000 caracteres |
| Áudio | Nativo e sempre ligado — não há interruptor de áudio |
| Créditos | Por segundo: 55 em 768p, 90 em 2K, a mesma tarifa nos três modos. Os segundos de entrada do vídeo de referência são faturados a essa mesma tarifa por segundo; as imagens de referência para lá da quinta acrescentam 30 cada; o áudio de referência é gratuito |
| Intervalo de créditos por clipe | 220 para um clipe de 4 segundos em 768p, 1.350 para um clipe de 15 segundos em 2K. Carregado com 15 segundos de vídeo de referência e 9 imagens de referência, um pedido em 2K chega no máximo a 2.820 |
| Cancelamento | As tarefas submetidas não podem ser canceladas |
| Velocidade medida | Não medimos — não corremos um benchmark cronometrado neste modelo |
Três passos, de uma caixa de prompt vazia a um clipe acabado.
Abra o seletor de modelos e escolha MiniMax H3. O painel mostra o custo em créditos, as opções de resolução e os limites de duração antes de você gastar qualquer coisa.
Escreva o sujeito, a ação e como a câmera se comporta. Anexe um primeiro quadro se quiser que o clipe comece de uma imagem específica.
Baixe o clipe, estenda a duração ou mande para mais edição. Prompt, modelo e configurações continuam salvos junto com ele no seu histórico.
Uma conta, todo o fluxo de geração de imagem e vídeo.
Rode o MiniMax H3 com os créditos diários do plano gratuito, ou faça upgrade para modelos premium, geração mais rápida e saída em 4K.
Perfeito para começar
Cobrado anualmente · US$ 240/ano
Cobrado anualmente · US$ 380/ano
Performance cinematográfica de personagens e trabalho multimodal com referências — animar um primeiro quadro, preservar identidades de fotos de referência e interpretar um áudio fornecido com lábios sincronizados. A saída tem 4–15 segundos em 768p ou 2K, com áudio nativo.
55 créditos por segundo de saída em 768p e 90 em 2K, então um clipe de 4 segundos em 768p custa 220 créditos. Os segundos de entrada de vídeos de referência são cobrados na mesma taxa; imagens de referência além de 5 adicionam 30 créditos cada; áudio de referência é gratuito. O total exato é exibido antes de você gerar.
Sim — o H3 é o modelo que a MiniMax usa em seu produto de vídeo Hailuo. No CreateVision AI, você o roda direto no navegador, sem conta MiniMax nem chave de API.
Até 9 imagens, 3 clipes de vídeo (2–15 segundos cada, 15 segundos no total) e 3 faixas de áudio — no máximo 12 recursos no total. Cite-os no prompt pela ordem: "Image 1", "Video 1", "Audio 1".
Segundos inteiros de 4 a 15, em 768p ou 2K. Os modos de texto e referência oferecem 16:9, 21:9, 4:3, 1:1, 3:4 e 9:16 (o modo de referência também pode se adaptar automaticamente); imagem para vídeo segue a proporção do seu primeiro quadro.
Não. O H3 gera áudio nativo em todas as execuções e não há interruptor para isso, por isso a tarifa que vê é a única tarifa. Se precisa de um plano silencioso, ou o silencia na sua montagem, ou escolhe um modelo cujo som seja opcional — o Kling 3.0 deixa-o desligado por predefinição.
O H3 oferece mais valor para cenas de personagem e diálogo de 4–15 segundos. O Seedance 2.5 chega a 30 segundos e aceita muito mais recursos de referência por solicitação, com preço por segundo mais alto. Para rascunhos baratos, o Seedance 2.0 Mini continua sendo a opção econômica.
Ferramentas de um clique para tudo em volta da geração — polir, mudar o estilo e compartilhar.
