Erzeuge 4–15 Sekunden lange MiniMax-H3-Videos aus Text, Start- und Endbildern oder multimodalen Referenzen mit nativem Stereo-Audio.
KI-ModellMiniMax H3H3Erzeuge ein Video aus einem detaillierten Prompt mit Timing, Kamera, Handlung und Ton.
Wähle einen Modus, füge die erforderlichen Medien hinzu, formuliere die Regie und generiere dein Video.
MINIMAX · OMNIMODALES VIDEOMODELLMiniMax H3 verwandelt Text-, Bild-, Video- und Audio-Kontext in stimmige KI-Videos. Plane 4–15 Sekunden lange Einstellungen mit nativem Stereo-Audio, führe Start- und Endbild, kombiniere multimodale Referenzen und entwickle eine audiovisuelle Idee bis zur fertigen Sequenz.
Ein multimodales Briefing für Kontinuität, Performance, Dialog, Atmosphäre und Ton
MiniMax H3 ist ein omnimodales generatives Videosystem, das Text, Bilder, Video und Audio versteht und Video mit nativem Stereo-Ton erzeugt. Text-zu-Video eignet sich für promptgeführte Shots, Bild-zu-Video nutzt ein erforderliches Startbild und ein optionales Endbild, Referenz-zu-Video verarbeitet größere multimodale Referenzpakete.
Für Kreative entsteht ein gemeinsames audiovisuelles Briefing: Identität, Bildaufbau, Referenzbewegung, gesprochener Dialog, Atmosphäre und Musik werden als Bestandteile derselben 4–15-sekündigen Sequenz geplant.
Nutze Bild-zu-Video für eine feste Anfangskomposition und ergänze bei Bedarf ein optionales Endbild. Nutze Referenz-zu-Video, wenn Identität, Bewegung oder Ton aus Quellen übernommen werden sollen, und wähle direkt 768P oder 2K für die Ausgabe.
Querformat, Quadrat und Hochformat passen zu Film, Produktseite, Feed und Vertical Social. Ausgegeben werden 24 fps und natives 32-kHz-Stereo-Audio für die weitere Bearbeitung.
Dauer, Bilder, Referenzen, Seitenverhältnis, Ton und Sprache greifen in einem einzigen Produktionsbriefing ineinander.
Passe die Dauer an Social Hook, Produktenthüllung, Dialog, Performance oder Übergang an, statt jede Idee in eine feste Länge zu zwingen.
Innerhalb der Vorgaben sind bis zu neun Bilder, drei Videos, drei Audios und insgesamt zwölf gemischte Dateien möglich.
Bild-zu-Video verwendet ein erforderliches Startbild und ein optionales Endbild. So erhält der Shot einen festen visuellen Ausgangspunkt und bei Bedarf eine definierte Zielkomposition.
21:9, 16:9, 4:3, 1:1, 3:4 und 9:16 decken breite, quadratische und vertikale Veröffentlichungsflächen ab.
Dialog, Atmosphäre, Effekte und Musik können zusammen mit dem Bild als 32-kHz-Stereo-Audio erzeugt und zeitlich geführt werden.
Elf stabile Dialogsprachen unterstützen internationale audiovisuelle Produktionen, darunter Deutsch, Englisch, Chinesisch, Französisch, Japanisch und Koreanisch.
Standbilder sichern Identität und Design, Video demonstriert Bewegung, Audio steuert Performance und Rhythmus, und der Prompt verbindet alles auf der Zeitachse.
Produktbilder halten Silhouette und Material, Bewegungsvideo führt die Enthüllung und getaktete Sounds betonen Details und Schlussmoment.
Verankere Gesicht, Kleidung und Umgebung, definiere Text und Raumton und führe Blickrichtung, Reaktion, Kameraabstand und Schlussbild.
Referenzvideo führt den Körperrhythmus, Bilder definieren Person und Styling, Musikrichtung und 9:16 bestimmen die Plattformwirkung.
Definiere das Ausgabeformat, wähle die richtige H3-Eingabelogik, gib jeder Referenz eine Aufgabe und führe Bild und Ton auf derselben Zeitachse.
Wähle 4–15 Sekunden und das echte Veröffentlichungsformat. Beschreibe Anfang, Wendepunkt und was im letzten Moment zu sehen und zu hören ist.
Nutze Text und Start-/Endbilder für kompositionsgetriebene Shots; multimodale Referenzen für Identität, gezeigte Bewegung, Sprechweise oder Tonrichtung.
Kennzeichne Bilder für Identität oder Umgebung, Video nur für Bewegung und Audio für Stimme oder Tempo. Entferne Widersprüche.
Prüfe Identität, Physik, Kameralogik, Lippentiming, Dialog, Atmosphäre, Musikbalance und Schlussbild, bevor du das 768P- oder 2K-Ergebnis für den Schnitt herunterlädst.
H3 erweitert den MiniMax-Workflow von klassischer Text-/Bildgenerierung zu omnimodalen Referenzen und nativer audiovisueller Ausgabe.
| Workflow | MiniMax H3 | Hailuo 2.3 | Kreativer Nutzen |
|---|---|---|---|
| Clipdauer | 4–15 Sekunden | 6 oder 10 Sekunden je Konfiguration | H3 bietet mehr zeitlichen Spielraum für kurze Erzähl- und Werbemomente. |
| Eingabestruktur | Text, Start-/Endbilder, Bild-, Video- und Audio-Referenzen | Text-zu-Video und Bild-zu-Video | Identität, Bewegung, Performance und Ton lassen sich getrennt ausdrücken. |
| Audioausgabe | Natives 32-kHz-Stereo-Audio | Videogenerierungs-Workflow | H3 führt Bild und Ton als eine Sequenz. |
| Auflösung | Direkte Ausgabe in 768P oder 2K | 768p- oder 1080p-Konfiguration | Die gewünschte Ausgabeauflösung wird direkt im MiniMax-H3-Generierungsauftrag gewählt. |
Wähle H3 für multimodale audiovisuelle Regie; Hailuo 2.3 für etablierte Text-zu-Video- und Bild-zu-Video-Konfigurationen.
Beschreibe sichtbaren Ablauf, Referenzrollen, Kamera, Dialog, Atmosphäre, Effekte, Musik und Schlussbild.
Nenne Dauer, Seitenverhältnis, Plattform, Zielgruppe und Shot-Zweck vor Stilbegriffen.
Lege fest, welches Bild Identität, welches Video Bewegung und welches Audio Stimme oder Rhythmus führt.
Teile 4–15 Sekunden in Anfang, Entwicklung und Schluss mit beobachtbaren Handlungen.
Beschreibe Ausschnitt, Objektivgefühl, Bewegung, Tempo und den Grund der Enthüllung.
Trenne Dialog, Raumton, Effekte und Musik und definiere Start, Intensität und Bildbezug.
Fixiere Identität, Produktgeometrie, Kleidung, Lichtrichtung, Text und Schlussbild.
Jede Anweisung ist in Bild oder Ton prüfbar und gezielt überarbeitbar.
AUSGABE 12 Sekunden, 16:9, hochwertiger Produktfilm mit nativem Stereo-Audio. REFERENZROLLEN @Bild 1 steuert Flaschengeometrie und sichere Etikettansicht. @Video 1 steuert nur die langsame Handbewegung. @Audio 1 steuert nur den Sprechton. ZEITACHSE 0–4 s — 85-mm-Makrofahrt über Kondenswasser; leiser Raumton und ein Glasdetail. 4–9 s — zurückziehen, eine Hand dreht die Flasche um 30 Grad; ruhige Stimme spricht einen kurzen Satz. 9–12 s — festes Hero-Bild, bernsteinfarbiges Kantenlicht, kurzer musikalischer Abschluss. KONSTANTEN Proportionen, Verschlusshöhe, Etikettfläche, Kameraachse und Lichtrichtung bleiben unverändert. Keine Untertitel oder zusätzlichen Objekte.
H3 passt zu kurzen Videos mit stabiler Identität, demonstrierter Bewegung, hörbarer Performance oder bewusstem Weg vom Start- zum Endbild.
Verbinde Hook, Demo, Voice-Line, taktilen Sound und Produkt-Schlussbild in 4–15 Sekunden.
Erhalte Form und Material über Makrodetail, Handhabung, Anwendung und Schlussbild.
Koordiniere Identität, Blick, Reaktion, Sprache, Lippenbewegung, Atmosphäre und Kamera.
Plane direkt in 9:16, führe Performance per Video und ende mit mobil lesbarer Komposition.
Richte Bewegungsakzente, Kamerarhythmus und Atmosphäre an Audio- und Musikreferenzen aus.
Wechsle die Dialogsprache und bewahre Produkt, Charakter, Struktur und Timing.
Antworten zu Dauer, multimodalen Referenzen, nativem Stereo-Audio, Formaten, 768P- und 2K-Ausgabe, Prompts und Hailuo 2.3.
Lege Dauer, Start- und Endbilder, Referenzrollen, Kamerabewegung, Dialog, Atmosphäre und Ton fest und generiere den Shot im MiniMax-H3-Workspace.
