Genera vídeos MiniMax H3 de 4–15 segundos desde texto, fotogramas inicial y final o referencias multimodales, con audio estéreo nativo.
Modelo de IAMiniMax H3H3Crea un vídeo con un prompt detallado de tiempos, cámara, acción y sonido.
Elige un modo, añade los medios obligatorios, escribe la dirección y genera el vídeo.
MINIMAX · MODELO DE VÍDEO OMNIMODALMiniMax H3 convierte contexto de texto, imagen, vídeo y audio en vídeos IA coherentes con sonido estéreo nativo. Diseña planos de 4–15 segundos, guía el primer y último fotograma, combina referencias multimodales y lleva una misma idea audiovisual desde el prompt hasta la secuencia final.
Un brief multimodal para continuidad, interpretación, diálogo, ambiente y sonido
MiniMax H3 es un sistema generativo de vídeo omnimodal que entiende texto, imágenes, vídeo y audio, y produce vídeo con sonido estéreo nativo. Texto a vídeo sirve para planos guiados por prompt; imagen a vídeo usa un fotograma inicial obligatorio y uno final opcional; referencia a vídeo procesa conjuntos multimodales más amplios.
Para crear, el cambio práctico es un brief audiovisual único: identidad, composición, movimiento de referencia, diálogo, ambiente y música se planifican como partes de la misma secuencia de 4–15 segundos.
Usa imagen a vídeo para fijar la apertura y añade un fotograma final opcional cuando necesites controlar el cierre. Usa referencias para trasladar identidad, movimiento o sonido, y elige directamente 768P o 2K según la entrega.
Horizontal, cuadrado y vertical cubren cine, producto, feed y redes. La salida combina vídeo a 24 fps y audio estéreo nativo de 32 kHz para edición.
Duración, fotogramas, referencias, relación de aspecto, sonido e idioma trabajan dentro de un único brief.
Adapta la duración a un gancho social, revelación de producto, diálogo, actuación o transición sin imponer una longitud fija.
El flujo admite hasta nueve imágenes, tres vídeos, tres audios y doce archivos combinados dentro de los límites documentados.
Imagen a vídeo utiliza un fotograma inicial obligatorio y uno final opcional, fijando el punto de partida y, cuando hace falta, la composición de cierre.
21:9, 16:9, 4:3, 1:1, 3:4 y 9:16 cubren superficies panorámicas, cuadradas y verticales.
Diálogo, ambiente, efectos y música se generan con la imagen como audio estéreo de 32 kHz y pueden dirigirse en el tiempo.
Once idiomas estables para diálogo respaldan producciones internacionales, incluidos español, inglés, chino, francés, alemán, japonés y coreano.
Las imágenes fijan identidad y diseño, el vídeo demuestra movimiento, el audio marca interpretación y ritmo, y el prompt conecta todo en el tiempo.
Las fotos conservan silueta y materiales, el vídeo guía la revelación y los sonidos programados enfatizan detalles y cierre de marca.
Ancla rostro, vestuario y entorno, define frase y ambiente, y dirige mirada, reacción, distancia de cámara y fotograma final.
El vídeo de referencia controla el ritmo corporal, las imágenes definen sujeto y estilo, y la música y el 9:16 preparan la publicación.
Define la entrega, elige la estructura de entrada H3, asigna una función a cada referencia y dirige imagen y sonido en la misma línea de tiempo.
Elige 4–15 segundos y el formato real de publicación. Describe apertura, giro y lo que se ve y oye al final.
Usa texto e inicio/final para planos de composición; referencias multimodales para identidad, movimiento demostrado, forma de hablar o dirección sonora.
Marca una imagen para identidad, otra para entorno, un vídeo solo para movimiento y un audio para voz o tempo. Elimina contradicciones.
Comprueba identidad, física, cámara, sincronía labial, diálogo, ambiente, música y final antes de descargar el resultado 768P o 2K para editar.
H3 amplía el flujo MiniMax desde la generación clásica de texto/imagen hacia referencias omnimodales y salida audiovisual nativa.
| Flujo | MiniMax H3 | Hailuo 2.3 | Impacto creativo |
|---|---|---|---|
| Duración | 4–15 segundos | 6 o 10 segundos según configuración | H3 ofrece un rango más amplio para secuencias narrativas y comerciales breves. |
| Entradas | Texto, inicio/final, referencias de imagen, vídeo y audio | Texto a vídeo e imagen a vídeo | H3 separa identidad, movimiento, interpretación y sonido entre fuentes. |
| Audio | Audio estéreo nativo de 32 kHz | Flujo de generación de vídeo | H3 dirige imagen y sonido como una sola secuencia. |
| Resolución | Salida directa en 768P o 2K | Configuraciones 768p o 1080p | La resolución se elige directamente en la solicitud de generación de MiniMax H3. |
Elige H3 para dirección audiovisual multimodal; Hailuo 2.3 para configuraciones establecidas de texto a vídeo e imagen a vídeo.
Describe secuencia visible, función de referencias, cámara, diálogo, ambiente, efectos, música y fotograma final.
Indica duración, formato, plataforma, público y objetivo antes del estilo.
Di qué imagen controla identidad, qué vídeo movimiento y qué audio voz o ritmo.
Divide 4–15 segundos en inicio, desarrollo y cierre con acciones observables.
Define encuadre, sensación de lente, movimiento, velocidad y revelación buscada.
Separa diálogo, ambiente, efectos y música; fija inicio, intensidad y relación con la imagen.
Lista identidad, geometría, vestuario, luz, texto y final que no deben cambiar.
Cada instrucción puede validarse en imagen o sonido para revisar con precisión.
ENTREGA Película de producto premium de 12 segundos en 16:9 con audio estéreo nativo. REFERENCIAS @Imagen 1 controla geometría y zona segura de etiqueta. @Vídeo 1 controla solo el movimiento lento de la mano. @Audio 1 controla solo el tono de voz. TIEMPO 0–4 s — macro 85 mm sobre condensación; ambiente suave y un detalle de cristal. 4–9 s — retroceso, una mano gira la botella 30 grados; voz tranquila con una frase breve. 9–12 s — plano héroe fijo, contraluz ámbar y resolución musical corta. INVARIANTES Mantener proporciones, altura del tapón, etiqueta, eje de cámara y luz. Sin subtítulos ni objetos extra.
H3 encaja en vídeos cortos que necesitan identidad estable, movimiento demostrado, interpretación audible o un arco claro entre primer y último fotograma.
Une gancho, demostración, voz, sonido táctil y plano final de producto en 4–15 segundos.
Conserva forma y material entre macro, manipulación, uso y cierre limpio.
Coordina identidad, mirada, reacción, voz, labios, ambiente y distancia de cámara.
Compón en 9:16, guía la actuación con vídeo y termina en una imagen legible en móvil.
Alinea acentos de movimiento, ritmo de cámara y atmósfera con referencias de audio.
Adapta el idioma del diálogo conservando producto, personaje, estructura y tiempo.
Respuestas sobre duración, referencias multimodales, audio estéreo nativo, formatos, salida 768P y 2K, prompts y Hailuo 2.3.
Define duración, fotogramas inicial y final, referencias, cámara, diálogo, ambiente y sonido, y genera el plano en el espacio MiniMax H3.
