MiniMax H3 Reference to Video: was es braucht, was es kostet - RefVid

Was MiniMax H3 Reference to Video macht

• Du gibst H3 einen Prompt und eine Reihe von Referenzen, und das Modell erzeugt einen neuen Clip, in dem diese Personen, Produkte, Orte, Bewegungen oder Stimmen vorkommen. Bilder legen fest, wer und was im Bild ist, Videoclips bestimmen die Bewegung, Audioclips eine Stimme oder Musik. Video und Stereoton entstehen im selben Durchgang.
• Laut dem Launch-Beitrag von ComfyUI ist H3 das dritte Videomodell von MiniMax nach Hailuo 01 und Hailuo 02. Segmind datiert den Start in der API von MiniMax und in der App Hailuo AI auf den 31. Juli 2026; die Gewichte folgten auf Hugging Face, und ComfyUI kündigte am 3. August Unterstützung ab Tag 0 an. Die Model Card von MiniMax beschreibt zwei offene Checkpoints: einen für Text-, Startbild- und Endbild-Video und Ref2VA für Referenzen.
• Laut Model Card dauert jede Ausgabe 4 bis 15 Sekunden bei 24 Bildern pro Sekunde mit 32-kHz-Stereoton, und Dialoge werden in 11 Sprachen unterstützt, darunter Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Spanisch und Portugiesisch.

Referenzlimits: Bilder, Video und Audio

• Eine Anfrage nimmt bis zu 9 Referenzbilder, bis zu 3 Videoclips und bis zu 3 Audioclips auf, insgesamt höchstens 12 Dateien. Jeder Video- oder Audioclip muss 2 bis 15 Sekunden lang sein, und die Clips einer Art dürfen zusammen höchstens 15 Sekunden ergeben, so die Model Card und die API-Dokumentation von MiniMax.
• Die API von MiniMax akzeptiert Bilder als JPG, PNG, WEBP und HEIC bis 30 MB, mit 256 bis 5.760 Pixeln pro Seite und einem Seitenverhältnis zwischen 0,4 und 2,5; Referenzvideos als MP4 oder MOV bis 50 MB; Audio als WAV oder MP3 bis 15 MB. Der Referenzmodus lässt sich in derselben Anfrage nicht mit dem Startbild- oder Endbild-Modus kombinieren.
• Die Dokumentation von Sogni ergänzt, dass reines Audio abgelehnt wird: Ein Referenzset braucht mindestens ein Bild oder Video. Der Endpunkt von fal.ai berechnet für die ersten 5 Referenzbilder nichts und für jedes weitere 0,08 $, 9 Bilder kosten also 0,32 $ zusätzlich zum Video.

Auflösung, Länge und Preis

• H3 generiert in 768p, ein zweiter Schritt erzeugt das Ergebnis in 2K neu. fal.ai verkauft es für 0,05 $ pro Sekunde in 480p, 0,06 $ in 768p, 0,13 $ in 2K und 0,16 $ in 4K, und laut Schema werden 2K und 4K aus einer 768p-Basis hochskaliert. Ein 10-Sekunden-Clip in 768p kostet dort 0,60 $, zusätzliche Bilder nicht eingerechnet.
• Dieser zweite Schritt, H3-Regenerate-2K, gibt laut Model Card von MiniMax den 768p-Clip und die ursprünglichen Referenzen erneut an H3, statt einen einfachen Upscaler laufen zu lassen. Auf fal.ai dauert ein Clip 5 bis 15 Sekunden, und das Seitenverhältnis ist adaptiv, 21:9, 16:9, 4:3, 1:1, 3:4 oder 9:16.
• Die API von MiniMax selbst führt vier Varianten: das Standard-H3 in 768p oder 2K, Highspeed in 768p, Lite in 480p oder 768p und Max in 480p oder 768p für 5 bis 15 Sekunden. Segmind verlangt in 2K etwa 0,16 $ pro Sekunde. Die Preise unterscheiden sich je nach Anbieter und ändern sich, also prüfe deinen vor einem großen Batch.

MiniMax H3 Reference to Video: Prompt-Anleitung

• Benenne jede Referenz nach Art und Reihenfolge und gib ihr genau eine Aufgabe: Das Schema von fal.ai verlangt Image 1, Video 1, Audio 1 in Upload-Reihenfolge, etwa „Image 1 ist das Gesicht der Frau, Image 2 ihre Jacke, Video 1 der Gang.“ Der Leitfaden von Sogni warnt, dass Referenzen eine lose Vorgabe sind, keine fixierten Frames.
• Zeigen mehrere Bilder dasselbe Motiv, definiere sie als ein Motiv. Der Referenz-Prompt-Leitfaden von MiniMax schreibt das als „<Subject 1> ist die Frau, deren Aussehen aus <Picture 1> und deren Gang aus <Video 1> stammt“ und nutzt <Audio 1> für eine Stimme: „<Audio 1> ist die Klangfarben-Referenz der Stimme von <Subject 1>.“ Widersprechen sich zwei Referenzen, sag, welche Vorrang hat.
• Ein Prompt in diesem Format, für drei Produktfotos und eine Person: „Image 1 bis Image 3 sind derselbe gläserne Parfumflakon, Image 4 ist die Frau. Sie nimmt den Flakon von einem Cafétisch, dreht das Etikett zur Kamera und lächelt. Langsame Ranfahrt, Morgenlicht. Leise Café-Geräusche.“
• Lass die Prompt-Erweiterung anfangs eingeschaltet. MiniMax nennt seinen gehosteten Prompt-Umschreiber H3-Context-IR entscheidend für die Endqualität, und fal.ai führt standardmäßig eine ausgewogene Erweiterung aus und gibt den erweiterten Prompt zurück. Lies diesen Text: Fügt er ein Detail hinzu, das du nicht willst, schreib das Detail selbst aus oder schalte die Erweiterung ab.

Kling vs MiniMax: wie H3 gegen Kling 4 abschneidet

• H3 ist pro Sekunde günstiger und nimmt Audioreferenzen; Kling 4 macht längere Clips. Auf fal.ai kostet H3 0,06 $ pro Sekunde in 768p gegenüber 0,157 $ für Kling 4 in 720p, dafür läuft Kling 4 mit 3 bis 30 Sekunden pro Clip gegenüber 15 bei H3. Beide erzeugen Ton zusammen mit dem Bild, und beide nehmen rund 10 Referenzbilder auf.
• Laut Klings Leitfaden fasst Omni Reference von Kling 4 Bilder in bis zu 7 Elemente zusammen, damit das Modell weiß, welche Fotos dieselbe Figur zeigen, und nimmt bis zu 5 Referenzvideos mit zusammen 30 Sekunden auf. H3 gruppiert Referenzen stattdessen über den Prompt und ergänzt bis zu 3 Audioclips für Stimme oder Musik.
• H3 hat außerdem offene Gewichte, Kling nicht. Die offenen Checkpoints generieren in 768p: Den 2K-Schritt und den Prompt-Umschreiber hat MiniMax nicht veröffentlicht, und die H3 Community License schließt die Europäische Union, das Vereinigte Königreich, Südkorea und die USA aus, wo eine separate Lizenz von MiniMax nötig ist. Die gehostete API ist weltweit verfügbar.
• Wir haben die beiden Modelle nicht mit denselben Referenzen laufen lassen; das ist also ein Vergleich veröffentlichter Limits und Preise, nicht gemessener Ähnlichkeit.

Ein Motiv über mehrere Clips gleich halten

• Schick bei jedem Clip dasselbe Referenzset und denselben Motiv-Satz mit. Konsistenz über eine Serie entsteht durch identische Eingaben: Bekommt Clip zwei ein anderes Gesichtsfoto oder eine umformulierte Definition, hat das Modell ein neues Motiv zu zeichnen, egal welches Modell du nutzt.
• Nimm drei bis fünf saubere Fotos pro Motiv statt aller neun Plätze: frontal, im Dreiviertelprofil und im Profil bei einer Person; die Hauptansicht, die Rückseite und eine Nahaufnahme des Logos bei einem Produkt. Gleichmäßiges Licht, schlichter Hintergrund, keine Filter, keine Texteinblendungen. Freie Plätze sind für ein zweites Motiv oder einen Ort besser genutzt.
• Erstelle Entwürfe in 480p oder 768p und rendere nur die Takes, die du behältst, in 2K. Auf fal.ai kostet ein 10-Sekunden-Entwurf in 768p 0,60 $ und derselbe Clip in 2K 1,30 $; wer Ähnlichkeit und Bewegung vorher prüft, spart also den Großteil der Kosten eines missratenen Takes.
• RefVid bietet H3 nicht an. Standardmäßig läuft Kling 4, Kling 3.0 Omni als günstigere Wahl, dazu Seedance 2.5, Wan 3.0, Vidu Q4 und weitere. Du speicherst eine Figur oder ein Produkt einmal aus 1 bis 5 Fotos, und jeder weitere Clip nutzt dasselbe Set; das Wiederholen der Eingaben von oben übernimmt RefVid für dich.

• Multi-Referenz-Videogenerator: was jedes Modell annimmt→
• Reference to Video: wie es funktioniert und welche Modelle es können→
• Kling 4.0 Omni Reference: Limits, Tipps, Beispiele→