MiniMax H3 de referencia a vídeo: qué admite y cuánto cuesta - RefVid

Qué hace MiniMax H3 de referencia a vídeo

• Le das a H3 un prompt y un conjunto de referencias, y genera un clip nuevo en el que aparecen esas personas, productos, lugares, movimientos o voces. Las imágenes fijan quién y qué sale en pantalla, los clips de vídeo fijan el movimiento y los clips de audio, una voz o la música. El vídeo y el sonido estéreo salen de la misma pasada.
• Según el anuncio de lanzamiento de ComfyUI, H3 es el tercer modelo de vídeo de MiniMax, después de Hailuo 01 y Hailuo 02. Segmind sitúa su lanzamiento en la API de MiniMax y en la app Hailuo AI el 31 de julio de 2026; después llegaron los pesos a Hugging Face, y ComfyUI anunció soporte desde el primer día el 3 de agosto. La ficha del modelo de MiniMax describe dos checkpoints abiertos: uno para texto, primer fotograma y último fotograma, y Ref2VA para referencias.
• Según la ficha del modelo, cada resultado dura de 4 a 15 segundos a 24 fotogramas por segundo con audio estéreo de 32 kHz, y admite diálogos en 11 idiomas, entre ellos inglés, japonés, coreano, alemán, francés, español y portugués.

Límites de referencias: imágenes, vídeo y audio

• Una solicitud admite hasta 9 imágenes de referencia, hasta 3 clips de vídeo y hasta 3 clips de audio, sin superar los 12 archivos en total. Según la ficha del modelo y la documentación de la API de MiniMax, cada clip de vídeo o audio debe durar de 2 a 15 segundos, y los clips de cada tipo no pueden sumar más de 15 segundos.
• La API de MiniMax acepta imágenes JPG, PNG, WEBP y HEIC de hasta 30 MB, de 256 a 5.760 píxeles por lado y con una relación de aspecto entre 0,4 y 2,5; vídeos de referencia en MP4 o MOV de hasta 50 MB, y audio en WAV o MP3 de hasta 15 MB. El modo de referencia no se puede combinar con el modo de primer o último fotograma en la misma solicitud.
• La documentación de Sogni añade que el audio por sí solo se rechaza: el conjunto de referencias necesita al menos una imagen o un vídeo. El endpoint de fal.ai no cobra las 5 primeras imágenes de referencia y cobra $0.08 por cada una a partir de ahí, así que 9 imágenes suman $0.32 al precio del vídeo.

Resolución, duración y precio

• H3 genera a 768p, y un segundo paso vuelve a generar ese resultado a 2K. fal.ai lo vende a $0.05 por segundo a 480p, $0.06 a 768p, $0.13 a 2K y $0.16 a 4K, y su esquema indica que 2K y 4K se escalan a partir de una base de 768p. Allí, un clip de 10 segundos a 768p cuesta $0.60 antes de las imágenes extra.
• Según la ficha del modelo de MiniMax, ese segundo paso, llamado H3-Regenerate-2K, vuelve a pasar por H3 el clip de 768p junto con las referencias originales, en lugar de usar un simple escalador. En fal.ai, un clip dura de 5 a 15 segundos y la relación de aspecto es adaptativa, 21:9, 16:9, 4:3, 1:1, 3:4 o 9:16.
• La API de la propia MiniMax ofrece cuatro variantes: H3 estándar a 768p o 2K, Highspeed a 768p, Lite a 480p o 768p, y Max a 480p o 768p de 5 a 15 segundos. Segmind cobra unos $0.16 por segundo a 2K. Los precios varían según el proveedor y cambian, así que revisa el tuyo antes de lanzar una tanda grande.

Guía de prompts de MiniMax H3 de referencia a vídeo

• Nombra cada referencia por tipo y orden, y dale una sola función: el esquema de fal.ai pide Image 1, Video 1, Audio 1 en el orden de subida, como en "Image 1 es el rostro de la mujer, Image 2 es su chaqueta, Video 1 es la forma de caminar." La guía de Sogni advierte que las referencias son orientativas, no fotogramas fijos.
• Cuando varias imágenes muestran al mismo sujeto, defínelas como un único sujeto. La guía de prompts de referencia de MiniMax lo escribe así: "<Subject 1> es la mujer cuyo aspecto procede de <Picture 1> y cuya forma de caminar procede de <Video 1>", y usa <Audio 1> para una voz: "<Audio 1> es la referencia de timbre de voz de <Subject 1>." Si dos referencias se contradicen, indica cuál manda.
• Un prompt en ese formato, para tres fotos de producto y una persona: "Image 1 a Image 3 son el mismo frasco de perfume de cristal, Image 4 es la mujer. Levanta el frasco de una mesa de cafetería, gira la etiqueta hacia la cámara y sonríe. Acercamiento lento, luz de mañana. Sonido tranquilo de cafetería."
• Para empezar, deja activada la expansión del prompt. MiniMax considera su reescritor de prompts alojado, H3-Context-IR, clave para la calidad final, y fal.ai aplica por defecto una expansión equilibrada y devuelve el prompt ampliado. Léelo: si añade un detalle que no querías, escríbelo tú mismo o desactiva la expansión.

Kling vs MiniMax: cómo se compara H3 con Kling 4

• H3 es más barato por segundo y acepta referencias de audio; Kling 4 hace clips más largos. En fal.ai, H3 cuesta $0.06 por segundo a 768p frente a los $0.157 de Kling 4 a 720p, mientras que Kling 4 genera de 3 a 30 segundos por clip frente a los 15 de H3. Los dos generan sonido junto con la imagen y los dos admiten unas 10 imágenes de referencia.
• Según la guía de Kling, Omni Reference de Kling 4 agrupa las imágenes en hasta 7 elementos, para que el modelo sepa qué fotos son del mismo personaje, y admite hasta 5 vídeos de referencia que sumen 30 segundos. H3, en cambio, agrupa las referencias a través del prompt y añade hasta 3 clips de audio para una voz o música.
• Además, H3 tiene pesos abiertos y Kling no. Los checkpoints abiertos generan a 768p: MiniMax no ha publicado el paso a 2K ni su reescritor de prompts, y la H3 Community License excluye la Unión Europea, el Reino Unido, Corea del Sur y Estados Unidos, donde hace falta una licencia aparte de MiniMax. Su API alojada está disponible en todo el mundo.
• No hemos probado los dos modelos con las mismas referencias, así que esta es una comparación de límites y precios publicados, no de parecido medido.

Cómo mantener el mismo sujeto de un clip a otro

• Envía el mismo conjunto de referencias y la misma frase de definición del sujeto con cada clip. La coherencia en una serie viene de repetir entradas idénticas: si el segundo clip recibe otra foto del rostro o una definición redactada de otra forma, el modelo tiene un sujeto nuevo que dibujar, sea cual sea el modelo.
• Usa de tres a cinco fotos limpias por sujeto en lugar de ocupar los nueve huecos: de frente, de tres cuartos y de perfil para una persona; el ángulo principal, la parte trasera y un primer plano del logotipo para un producto. Luz uniforme, fondos lisos, sin filtros ni textos superpuestos. Los huecos libres rinden más con un segundo sujeto o un lugar.
• Haz los borradores a 480p o 768p y renderiza a 2K solo las tomas que te quedes. En fal.ai, un borrador de 10 segundos a 768p cuesta $0.60 y el mismo clip a 2K, $1.30, así que comprobar primero el parecido y el movimiento te ahorra la mayor parte del coste de una toma fallida.
• RefVid no ejecuta H3. Usa Kling 4 por defecto, Kling 3.0 Omni como opción más barata, y Seedance 2.5, Wan 3.0, Vidu Q4 y otros. Guardas un personaje o producto una sola vez a partir de 1 a 5 fotos, y cada clip posterior reutiliza ese mismo conjunto, así que el paso de repetir las entradas que se describe arriba ya lo hace RefVid por ti.

• Generador de vídeo con varias referencias: qué admite cada modelo→
• Referencia a vídeo: cómo funciona y qué modelos lo admiten→
• Kling 4.0 Omni Reference: límites, consejos y ejemplos→