MiniMax H3 reference to video : ce qu'il accepte, ce qu'il coûte - RefVid

Ce que fait MiniMax H3 en reference to video

• Vous donnez à H3 un prompt et un ensemble de références, et il génère un nouveau clip où apparaissent ces personnes, produits, lieux, mouvements ou voix. Les images définissent qui et quoi est à l'écran, les clips vidéo le mouvement, les clips audio une voix ou une musique. La vidéo et le son stéréo sortent de la même passe.
• H3 est le troisième modèle vidéo de MiniMax après Hailuo 01 et Hailuo 02, selon l'annonce de ComfyUI. Segmind date son lancement sur l'API de MiniMax et dans l'application Hailuo AI au 31 juillet 2026 ; les poids ont suivi sur Hugging Face, et ComfyUI a annoncé une prise en charge dès le premier jour le 3 août. La fiche du modèle de MiniMax décrit deux checkpoints ouverts : l'un pour la vidéo à partir de texte, d'une première ou d'une dernière image, et Ref2VA pour les références.
• Chaque sortie dure de 4 à 15 secondes à 24 images par seconde, avec un son stéréo en 32 kHz, et les dialogues sont pris en charge dans 11 langues, dont l'anglais, le japonais, le coréen, l'allemand, le français, l'espagnol et le portugais, d'après la fiche du modèle.

Limites des références : images, vidéo et audio

• Une requête accepte jusqu'à 9 images de référence, jusqu'à 3 clips vidéo et jusqu'à 3 clips audio, soit 12 fichiers au total au maximum. Chaque clip vidéo ou audio doit durer de 2 à 15 secondes, et les clips d'un même type ne doivent pas dépasser 15 secondes cumulées, selon la fiche du modèle et la documentation API de MiniMax.
• L'API de MiniMax accepte des images JPG, PNG, WEBP et HEIC jusqu'à 30 Mo, de 256 à 5 760 pixels de côté, avec un rapport d'aspect compris entre 0,4 et 2,5 ; des vidéos de référence en MP4 ou MOV jusqu'à 50 Mo ; et de l'audio en WAV ou MP3 jusqu'à 15 Mo. Le mode référence ne peut pas être combiné au mode première ou dernière image dans la même requête.
• La documentation de Sogni précise que l'audio seul est refusé : un jeu de références doit contenir au moins une image ou une vidéo. L'endpoint de fal.ai ne facture rien pour les 5 premières images de référence et 0,08 $ pour chacune des suivantes, soit 0,32 $ pour 9 images, en plus de la vidéo.

Résolution, durée et prix

• H3 génère en 768p, puis une seconde étape régénère ce résultat en 2K. fal.ai le facture 0,05 $ la seconde en 480p, 0,06 $ en 768p, 0,13 $ en 2K et 0,16 $ en 4K, et son schéma indique que le 2K et le 4K sont agrandis à partir d'une base en 768p. Un clip de 10 secondes en 768p y coûte 0,60 $, hors images supplémentaires.
• Cette seconde étape, baptisée H3-Regenerate-2K, renvoie le clip en 768p et les références d'origine à H3 au lieu de passer par un simple upscaler, selon la fiche du modèle de MiniMax. Sur fal.ai, un clip dure de 5 à 15 secondes et le format est adaptatif, 21:9, 16:9, 4:3, 1:1, 3:4 ou 9:16.
• L'API de MiniMax propose elle-même quatre variantes : H3 standard en 768p ou 2K, Highspeed en 768p, Lite en 480p ou 768p, et Max en 480p ou 768p pour 5 à 15 secondes. Segmind facture environ 0,16 $ la seconde en 2K. Les prix varient selon le fournisseur et évoluent : vérifiez celui que vous utilisez avant un gros lot.

Guide de prompt pour MiniMax H3 reference to video

• Nommez chaque référence par son type et son ordre, et donnez-lui un seul rôle : le schéma de fal.ai demande Image 1, Video 1, Audio 1 dans l'ordre d'envoi, par exemple « Image 1 est le visage de la femme, Image 2 sa veste, Video 1 la démarche. » Le guide de Sogni prévient que les références sont des indications souples, pas des images figées.
• Quand plusieurs images montrent le même sujet, définissez-les comme un seul sujet. Le guide de prompt de MiniMax pour les références l'écrit ainsi : « <Subject 1> est la femme dont l'apparence vient de <Picture 1> et la démarche de <Video 1> », et utilise <Audio 1> pour une voix : « <Audio 1> est la référence de timbre de voix de <Subject 1>. » Quand deux références se contredisent, précisez laquelle l'emporte.
• Un prompt dans ce format, pour trois photos de produit et une personne : « Image 1 à Image 3 sont le même flacon de parfum en verre, Image 4 est la femme. Elle prend le flacon sur une table de café, tourne l'étiquette vers la caméra et sourit. Lent travelling avant, lumière du matin. Ambiance de café calme. »
• Laissez l'enrichissement du prompt activé pour commencer. MiniMax juge son réécriveur de prompt hébergé, H3-Context-IR, essentiel à la qualité finale, et fal.ai applique par défaut un enrichissement équilibré et renvoie le prompt enrichi. Lisez ce texte : s'il ajoute un détail que vous ne vouliez pas, écrivez ce détail vous-même ou désactivez l'enrichissement.

Kling vs MiniMax : comment H3 se compare à Kling 4

• H3 coûte moins cher à la seconde et accepte des références audio ; Kling 4 produit des clips plus longs. Sur fal.ai, H3 coûte 0,06 $ la seconde en 768p contre 0,157 $ en 720p pour Kling 4, mais Kling 4 va de 3 à 30 secondes par clip contre 15 pour H3. Les deux génèrent le son avec l'image, et tous deux acceptent une dizaine d'images de référence.
• L'Omni Reference de Kling 4 regroupe les images en 7 éléments au maximum, pour que le modèle sache quelles photos montrent le même personnage, et accepte jusqu'à 5 vidéos de référence totalisant 30 secondes, selon le guide de Kling. H3 regroupe plutôt les références par le prompt, et ajoute jusqu'à 3 clips audio pour une voix ou une musique.
• H3 a aussi des poids ouverts, Kling non. Les checkpoints ouverts génèrent en 768p : MiniMax n'a publié ni l'étape 2K ni son réécriveur de prompt, et la H3 Community License exclut l'Union européenne, le Royaume-Uni, la Corée du Sud et les États-Unis, où une licence distincte de MiniMax est nécessaire. Son API hébergée est disponible partout dans le monde.
• Nous n'avons pas fait tourner les deux modèles avec les mêmes références : il s'agit donc d'une comparaison des limites et des prix publiés, pas d'une ressemblance mesurée.

Garder le même sujet d'un clip à l'autre

• Envoyez le même jeu de références et la même phrase de définition du sujet avec chaque clip. La cohérence d'une série vient d'entrées identiques répétées : si le deuxième clip reçoit une autre photo du visage ou une définition reformulée, le modèle doit dessiner un nouveau sujet, quel que soit le modèle utilisé.
• Utilisez trois à cinq photos nettes par sujet plutôt que les neuf emplacements : de face, de trois quarts et de profil pour une personne ; l'angle principal, le dos et un gros plan du logo pour un produit. Lumière homogène, fond neutre, ni filtre ni texte incrusté. Les emplacements libres servent mieux à un second sujet ou à un lieu.
• Faites vos brouillons en 480p ou 768p, puis rendez en 2K les prises que vous gardez. Sur fal.ai, un brouillon de 10 secondes en 768p coûte 0,60 $ et le même clip en 2K 1,30 $ : vérifier d'abord la ressemblance et le mouvement évite l'essentiel du coût d'une prise ratée.
• RefVid ne propose pas H3. Il utilise Kling 4 par défaut, Kling 3.0 Omni comme option moins chère, ainsi que Seedance 2.5, Wan 3.0, Vidu Q4 et d'autres. Vous enregistrez un personnage ou un produit une seule fois à partir de 1 à 5 photos, et chaque clip suivant réutilise le même jeu : l'étape de répétition des entrées décrite plus haut est faite pour vous.

• Générateur vidéo multi-références : ce que chaque modèle accepte→
• Reference to video : fonctionnement et modèles compatibles→
• Kling 4.0 Omni Reference : limites, conseils, exemples→