MiniMax H3 de referência para vídeo: o que aceita e quanto custa - RefVid

O que o MiniMax H3 de referência para vídeo faz

• Você passa ao H3 um prompt e um conjunto de referências, e ele gera um clipe novo em que aparecem essas pessoas, produtos, lugares, movimentos ou vozes. As imagens definem quem e o que aparece na tela, os clipes de vídeo definem o movimento e os clipes de áudio, uma voz ou a música. Vídeo e som estéreo saem da mesma passada.
• Segundo o anúncio de lançamento do ComfyUI, o H3 é o terceiro modelo de vídeo da MiniMax, depois do Hailuo 01 e do Hailuo 02. A Segmind data o lançamento na API da MiniMax e no app Hailuo AI em 31 de julho de 2026; os pesos chegaram depois ao Hugging Face, e o ComfyUI anunciou suporte desde o primeiro dia em 3 de agosto. O model card da MiniMax descreve dois checkpoints abertos: um para texto, primeiro quadro e último quadro, e o Ref2VA para referências.
• Segundo o model card, cada resultado tem de 4 a 15 segundos a 24 quadros por segundo, com áudio estéreo de 32 kHz, e há suporte a diálogos em 11 idiomas, entre eles inglês, japonês, coreano, alemão, francês, espanhol e português.

Limites de referência: imagens, vídeo e áudio

• Uma solicitação aceita até 9 imagens de referência, até 3 clipes de vídeo e até 3 clipes de áudio, sem passar de 12 arquivos no total. Segundo o model card e a documentação da API da MiniMax, cada clipe de vídeo ou áudio deve ter de 2 a 15 segundos, e os clipes de cada tipo somam no máximo 15 segundos.
• A API da MiniMax aceita imagens JPG, PNG, WEBP e HEIC de até 30 MB, com 256 a 5.760 pixels por lado e proporção entre 0,4 e 2,5; vídeos de referência em MP4 ou MOV de até 50 MB; e áudio em WAV ou MP3 de até 15 MB. O modo de referência não pode ser combinado com o modo de primeiro ou último quadro na mesma solicitação.
• A documentação da Sogni acrescenta que só áudio é recusado: o conjunto de referências precisa de pelo menos uma imagem ou um vídeo. O endpoint do fal.ai não cobra as 5 primeiras imagens de referência e cobra $0.08 por cada uma a partir daí, então 9 imagens acrescentam $0.32 ao preço do vídeo.

Resolução, duração e preço

• O H3 gera em 768p, e uma segunda etapa gera esse resultado de novo em 2K. O fal.ai vende a $0.05 por segundo em 480p, $0.06 em 768p, $0.13 em 2K e $0.16 em 4K, e o schema dele informa que 2K e 4K são ampliados a partir de uma base de 768p. Lá, um clipe de 10 segundos em 768p custa $0.60 antes das imagens extras.
• Segundo o model card da MiniMax, essa segunda etapa, chamada H3-Regenerate-2K, passa o clipe de 768p e as referências originais de novo pelo H3, em vez de usar um upscaler comum. No fal.ai, um clipe tem de 5 a 15 segundos e a proporção é adaptativa, 21:9, 16:9, 4:3, 1:1, 3:4 ou 9:16.
• A API da própria MiniMax lista quatro variantes: o H3 padrão em 768p ou 2K, Highspeed em 768p, Lite em 480p ou 768p, e Max em 480p ou 768p com 5 a 15 segundos. A Segmind cobra cerca de $0.16 por segundo em 2K. Os preços variam conforme o provedor e mudam, então confira o seu antes de um lote grande.

Guia de prompt do MiniMax H3 de referência para vídeo

• Nomeie cada referência por tipo e ordem e dê a ela uma única função: o schema do fal.ai pede Image 1, Video 1, Audio 1 na ordem de upload, como em "Image 1 é o rosto da mulher, Image 2 é a jaqueta dela, Video 1 é o jeito de andar." O guia da Sogni avisa que as referências são aproximadas, não quadros travados.
• Quando várias imagens mostram o mesmo elemento, defina-as como um único elemento. O guia de prompts de referência da MiniMax escreve assim: "<Subject 1> é a mulher cuja aparência vem de <Picture 1> e cujo jeito de andar vem de <Video 1>", e usa <Audio 1> para uma voz: "<Audio 1> é a referência de timbre de voz de <Subject 1>." Quando duas referências entram em conflito, diga qual prevalece.
• Um prompt nesse formato, para três fotos de produto e uma pessoa: "Image 1 a Image 3 são o mesmo frasco de perfume de vidro, Image 4 é a mulher. Ela pega o frasco de uma mesa de café, vira o rótulo para a câmera e sorri. Aproximação lenta, luz da manhã. Som tranquilo de café."
• Para começar, deixe a expansão de prompt ativada. A MiniMax considera o reescritor de prompts hospedado dela, o H3-Context-IR, essencial para a qualidade final, e o fal.ai aplica por padrão uma expansão equilibrada e devolve o prompt expandido. Leia esse texto: se ele acrescentar um detalhe que você não queria, escreva o detalhe você mesmo ou desative a expansão.

Kling vs MiniMax: como o H3 se compara ao Kling 4

• O H3 é mais barato por segundo e aceita referências de áudio; o Kling 4 faz clipes mais longos. No fal.ai, o H3 custa $0.06 por segundo em 768p contra $0.157 do Kling 4 em 720p, enquanto o Kling 4 gera de 3 a 30 segundos por clipe contra 15 do H3. Os dois geram som junto com a imagem, e os dois aceitam cerca de 10 imagens de referência.
• Segundo o guia do Kling, o Omni Reference do Kling 4 agrupa as imagens em até 7 elementos, para o modelo saber quais fotos são da mesma personagem, e aceita até 5 vídeos de referência que somem 30 segundos. Já o H3 agrupa as referências pelo prompt e acrescenta até 3 clipes de áudio para uma voz ou música.
• O H3 também tem pesos abertos; o Kling não. Os checkpoints abertos geram em 768p: a MiniMax não liberou a etapa de 2K nem o reescritor de prompts, e a H3 Community License exclui a União Europeia, o Reino Unido, a Coreia do Sul e os Estados Unidos, onde é preciso uma licença separada da MiniMax. A API hospedada está disponível no mundo todo.
• Não rodamos os dois modelos com as mesmas referências, então esta é uma comparação de limites e preços publicados, não de semelhança medida.

Como manter o mesmo elemento de um clipe para outro

• Envie o mesmo conjunto de referências e a mesma frase de definição do elemento em todos os clipes. A consistência numa série vem de repetir entradas idênticas: se o segundo clipe recebe outra foto do rosto ou uma definição escrita de outro jeito, o modelo tem um elemento novo para desenhar, seja qual for o modelo.
• Use de três a cinco fotos limpas por elemento em vez de ocupar as nove vagas: de frente, três quartos e perfil para uma pessoa; o ângulo principal, a parte de trás e um close do logo para um produto. Luz uniforme, fundos lisos, sem filtros nem textos sobrepostos. As vagas que sobram rendem mais com um segundo elemento ou um lugar.
• Faça os rascunhos em 480p ou 768p e renderize em 2K só as tomadas que você for usar. No fal.ai, um rascunho de 10 segundos em 768p custa $0.60 e o mesmo clipe em 2K, $1.30, então conferir antes a semelhança e o movimento poupa a maior parte do custo de uma tomada ruim.
• O RefVid não roda o H3. Ele usa o Kling 4 por padrão, o Kling 3.0 Omni como opção mais barata, além de Seedance 2.5, Wan 3.0, Vidu Q4 e outros. Você salva uma personagem ou um produto uma única vez a partir de 1 a 5 fotos, e todos os clipes seguintes reutilizam esse mesmo conjunto, então o RefVid já cuida da etapa de repetir as entradas descrita acima.

• Gerador de vídeo com várias referências: o que cada modelo aceita→
• Referência para vídeo: como funciona e quais modelos suportam→
• Kling 4.0 Omni Reference: limites, dicas e exemplos→