MiniMax H3 (MiniMax-H3) 模型详情

概述

文生视频图生视频参考图生视频首尾帧生视频

MiniMax H3 是稀宇科技（MiniMax）推出的开放权重通用全模态视频生成模型，核心为 33B 参数的 dense 单流 Transformer。它在同一上下文中统一理解文本、图片、视频和音频，一次生成带原生双声道音频的视频，覆盖文生视频、首尾帧生视频，以及以图片、视频、音频为参考的全能参考生成。官方称其在指令遵循、文字与品牌信息呈现、视频动作迁移方面表现出色，适用于广告、品牌、电商、产品设计、游戏等商业场景。TokenFab 提供 768P 输出，时长 4–15 秒。

多模态上下文理解

一条请求可组合文本、参考图片、参考视频和参考音频，用自然语言描述它们与目标画面的关系，模型自行理解各素材的作用。

音画一体生成

对白、环境音、音效和配乐随视频一次生成，原生双声道输出，口型与画面动作一致，无需单独配音或后期合成。

首尾帧精准控制

可以只给首帧、只给尾帧，或同时给首尾两帧，精确控制视频的起止画面。

全能参考生成

最多组合 9 张参考图、3 段参考视频、3 段参考音频，保持角色、风格、动作、运镜或音色一致。

功能

文生视频只提供文本描述；须指定 ratio，且不能为 adaptive。✓

图生视频提供首帧图片；只传一张不带 role 的图片时默认按首帧处理，产物画面比例跟随首帧。支持 JPG/JPEG、PNG、WEBP，单张不超过 30 MB，宽高均在 256–5760 像素、长宽比 0.4–2.5；暂不支持 HEIC/HEIF。✓

参考图生视频参考图 ≤ 9 张、参考视频 ≤ 3 段、参考音频 ≤ 3 段，素材总数 ≤ 15；不能与首尾帧混用。参考视频支持 MP4、MOV（H.264/H.265），单段 2–15 秒、不超过 50 MB；参考音频支持 WAV、MP3，单段 2–15 秒、不超过 15 MB。✓

首尾帧生视频同时提供 first_frame 和 last_frame 两张图，两张都要写 role；也可只给首帧或只给尾帧。✓

特效模版✕

定价

分辨率	输出视频	输入视频	输入图片前 5 张免费，超出部分计费
768P	¥0.5/秒	¥0.5/秒	¥0.2/张

输出视频和输入视频分别按时长计费。输出视频支持文生视频、图生视频、首尾帧生视频与全能参考生视频，时长 4～15 秒（整数秒）。每次请求前 5 张输入图片免费，超出部分按张计费。输入音频免费。

规格参数

RPM（请求 / 分钟）30

分辨率768P

时长4~15s

参考图张数9

API 参考

方法	路径	用途
POST	`https://api.tokenfab.cn/v1/files/upload`	上传素材（图片、视频、音频）
POST	`https://api.tokenfab.cn/minimax/v2/video_generation`	创建视频生成任务
GET	`https://api.tokenfab.cn/minimax/v2/query/video_generation/{task_id}`	查询任务状态与结果

请求示例

文生视频

# 1. Create the task and get a task_id
curl https://api.tokenfab.cn/minimax/v2/video_generation \
  -H "Authorization: Bearer $TOKENFAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [
      {"type": "text", "text": "A puppy flies through the sky as white clouds drift past, tracking shot, cinematic look"}
    ],
    "resolution": "768P",
    "duration": 5,
    "ratio": "16:9"
  }'

# 2. Poll the task (every 5 s is recommended) until status is succeeded or failed
curl https://api.tokenfab.cn/minimax/v2/query/video_generation/5708273498515694596 \
  -H "Authorization: Bearer $TOKENFAB_API_KEY"

import os
import time
import requests

BASE_URL = "https://api.tokenfab.cn"
headers = {"Authorization": f"Bearer {os.environ['TOKENFAB_API_KEY']}"}

resp = requests.post(
    f"{BASE_URL}/minimax/v2/video_generation",
    headers=headers,
    json={
        "model": "MiniMax-H3",
        "content": [{"type": "text", "text": "A puppy flies through the sky as white clouds drift past, tracking shot, cinematic look"}],
        "resolution": "768P",
        "duration": 5,
        "ratio": "16:9",
    },
)
resp.raise_for_status()
task_id = resp.json()["task_id"]

while True:
    task = requests.get(f"{BASE_URL}/minimax/v2/query/video_generation/{task_id}", headers=headers).json()["task"]
    if task["status"] in ("succeeded", "failed"):
        break
    time.sleep(5)

if task["status"] == "succeeded":
    with open(f"{task_id}.mp4", "wb") as f:
        f.write(requests.get(task["content"]["url"]).content)
else:
    print(task["error"])

图生视频

# 1. Upload the first-frame image to get a file_id
curl https://api.tokenfab.cn/v1/files/upload \
  -H "Authorization: Bearer $TOKENFAB_API_KEY" \
  -F purpose=video_generation_input \
  -F file=@first.png

# 2. Reference the first frame with mm_file://<file_id>
curl https://api.tokenfab.cn/minimax/v2/video_generation \
  -H "Authorization: Bearer $TOKENFAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [
      {"type": "text", "text": "The person in the frame slowly turns to look at the camera as a breeze lifts their hair"},
      {"type": "image_url", "image_url": {"url": "mm_file://371903373357265086"}, "role": "first_frame"}
    ],
    "resolution": "768P",
    "duration": 5
  }'

首尾帧生视频

curl https://api.tokenfab.cn/minimax/v2/video_generation \
  -H "Authorization: Bearer $TOKENFAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [
      {"type": "text", "text": "The subject transitions naturally from the first frame to the last, with smooth, continuous camera movement"},
      {"type": "image_url", "image_url": {"url": "mm_file://<first_frame_file_id>"}, "role": "first_frame"},
      {"type": "image_url", "image_url": {"url": "mm_file://<last_frame_file_id>"}, "role": "last_frame"}
    ],
    "resolution": "768P",
    "duration": 5
  }'

参考图生视频

curl https://api.tokenfab.cn/minimax/v2/video_generation \
  -H "Authorization: Bearer $TOKENFAB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-H3",
    "content": [
      {"type": "text", "text": "The person in image 1 dances hip-hop following the moves in video 1, with background music referencing audio 1"},
      {"type": "image_url", "image_url": {"url": "mm_file://<image_file_id>"}, "role": "reference_image"},
      {"type": "video_url", "video_url": {"url": "mm_file://<video_file_id>"}, "role": "reference_video"},
      {"type": "audio_url", "audio_url": {"url": "mm_file://<audio_file_id>"}, "role": "reference_audio"}
    ],
    "resolution": "768P",
    "duration": 5,
    "ratio": "16:9"
  }'

响应示例

{
  "task": {
    "id": "5708273498515694596",
    "model": "MiniMax-H3",
    "status": "succeeded",
    "created_at": 1792736400,
    "updated_at": 1792736475,
    "content": { "url": "https://.../video-media/out/...(signed query omitted)" },
    "resolution": "768P",
    "duration": 5,
    "ratio": "16:9",
    "usage": {
      "total_seconds": 5, "input_seconds": 0, "output_seconds": 5,
      "input_image_count": 0,
      "total_tokens": 0, "prompt_tokens": 0, "completion_tokens": 0
    },
    "task_type": "generation"
  }
}

请求参数

参数	类型	必填	说明
`model`	string	✓	固定为"MiniMax-H3"。
`content`	array	✓	内容列表，最多 32 个元素。必须有且只有一个 text 元素（不超过 7000 字符），其余为素材元素（image_url / video_url / audio_url）。素材地址用 mm_file://<file_id>（推荐，先调用 /v1/files/upload 上传）或公网可访问的 https:// 地址，不支持 http:// 和 data: URI。请求体不超过 1 MB，素材请上传后引用，不要内嵌在请求体中。
`content[].role`	string	—	素材角色。image_url 取 first_frame / last_frame / reference_image；video_url 只能是 reference_video、audio_url 只能是 reference_audio，均可省略。同时提供多个素材时每张图都要写 role；首尾帧与 reference_* 素材不能混用；首帧、尾帧各最多 1 张，参考图 ≤ 9、参考视频 ≤ 3、参考音频 ≤ 3，素材总数 ≤ 15。
`resolution`	string	✓	输出分辨率，固定为"768P"。
`duration`	integer	✓	视频时长（秒），4–15 的整数；示例使用 5。
`ratio`	string	—	画面比例：21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16 / adaptive。文生视频必填且不能为 adaptive；有首帧/尾帧时可省略，产物跟随首帧比例。
`callback_url`	string	—	暂不支持，只能省略或传空字符串；请轮询查询接口获取结果。
`aigc_watermark`	bool	—	暂不支持，只能省略或传 false。