MiniMax H3 テキストから動画

あなたが書いたのは

女性が通りを歩いている。

モデルが埋めた残り

• 時間帯は？
• 服装は？
• カメラの動きは？
• 天気は？
• 音は？
• レンズは？

MiniMax H3 · 16:9 · 768P · 8 秒

MiniMax H3 のテキストから動画は、もっと書ける余白——7,000 文字まで——を用意し、4 秒から 15 秒までの任意の整数秒を、24 fps・768P か 2K で、セリフ・効果音・音楽をすでに画と同じファイルに入れて返します。元画像も、絵コンテも、編集ソフトも要りません。

書ける文字数

7,000

書ける文字数

任意の整数秒

4〜15 秒

任意の整数秒

フレームレート

24 fps

フレームレート

解像度

768P / 2K

解像度

画・セリフ・効果音・音楽

MP4 1 本

画・セリフ・効果音・音楽

• 元画像なし
• 絵コンテなし
• 編集ソフトなし

• レベル 1

  6 語

  

  A woman walks down a street.

  流れる

  被写体がコマ間で流れます。カメラは自分で動きを決めます。

  これを回す

• レベル 2

  30 語

  30 語

  A woman in a red coat walks down a wet Tokyo alley at night, neon reflected in puddles, slow push-in with small amplitude, rain on metal and distant traffic.

  使える

  カメラは頼んだとおりに動き、雨もちゃんとそこにあります。

  これを回す
• このモデルが訓練された構造

  レベル 3

  公式の項目

  公式の項目

  integrated_multimodal_description

  [Shot 1] Red coat, wet Tokyo alley, slow push-in.

  overall_soundscape

  金属を打つ雨、遠くの車、足音。

  non_diegetic_music

  低いシンセパッド、ゆっくりした脈動、セリフの下に。

  納品できる

  そう書いたから、セリフが音楽の手前に立ちます。

  ビルダーで開く

仕上げ済みの例は プロンプト実例 にもっとあります。どれも構造化プロンプトの全文つきです。

ここは当てずっぽうでやる必要がありません。H3 は 3 項目の構造に対して訓練されていて、その形で書きさえすれば、モデルが勝手に空欄を埋めるのをやめます。

自分では一切書きたくないですか。プロンプト生成 が 1 文から 3 項目すべてを埋めますし、詳しい解説 は API についても書いています。

書き直すより作り替えたい映像がすでに手元にありますか。それは 動画から動画 です。

(S1) / (S2) · 768P · 8 秒

安定対応は 11 言語

11

• アラビア語
• 中国語
• 英語
• フランス語
• ドイツ語
• イタリア語
• 日本語
• 韓国語
• ポルトガル語
• ロシア語
• スペイン語

見落とされるルール

プロンプトの記述部分は英語のままにして、喋るセリフはそれぞれの言語で書いてください。

• (S2) replies firmly, [Japanese] 分かった。正
• (S2) replies firmly, [Japanese] Understood.誤

日本語のセリフを英語で書いてしまうのが、言い方が思ったとおりに返ってこない最大の原因です。

複数の映像にわたって同じ顔や同じ声が要りますか。参照素材から動画 を使ってください。

768P2K

Source: 公式 · MiniMax API reference

つまずきやすい 3 点

• 01

  比率を空欄にすると呼び出しが失敗します。

  • 21:9
  • 16:9
  • 4:3
  • 1:1
  • 3:4
  • 9:16
  • adaptive

  画像から動画 が adaptive のままでいいのは、画面の形を推測する元になる写真があるからです。

• 02

  7 秒と頼んで 6.9 秒が返ることがあります。

  24 fps で 17n + 5 フレーム

  指定

  7.0 秒

  返り値

  6.9 秒

  尺はいちばん近い有効なブロックに吸着します。不具合ではなく、モデルの仕様です。

• 03

  シードなし。ネガティブプロンプトなし。

  ここは 7,000 文字

  Veo 3.1 は 1,024 トークン

  バーの長さ＝プロンプトの予算

  制御は、望むものをより正確に書くことから来ます。Veo 3.1 は 1,024 トークンです。

料金 · どの有料プランでも 2K · ネイティブ音声

1. 1

   ショットと音を書く

   1 つの項目が両方を受け取ります。カメラに何が見えるかを書き、次に何が聞こえるか——セリフ、効果音、劇伴——を書きます。

   7,000 文字まで
2. 2

   比率・尺・解像度を決める

   縦横比 6 種類、4 秒から 15 秒までの任意の整数秒、768P か 2K。

   24 fps、4〜15 秒
3. 3

   生成する

   画と 32 kHz ステレオのトラックは同じパスで作られます。あとから貼り合わせるのではありません。

   1 パス
4. 4

   MP4 をダウンロードする

   1 本のファイル、音はすでに中に入っています。失敗したタスクは、無料枠を含むどのプランでもクレジットを消費しません。

   どのプランでも透かしは入りません

無料枠は Agnes Video V2.0 で 16:9・無音です。MiniMax H3 そのものと、2K・ネイティブ音声は有料プランからです。