MiniMax H3 图片生视频

第 001 帧 · 你的

002003004005

按你描述的内容生成

从这一帧开始，MiniMax H3 图片生视频照你写的方式移动镜头和主体，时长 4 到 15 秒任意整秒，24 帧，768P 或 2K。JPG、PNG、WEBP、HEIC 都收，手机里直接拿出来的照片就能用。

你的照片就是第一帧

001

你的照片就是第一帧

任意整秒

4–15 秒

任意整秒

帧率

24 fps

帧率

分辨率

768P / 2K

分辨率

• 不做风格迁移
• 没有强度滑块
• 不用把照片再描述一遍

• 从这里开始

  I2VA
  

  一张照片当首帧，视频从它开场往前走。想让产品在展台上转起来、让人像开口说话、让风景动起来，用这个。

  该怎么写

  写「接下来发生什么」，别写「画面里有什么」，模型自己看得见那张图。把照片内容重列一遍，等于把唯一那次下指令的机会浪费了。

  试这条
• 少见

  在这里结束

  L2VA
  

  一张照片当尾帧。把结局交给它，H3 会自己推一个说得通的开头，最后一帧正好收在你这张图上。做「揭晓」就靠这个：盖子掀开，稳稳落在你手上那张产品图。

  该怎么写

  倒着写：要让这张图当最后一帧，前面各样东西得是什么状态，然后让动作收进去。

  试这条

• 开始 → 结束

  FL2VA
  

  两张照片，一头一尾，中间那段路 H3 帮你补。前后对比、变形、换场都行。两张图在主体、构图和光线上越接近，中间就越干净。

  该怎么写

  两张差太远的话，把中间发生了什么写清楚，否则 H3 会自己编一个你没要的过渡。

  试这条

更多跑通过的配置在 提示词灵感（英文），每一条都带着完整的结构化提示词。提示词工具（英文） 还能从一句话把三个官方字段都写出来。

同一张输入图 · 两条提示词

输入图

大衣的织法变了，发际线也挪了。提示词里没有一句说它们不该变。

跑这一条

同样的运镜、同样的时长、同样的条件。唯一的变量就是那一句。

跑这一条

两次之间唯一的差别

The subject — red wool coat, dark fringe, silver ring on the left hand — keeps the same face, hair, clothing and colours throughout; only the camera and the described motion change.

外观锁定

把不许变的东西打进来。下面那句就是会接到你提示词后面的内容。

会接在你提示词的末尾

The subject keeps the same face, hair, clothing and colours throughout; only the camera and the described motion change.

加进提示词

如果你要的是同一个人出现在好几条独立的片子里，而不是在同一条里保持不变，那首帧就用错工具了。那是身份问题，不是构图问题，参考生视频（英文） 才是干这个的。

iPhone 照片直接传。HEIC 和 HEIF 直接进，这一点值得单说，因为多数工具都会不声不响地要你先转格式。

丢个文件进来，尺寸、比例、大小会先对着上面这些限制查一遍，然后才轮到花钱。不合格的上传应该只花你一秒，不该花掉一次生成。超过 30 MB，降画质导出，别缩像素。比例超范围，裁掉而不是加黑边，黑边会变成画面的一部分，也跟着动。要自己发请求的话，完整教程（英文） 讲了 API 的 first_frame 与 last_frame 字段。

价格 · 每个付费档都出 2K · 音画同生

1. 1

   上传你的静图

   一张就够。它会变成输出里真实的一帧，不是一个风格提示。

   JPG 或 PNG
2. 2

   选首帧、尾帧，或者两者

   首帧从这张照片往前走。尾帧是走到它。两者都给，模型就把两头接起来。

   三种模式
3. 3

   写清楚什么在动、听起来什么样

   提示词描述的是你定死的那些帧之间的运动，外加对白和音效。

   声音写在同一个字段里
4. 4

   设长度和分辨率，然后生成

   4 到 15 秒整秒，24 帧，768P 或 2K，作为一个 MP4 返回，音频在里面。

   最高 2K

上传的照片本身永远不会被改动，输出的是一个新文件。