Table of Content
Turn any text, image, or video into anime, realistic, or artistic videos. Over 30 unique styles available.
Reference-to-Video mit MiniMax H3 funktioniert am besten, wenn jede Quelle eine klar benannte Rolle hat. Verwende ein Bild für Aussehen oder Komposition, ein Video für Bewegung oder Kamera und eine Audiodatei als Klangreferenz. Gib anschließend an, was H3 beibehalten, übertragen, ändern oder nur grob als Referenz nutzen soll.
Ein Asset kann mehrere Motive oder Merkmale liefern. Die Regel „eine Hauptrolle pro Quelle“ weist jeder Quelle eine zentrale Verantwortung zu. Sie ist eine Planungsmethode und keine technische Begrenzung auf ein einziges Asset.
Reference-to-Video oder Ref2VA kombiniert Text mit Referenzbildern, -videos oder -audiodateien, um einen neuen audiovisuellen Clip zu steuern. Die Quellen können Identität, Aussehen, Stil, Bewegung, Kamera, Timing, Stimme, Soundeffekte oder Musik vorgeben.
H3 behandelt nicht jede Datei als Frame. Ein Bild kann das Erscheinungsbild bestimmen, Video kann die Kamera steuern und Audio kann die Klangfarbe bestimmen.
Der offizielle MiniMax-Leitfaden für Full-Reference-Prompts formalisiert diese Beziehungen mit Labels, Markierungen zur Beibehaltung und einem Planungsformat aus sechs Abschnitten.
Dieses Format beschreibt die beabsichtigten Beziehungen, garantiert aber weder exakte Identität und physikalisches Verhalten noch Lippensynchronität, Timing, Text oder eine pixelgenaue Wiedergabe.
Wähle FL2VA, wenn ein bereitgestelltes Bild als Startframe, Endframe oder beides dienen muss. Wähle Ref2VA, wenn Quellen Merkmale oder Verhalten steuern sollen, ohne feste Endpunkte zu bilden.
| Anforderung | Empfohlener H3-Modus | Warum |
|---|---|---|
| Mit einem Startbild beginnen | FL2VA-Checkpoint im I2VA-Modus des ersten Frames | Das bereitgestellte Bild fixiert den Ausgangszustand |
| Ein vorgegebenes Endbild erreichen | FL2VA-Checkpoint im L2VA-Modus | Der Prompt beschreibt den Weg zum Endzustand |
| Start- und Endbild fest vorgeben | FL2VA-Checkpoint im First-and-Last-Frame-Modus | Beide Endpunkte sind explizit |
| Nutze Identität, Stil, Bewegung, Kamera oder Ton aus mehreren Quellen | Ref2VA | Jede Quelle kann eine andere Referenzrolle erhalten |
| API-Rollen für Start-/Endframes und Referenzrollen in einer Anfrage kombinieren | Wird in einer einzelnen API-Anfrage nicht unterstützt | Die offizielle API behandelt diese Rollenfamilien als sich gegenseitig ausschließend |
Die Dokumentation zur Video Generation V2 API trennt Rollen für Start-/Endframes von Rollen für Referenzmedien. Eine API-Anfrage kann diese Rollenfamilien nicht kombinieren.
Jede Referenz fügt eine weitere Beziehung hinzu, die H3 interpretieren muss.
Verwende vor dem Hochladen diesen Fünf-Check-Filter:
Ein sauberer Packshot steuert die Geometrie meist besser als eine überladene Collage. Ein stabiler Bewegungsclip vermittelt die Absicht der Kamera besser als eine schnelle Montage.
Plane die Aufnahme, bevor du Referenzen sammelst. Dieser KI-Storyboard-Leitfaden hilft dir, Entscheidungen zu Komposition, Handlung und Kamera vor der Animation zu trennen.
Im aktuellen H3-Repository und in der Modelldokumentation von MiniMax sind diese lokalen Ref2VA-Grenzwerte aufgeführt:
Die gehostete API erfordert in jeder Anfrage einen nicht leeren Textprompt. Das aktuelle Limit für den Anfrage-Body beträgt 64 MB.
API-Referenzbilder können JPG, JPEG, PNG, WEBP, HEIC oder HEIF verwenden. Für Referenzvideos werden MP4 oder MOV akzeptiert, für Referenzaudio WAV oder MP3.
Die API-Upload-Anforderungen können sich ändern. Prüfe daher die aktuelle Video Generation V2 API-Referenz, bevor du eine Anfrage sendest.
MiniMax listet ComfyUI als eine lokale Inference-Option auf. Lokale Eingaberegeln und gehostete API-Anfrageregeln können unterschiedlich sein.
Erstelle ein Referenzrollenblatt, bevor du den Prompt schreibst. Weise jeder Datei eine Hauptrolle und bei Bedarf eine Nebenrolle zu.
| Quelle oder Label | Geeignete Hauptrollen | Was dadurch nicht garantiert ist |
|---|---|---|
<Subject N> | Wiederverwendbare Personen, Objekte, Umgebungen, Aktionen, Posen, Effekte oder Stile, abstrahiert aus Quellen | Perfekte Identitätsbindung oder Gleichwertigkeit mit einer separat hochgeladenen Datei |
<Picture N> | Konkreter Frame, Komposition, Storyboard-Referenz, räumliche Anordnung oder Lichtreferenz | Vollständige Bewegung, zeitliche Struktur oder perfekte Beibehaltung der Geometrie |
<Video N> | Quellbearbeitung, Fortsetzung, Bewegungsmuster, Kamerapfad, Schnitte, Rhythmus oder zeitliche Struktur | Garantierter Austausch, exakte Physik oder pixelgenaues Kopieren |
<Audio N> | Stimmklangfarbe, Takt, Dialogsignal, Soundeffekt, Musikmerkmale, Kontinuität oder direkte Audio-Wiederverwendung | Garantierte Lippensynchronität oder lokale Ref2VA-Eingabe nur mit Audio |
Hier ist das Arbeitsblattformat:
| Asset-ID | Typ | Rechte geklärt? | Hauptrolle | Nebenrolle | Behalten, übertragen oder ändern | Aufnahmebereich | Konflikt- oder Abnahmekriterium |
|---|---|---|---|---|---|---|---|
| Picture 1 | Bild | Ja | Aussehen und Etikett der Flasche | Materialfarbe | Behalte die Geometrie und die mattschwarze Kappe bei | Alle Aufnahmen | Das Etikett bleibt nach vorne gerichtet |
| Picture 2 | Bild | Ja | Gewächshausumgebung | Farbpalette der Morgendämmerung | Nur die Umgebung übertragen, nicht deren Requisiten | Alle Aufnahmen | Es erscheint kein zweites Produkt |
| Video 1 | Video | Ja | Kreisförmige Kamerafahrt im Uhrzeigersinn | Langsames Tempo | Nur Kamerapfad übertragen | Aufnahme 1 | Die Flasche übernimmt nicht die Form aus der Quelle |
| Audio 1 | Audio | Ja | Klangfarbe eines Glasglockenspiels | Timing des abschließenden Akzents | Referenztextur, Signal nicht kopieren | Aufnahme 2 | Ein klarer Glockenton nach dem Klicken des Verschlusses |
Abnahmekriterien machen jede Rolle einzeln überprüfbar.
Bei Produktprojekten ergänzt der Leitfaden zur Konsistenz in Produktvideos Prüfungen für Geometrie und Etiketten.
Diese Anweisung legt keine Priorität fest:
Use the silver cap from Picture 1 and the black cap from Picture 2. Keep both exact.
Diese Version weist die Verantwortung zu:
Picture 1 controls the bottle geometry, amber glass, matte-black cap, and label. Picture 2 controls only the greenhouse environment and dawn lighting; ignore the container shown in Picture 2.
Wenn die Referenzbewegung wichtiger ist als die dargestellte Person, benenne diese Grenze ausdrücklich: Video 1 steuert nur Bewegung und Kamera; Person und Umgebung aus der Quelle werden ignoriert.
Verwende in allen sechs Abschnitten dieselben Labelnummern.
<Subject N> bezeichnet wiederverwendbare oder bearbeitbare sichtbare Inhalte, wie z. B. eine Person, ein Produkt, eine Umgebung, eine Aktion, eine Pose, eine Benutzeroberfläche oder einen Stil.
<Subject 1> is the square amber-glass perfume bottle whose geometry, matte-black cap, and cream "NORTHLINE" label come from <Picture 1>.
Verwende <Picture N> eigenständig, wenn das Bild als konkreter Frame oder Kompositionsanker dient.
<Picture 3> is the first-frame composition anchor for [Shot 1], defining the bottle position, plinth angle, and empty space on the right.
Wenn ein Bild nur ein Subject definiert, führe es innerhalb der Subject-Definition an.
Verwende <Video N> für die Bearbeitung der Quelle, Fortsetzung, Kamera, Schnitte, Rhythmus oder zeitliche Struktur. Extrahierte Personen und Objekte benötigen weiterhin Subject-Labels.
Verwende <Audio N> zur direkten Wiederverwendung oder Bezugnahme auf Stimme, Timing, Beat, Effekte oder Musikmerkmale. Audio- und Videonummern bleiben unabhängig.
Das vollständige Referenzhandbuch von MiniMax verwendet sechs Abschnitte in dieser Reihenfolge:
subject_definitionssummaryretention_analysisdetailed_descriptionoverall_soundscapenon_diegetic_musicDie gehostete API erfordert Text, aber nicht jeder Nutzer muss den vollständigen Plan von Hand verfassen. H3-Context-IR kann multimodale Eingaben in freier Form verarbeiten. Verwende die sechs Abschnitte als präzise Planungssprache und nicht als obligatorisches Roh-API-Schema.
Das folgende Originalbeispiel wendet das dokumentierte Format von MiniMax auf eine fiktive Produktaufnahme an.
Beispiel für eine Ausführungskarte: Ref2VA · 8 Sekunden · 16:9 · drei Bilder · ein Video · eine Audioreferenz.
subject_definitions:
<Subject 1> is the square amber-glass perfume bottle whose geometry, matte-black cap, and cream "NORTHLINE" label come from <Picture 1>.
<Subject 2> is the greenhouse environment from <Picture 2>, with wet black-basalt surfaces, tall fern leaves, glass roof panels, and cold blue dawn light.
<Picture 3> is the first-frame composition anchor for [Shot 1], defining the bottle position, plinth angle, and empty space on the right.
<Video 1> provides the slow clockwise camera arc and measured pacing for [Shot 1], without providing product appearance.
<Audio 1> is the sound-texture reference for one clear glass chime heard after the cap click in [Shot 2].
summary:
[keyframe completion + reference generation + audio reference] The target video presents <Subject 1> inside <Subject 2>. It begins from the composition in <Picture 3>, follows the camera path from <Video 1>, and uses <Audio 1> only as a sound-texture reference for the final chime.
retention_analysis:
<Subject 1> (appears in [Shot 1], [Shot 2]): fully_preserved - the square amber-glass body, matte-black cap, cream "NORTHLINE" label, and front-facing product identity are retained.
<Subject 2> (appears in [Shot 1], [Shot 2]): fully_preserved - the wet basalt, fern leaves, glass roof, and cold blue dawn lighting are retained.
<Picture 3> ([Shot 1] first frame): fully_preserved - the opening bottle position, plinth angle, and right-side negative space are retained.
<Video 1> (camera path and pacing): partially_preserved - its slow clockwise arc and measured speed guide [Shot 1], while its source subjects and setting are excluded.
<Audio 1>: reference - its clean glass-chime texture guides one newly generated accent without copying the original signal.
detailed_description:
The target video uses a live-action cinematic product-film style with restrained movement and cool dawn lighting.
[Shot 1] The shot begins from <Picture 3>. <Subject 1>, the square amber-glass perfume bottle with a matte-black cap and cream "NORTHLINE" label, stands on the wet basalt plinth inside <Subject 2>. The camera follows the slow clockwise arc and measured pacing referenced from <Video 1>. Cold blue light enters from the right through the greenhouse roof. Water beads slide down the amber glass. Fern leaves move slightly behind the product. The bottle stays fixed, front-facing, and unchanged while the camera completes the arc. No second bottle, subtitle, or watermark appears.
[Shot 2] At 00:05.000, the camera cuts to a static close-up of <Subject 1>. A clean hand enters from the upper right, presses the matte-black cap down once, and releases it. The cap makes a dry click. A single newly generated glass chime follows, using the clear texture referenced from <Audio 1> without copying its signal. A narrow amber reflection crosses the cream "NORTHLINE" label from left to right. The hand exits. The bottle remains centered and readable through the final frame.
overall_soundscape:
Light rain taps on the glass roof throughout the video. Fern leaves brush softly in the background, while water drops strike the basalt and the cap produces one dry mechanical click.
non_diegetic_music:
N/A
Der Plan gibt an, was jede Quelle kontrolliert und ausschließt.
Weise die Rollen nach Aufnahme zu, da eine Referenz möglicherweise nur für einen Teil des Clips von Bedeutung ist.
Verwende für jede Aufnahme diese Reihenfolge:
Die erste Aufnahme hat keinen Zeitstempel. Spätere Aufnahmen verwenden [Shot N] At MM:SS.mmm, ... mit aufsteigenden Schnittzeiten. Wenn zwei Videos die Bewegung steuern, weise dem einen die Körperbewegung und dem anderen die Kamera zu.
Wähle den Audiomarker aus, der der beabsichtigten Signalbeziehung entspricht.
| Markierung | Klartextbedeutung |
|---|---|
fully_copy | Verwende das gesamte Quellaudio als vollständige endgültige Audiospur wieder |
partially_copy | Kopiere einen Teil der Zeitleiste oder ausgewählte Ebenen mit Änderungen an anderer Stelle |
reference | Erzeuge neues Audio, das sich an Klangfarbe, Rhythmus, Stil, Wörtern, Takt oder Klangtextur orientiert |
weak_reference | Behalte nur eine breite Kategorie oder atmosphärische Ähnlichkeit bei |
Wenn Audio eine Zielstimme steuert, verknüpfe es mit derselben stabilen Sprecher-ID (Sx), die in detailed_description verwendet wird. Wird nur die Klangfarbe übertragen, kopiere den Quelldialog nicht in die Ausgabe.
Beachte die lokale Einschränkung: Audio kann nicht die einzige Medienreferenz für H3-Base-Ref2VA sein. Füge ein Bild oder Video hinzu.
Bewerte jede vorgesehene Rolle als beibehalten, teilweise beibehalten, fehlend oder konfliktbehaftet.
| Prüfkriterium | Frage |
|---|---|
| Identität | Bleibt die beabsichtigte Person oder das beabsichtigte Objekt bei allen Aufnahmen erkennbar? |
| Aussehen | Sind die genannten Farben, Kleidungsstücke, Materialien, Etiketten oder Stile vorhanden? |
| Geometrie | Hat das Produkt seine prägende Form und Teilebeziehungen beibehalten? |
| Bewegung | Folgt die angeforderte Aktion dem beabsichtigten Weg und Tempo? |
| Kamera | Hat die Kamera die angeforderte Richtung verwendet, ohne unerwünschte Quellinhalte zu übernehmen? |
| Timing | Hat jede Referenz im vorgesehenen Aufnahmebereich begonnen und geendet? |
| Ton | Wurde Audio wie geplant kopiert, referenziert oder neu generiert? |
| Konflikte | Konkurrierten zwei Referenzen um dasselbe Attribut? |
Überarbeite jeweils nur eine Beziehung. Wenn nur die Kamera nicht wie vorgesehen reagiert, stelle klar, dass Video 1 ausschließlich die Kamera steuert, und schließe das Produkt aus der Quelle aus.
Prüfe die offiziellen Eingaben und deinen Rollenplan, bevor du dem Modellverhalten die Schuld gibst.
Cache, Quantisierung, Schrittanzahl, Knoten und VRAM können sich auf ein bestimmtes lokales Setup auswirken. Ihre Auswirkungen hängen von der Konfiguration ab.
Lokales H3-Base erzeugt 768p-Video mit nativem Stereo-Audio. Die öffentliche Version umfasst separate FL2VA- und Ref2VA-Checkpoints.
Das Komplettsystem umfasst außerdem gehostetes H3-Context-IR und H3-Regenerate-2K. Regenerate-2K verwendet das 768p-Ergebnis plus den ursprünglichen Kontext, um bis zu 2K neu zu generieren.
Regenerate-2K ist kein herkömmlicher Upscaler und auch nicht im aktuellen Open-Weights-Release enthalten. Das Herunterladen von Ref2VA allein bietet daher nicht den vollständigen lokalen 2K-Workflow.
FL2VA verankert einen ersten Frame, einen letzten Frame oder beides. Ref2VA weist Referenzbildern, -videos und -audiodateien Rollen für Identität, Stil, Bewegung, Kamera, Timing oder Ton zu.
Die lokale Modellkarte nennt bis zu 9 Bilder, 3 Videos und 3 Audioclips mit nicht mehr als 12 gemischten Dateien auf. Die Gesamtdauer von Video und Audio darf jeweils 15 Sekunden nicht überschreiten.
Nicht im dokumentierten lokalen Ref2VA-Workflow. Referenzton muss einem Bild oder Video beiliegen. Für die gehostete API gelten eigene Anforderungsregeln.
Nein. Die API erfordert Text, du musst aber nicht alle sechs Abschnitte manuell übermitteln. Die Struktur ist eine präzise Planungsmethode.
Video kann ein Bewegungsmuster, einen Kamerapfad, einen Rhythmus oder eine zeitliche Struktur vorgeben. Es sollte als Orientierungshilfe und nicht als garantierte Reproduktion betrachtet werden.
H3-Base generiert lokal 768p. Der offizielle 2K-Pfad hängt von der gehosteten Regenerate-2K-Stufe ab, die nicht im aktuellen Open-Weights-Release enthalten ist.
Erstelle vor deiner nächsten Ref2VA-Anfrage das Referenzrollenblatt. Weise jeder Quelle eine Hauptrolle zu und prüfe das erste Ergebnis anhand dieser Rolle.
MiniMax H3 wird bald in DomoAI verfügbar sein. Wir informieren dich, sobald es dort bereitsteht.
Recent articles
.avif)
