# MiniMax H3 Lite API · KovAPI
> MiniMax H3 Lite es el mismo modelo MiniMax H3 ejecutado con menos pasos de inferencia: más rápido y barato, con una calidad algo menor, pensado para borradores en lote y pruebas de prompts. En KovAPI se llama `minimax-h3-lite`: 480P o 768P, cualquier duración de 4 a 15 segundos, y se factura por segundo; para un primer fotograma, un vídeo de referencia o 1080P, cambia a Standard.
Página web: https://kovapi.com/es/model/minimax-h3-lite · Actualizado: 2026-11-12
Precios, límites y tiempos son valores en vivo del momento en que se generó este archivo.
## Ficha técnica
- ID del modelo: `minimax-h3` · `minimax-h3-lite`
- Endpoint: `POST https://kovapi.com/v1/videos/generations` → `GET https://kovapi.com/v1/videos/jobs/{id}`
- Duración: 4–15 s, segundos enteros
- Resolución: 480P / 768P; 768P si no se indica; 720P se trata como 768P
- Relación de aspecto: 16:9 / 9:16 / 1:1 / 4:3 / 3:4 / 3:2 / 2:3 / 21:9
- Referencias: hasta 5 imágenes de referencia (solo como referencias, nunca como primer fotograma); sin vídeo ni audio de referencia
- Audio: cada clip lleva una pista estéreo de audio nativo (diálogo, efectos, música); no se puede desactivar
- Prompt: ≤ 5.000 caracteres
- Por segundo: 480P $0.015/s · 768P $0.025/s · 1080P $0.036/s
- Por segundo (Lite): 480P $0.005/s · 768P $0.0125/s
- Resultados guardados: 7 días
## Imagen y sonido de una sola pasada, con control del inicio, el final, el reparto y el movimiento
- **Planos, frases y sonido siguen la línea de tiempo del prompt**: Si escribes plano a plano con el formato oficial, los momentos de corte, el diálogo, el ambiente y la música siguen el prompt. El clip de la panadería corta al cuchillo del pan a los 5 segundos, el panadero dice su frase palabra por palabra y la guitarra acústica es la que pedía el prompt.
- **Fija el inicio, o el inicio y el final**: Con una imagen como primer fotograma, el clip empieza en ella; con dos imágenes como primer y último fotograma, el modelo completa el movimiento intermedio. El clip del paraguas empieza en la primera imagen, con el paraguas cerrado, y termina en la segunda, con el paraguas abierto.
- **Personas y productos de tus imágenes, combinados como lo escribas**: El modo de referencia admite hasta 9 imágenes. El anuncio de gafas usa tres: las modelos, sus caras y las gafas; escrito con la estructura de la guía de referencia, las modelos se ponen las gafas, desfilan por la pasarela y el clip corta a un primer plano.
- **Toma el movimiento y la cámara de un vídeo de referencia**: A la izquierda, el vídeo de referencia; a la derecha, el resultado: un zorro de dibujos animados baila los mismos pasos que la persona. Un vídeo de referencia también puede aportar solo el movimiento de cámara, mientras la imagen de referencia y el prompt deciden qué sale en el plano. Los segundos de referencia también se facturan.
- **Borrador en 480P, entrega en 1080P**: 480P / 768P / 1080P, ocho proporciones y cualquier duración de 4 a 15 s. Revisa el encuadre y el movimiento en 480P o en [Lite](https://kovapi.com/es/model/minimax-h3-lite) y luego genera el clip final en 1080P; cambiar de resolución genera un clip nuevo, no el mismo, y la comparación con el mismo prompt de abajo muestra la diferencia.
## Modos y campos de la API
Los dos modos comparten `model` (`minimax-h3-lite`), `prompt`, `duration`, `resolution` y `size`. Las imágenes son siempre referencias, así que no hace falta `image_role`.
| Modo | Qué enviar | Qué obtienes | Límites |
| --- | --- | --- | --- |
| Texto a vídeo | Solo `prompt` y los ajustes de generación. | Imagen y sonido a partir del texto; escribe en el prompt el diálogo, los efectos y la música. | Cualquier número entero de segundos de 4 a 15; 768P si no indicas `resolution`. |
| Imágenes de referencia | De 1 a 5 imágenes en `images`. | Las personas, productos o lugares que aparecen en ellas salen en un plano nuevo, nunca como primer fotograma. | Hasta 5; `image_role: first_frame` se rechaza. |
## Precios de MiniMax H3
| Resolución | Estándar | Lite | Precio de lista de MiniMax |
| --- | --- | --- | --- |
| 480P | $0.015/s | $0.005/s | - |
| 768P | $0.025/s | $0.0125/s | $0.08 |
| 1080P | $0.036/s | - | - |
- Un clip cuesta la tarifa de su resolución × (segundos de salida + segundos de vídeo de referencia); las imágenes y el audio de referencia son gratis. Arrastra "Vídeo de referencia" en la calculadora para ver el precio de una petición que lleve uno.
- La lista de precios de la propia MiniMax solo incluye H3 en 768P y 2K, así que 768P es la única resolución con un precio oficial junto al nuestro.
- El importe se reserva al enviar y se liquida tal cual si sale bien; los trabajos fallidos se reembolsan por completo. Para borradores en lote más baratos, mira [MiniMax H3 Lite](https://kovapi.com/es/model/minimax-h3-lite).
## Un prompt, cinco niveles
Pasa el cursor sobre los clips para reproducirlos a la vez; en el móvil, toca "Reproducir a la vez". Cada clip es un render aparte, así que no son idénticos: compara la nitidez y el detalle.
### Latte art: tres niveles de H3 y dos de Lite
El mismo prompt, 5 segundos en 16:9, generado una vez en H3 a 1080P / 768P / 480P y en Lite a 768P / 480P. Revisa el encuadre y el movimiento en 480P o en Lite, y luego genera el clip final en 1080P.
- 5s · 16:9
- **MiniMax H3 1080P** ($0.18 a precios actuales): https://img.kovapi.com/i/mp-30a37c4381ec04a2ba543aab.mp4 — El más nítido: el dibujo del latte, los reflejos de la jarra y el borde de la taza se ven definidos.
- **MiniMax H3 768P** ($0.125 a precios actuales): https://img.kovapi.com/i/mp-2972abbc7c033fb49b25783d.mp4 — Algo menos de detalle que 1080P, pero sigue limpio.
- **MiniMax H3 480P** ($0.075 a precios actuales): https://img.kovapi.com/i/mp-faf663f1a053b4a823c2ea31.mp4 — El encuadre y el movimiento se ven claros; se ablanda al ampliar. Bueno para borradores.
- **MiniMax H3 Lite 768P** ($0.0625 a precios actuales): https://img.kovapi.com/i/mp-4eda7882119d1b49c37bf0e1.mp4 — Rápido y barato; el dibujo del latte es claramente más pobre.
- **MiniMax H3 Lite 480P** ($0.025 a precios actuales): https://img.kovapi.com/i/mp-10b056d268a7c3beaf4f26e0.mp4 — El más barato; solo para revisar el encuadre y el movimiento.
Prompt original:
```text
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a close shot of a barista's hands pouring steamed milk into a cup of espresso on a wooden counter by a sunny window. The milk forms a heart in the crema while steam curls upward, and the camera pushes in with small amplitude at slow speed toward the cup.
overall_soundscape: Milk streams into the cup, a steam wand hisses softly in the background and cafe chatter murmurs.
non_diegetic_music: N/A
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
integrated_multimodal_description (imagen): [Shot 1] Imagen real, cinematográfico, un plano cercano de las manos de un barista que vierte leche vaporizada en una taza de espresso, sobre una barra de madera junto a una ventana soleada. La leche forma un corazón en la crema mientras el vapor sube en volutas, y la cámara se acerca con poca amplitud y a velocidad lenta hacia la taza.
overall_soundscape (sonido ambiente): La leche cae en la taza, una lanceta de vapor sisea suavemente al fondo y se oye el murmullo de las conversaciones de la cafetería.
non_diegetic_music (música de fondo): N/A (ninguna)
```
## Ejemplos: prompts y parámetros
### Dos planos: la primera hornada de la panadería
- Hecho con KovAPI · Texto a vídeo · 8s · 1080P · 16:9
- $0.288 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-c9751f98f2f98ea8114fa1f3.mp4
El ejemplo de texto a vídeo de la guía básica de MiniMax: dos planos, con un corte a primer plano a los 5 segundos. La frase del panadero, las contraventanas, el cuchillo del pan y la guitarra acústica están en el prompt, y el clip cumple con todo ello. Los carteles del fondo tienen letras sin sentido; las palabras solo salen bien cuando van entre comillas en el prompt. Prompt citado palabra por palabra de la [Guía de redacción de prompts de vídeo](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md) de MiniMax; generado por KovAPI con ese prompt.
Prompt original:
```text
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a medium-wide shot frames a baker opening the shutters of a small street bakery before sunrise. The camera pushes in with small amplitude at slow speed as the middle-aged baker with a calm, slightly raspy voice (S1) places a fresh loaf on the wooden counter and says: [English] First batch of the morning. [Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread while the baker's final words carry over from the previous shot.
overall_soundscape: Wooden shutters scrape open over a quiet street as trays clink softly inside the bakery. The doorbell rings once, followed by light footsteps and the crisp sound of bread being sliced.
non_diegetic_music: A soft acoustic-guitar pattern at a moderate tempo, joined by sparse upright-bass notes and a gentle fade at the end.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
integrated_multimodal_description (imagen y diálogo): [Shot 1] Imagen real, cinematográfico, un plano medio largo encuadra a un panadero que abre las contraventanas de una pequeña panadería de barrio antes del amanecer. La cámara se acerca con poca amplitud y a velocidad lenta mientras el panadero de mediana edad, de voz tranquila y algo ronca (S1), deja una hogaza recién hecha en el mostrador de madera y dice: [English] First batch of the morning. (La primera hornada de la mañana.) [Shot 2] En 00:05.000, la cámara corta a un primer plano del vapor que sale del pan cortado, mientras las últimas palabras del panadero continúan desde el plano anterior.
overall_soundscape (sonido ambiente): Las contraventanas de madera chirrían al abrirse sobre una calle tranquila mientras, dentro de la panadería, las bandejas tintinean suavemente. La campanilla de la puerta suena una vez, seguida de pasos ligeros y del sonido crujiente del pan al cortarse.
non_diegetic_music (música de fondo): Un suave patrón de guitarra acústica a tempo moderado, al que se suman notas sueltas de contrabajo, con un desvanecimiento suave al final.
```
### Salto al hiperespacio desde el puente de mando
- Hecho con KovAPI · Texto a vídeo · 8s · 1080P · 16:9
- $0.288 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-66d0f99896d2e402c3af40c3.mp4
El ejemplo de texto a vídeo del repositorio del modelo de MiniMax: un lento acercamiento a la espalda de la capitana, un corte a su cara a los 4,5 segundos y un destello cegador cuando la flota salta, mientras el retumbar grave y la música crecen a la vez. Prompt citado palabra por palabra del ejemplo del [repositorio del modelo H3](https://huggingface.co/MiniMaxAI/MiniMax-H3) de MiniMax; generado por KovAPI.
Prompt original:
```text
integrated_multimodal_description: [Shot 1] Cinematic, medium wide shot, pushing in slowly. In the cavernous, dimly lit bridge of a starship, sleek metallic consoles with glowing amber displays flank a massive, curved observation window. A female captain, in her late 40s with an athletic build and short silver-streaked black hair, stands in the center midground. She wears a structured, high-collared dark navy military tunic with silver chest insignias. Her back is to the camera, silhouetted against the cool, ambient starlight pouring through the thick glass. She stands perfectly still with her hands clasped tightly behind her back. Outside the window, a massive armada of jagged, dark grey dreadnoughts hovers in tight formation against a deep purple space nebula. The fleet's massive rear thrusters begin to glow with an intense, escalating bright blue light. [Shot 2] At 00:04.500, the camera cuts to a close-up of the captain's face and shakes strongly. The brilliant blue-white light from the fleet's gathering energy reflects vividly in her dark eyes. Suddenly, a blinding white flash floods through the window, completely washing out the background as the fleet jumps to hyperspace. The sheer spatial force violently jolts the bridge, causing the captain from Shot 1 to stagger slightly forward, her shoulders tensing as she visibly braces herself against the physical tremors. As the intense white light fades abruptly, leaving only the dim, empty expanse of the purple nebula reflected on her starkly lit skin, her jaw clenches, and she slowly closes her eyes in the newly emptied space.
overall_soundscape: A low, resonant hum of the ship's ambient life support systems serves as the baseline, soon drowned out by an audible, escalating, high-pitched electronic whine as the fleet outside charges its hyperdrives. A massive, deafening, bass-heavy boom and sharp crackle erupts during the blinding flash, accompanied by the loud metallic creaking, rattling, and deep thuds of the bridge's bulkheads vibrating under immense physical stress. The intense roaring impact then cuts abruptly back to a hollow, echoing room tone, leaving only the faint, steady hum of the isolated bridge.
non_diegetic_music: Cinematic space-opera orchestral score, slow tempo, featuring a solitary, mournful French horn melody over deep, sustained string dissonances that build rapidly in volume and intensity, swelling to a massive orchestral peak before snapping immediately into silence right after the jump.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
integrated_multimodal_description (imagen): [Shot 1] Cinematográfico, plano medio largo, con un lento acercamiento. En el puente de mando de una nave estelar, cavernoso y en penumbra, elegantes consolas metálicas con pantallas ámbar encendidas flanquean un enorme ventanal de observación curvo. Una capitana de cuarenta y muchos años, de complexión atlética y pelo negro corto con mechones plateados, está de pie en el centro, en el término medio del encuadre. Lleva una guerrera militar azul marino oscuro, entallada y de cuello alto, con insignias plateadas en el pecho. Está de espaldas a la cámara, recortada en silueta contra la fría luz de las estrellas que entra por el grueso cristal. Permanece completamente inmóvil, con las manos fuertemente entrelazadas a la espalda. Al otro lado del ventanal, una enorme armada de acorazados gris oscuro y de formas dentadas flota en formación cerrada ante una nebulosa espacial de un púrpura intenso. Los gigantescos propulsores traseros de la flota empiezan a brillar con una luz azul intensa y cada vez más fuerte. [Shot 2] En 00:04.500, la cámara corta a un primer plano de la cara de la capitana y tiembla con fuerza. La brillante luz blanca azulada de la energía que acumula la flota se refleja con viveza en sus ojos oscuros. De pronto, un destello blanco cegador inunda el ventanal y borra por completo el fondo mientras la flota salta al hiperespacio. La pura fuerza espacial sacude con violencia el puente y hace que la capitana del Shot 1 se tambalee un poco hacia delante, con los hombros tensos, mientras se prepara a ojos vista para aguantar las sacudidas. Cuando la intensa luz blanca se apaga de golpe y solo queda la extensión tenue y vacía de la nebulosa púrpura reflejada en su piel, iluminada con dureza, aprieta la mandíbula y cierra despacio los ojos ante el espacio que acaba de quedar vacío.
overall_soundscape (sonido ambiente): Un zumbido grave y resonante de los sistemas de soporte vital de la nave sirve de base, y pronto lo tapa un silbido electrónico agudo, audible y creciente, mientras la flota de fuera carga sus hipermotores. Durante el destello cegador estalla un estruendo enorme y ensordecedor, cargado de graves, con un chasquido seco, acompañado de fuertes crujidos metálicos, traqueteos y golpes sordos de los mamparos del puente, que vibran bajo una presión física inmensa. El intenso impacto atronador se corta entonces de golpe y vuelve a un sonido de sala hueco y con eco, en el que solo queda el zumbido débil y constante del puente aislado.
non_diegetic_music (música de fondo): Partitura orquestal cinematográfica de ópera espacial, a tempo lento, con una melodía solitaria y triste de trompa sobre disonancias de cuerda graves y sostenidas que crecen rápidamente en volumen e intensidad hasta un enorme clímax orquestal y se cortan de golpe en silencio justo después del salto.
```
### Una frase en chino y un letrero de neón
- Hecho con KovAPI · Texto a vídeo · 6s · 768P · 9:16
- $0.15 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-3ea471e559f9efb09edaf873.mp4
Vertical 9:16: el texto del letrero va entre comillas y la frase en chino del cocinero se escribe como `[Chinese] …`. “营业中” (abierto) y la frase salen bien; aparecieron subtítulos en chino en la parte inferior de la imagen aunque el prompt pide que no haya ninguno. Prompt escrito por KovAPI con el formato de la guía; generado por KovAPI.
Prompt original:
```text
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a vertical medium shot of a small street-food stall in a narrow old alley at night. A red neon sign reading "营业中" glows above the stall and steam rises from a wok. The middle-aged cook with a warm, slightly hoarse voice (S1) tosses noodles in the wok as flames flare up, then looks at the camera and says: [Chinese] 刚出锅的，趁热吃！ The camera pushes in with small amplitude at slow speed toward the wok. No subtitles or captions appear on screen.
overall_soundscape: Oil sizzles and the wok clangs against the burner while distant scooters and chatter fill the alley.
non_diegetic_music: N/A
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
integrated_multimodal_description (imagen y diálogo): [Shot 1] Imagen real, cinematográfico, un plano medio vertical de un pequeño puesto de comida callejera en un callejón viejo y estrecho, de noche. Sobre el puesto brilla un letrero de neón rojo que dice "营业中" (abierto) y del wok sale vapor. El cocinero de mediana edad, de voz cálida y algo ronca (S1), saltea fideos en el wok mientras se levantan llamas, luego mira a la cámara y dice: [Chinese] 刚出锅的，趁热吃！ (¡Recién salido del wok, cómelo caliente!) La cámara se acerca con poca amplitud y a velocidad lenta hacia el wok. En la pantalla no aparecen subtítulos ni rótulos.
overall_soundscape (sonido ambiente): El aceite chisporrotea y el wok golpea el fogón mientras motos a lo lejos y conversaciones llenan el callejón.
non_diegetic_music (música de fondo): N/A (ninguna)
```
### Primer fotograma: una carta en un tren bajo la lluvia
- Hecho con KovAPI · Primer fotograma · 6s · 1080P · 16:9 · image_role=first_frame
- $0.216 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-94892704d80349abfc4bbf4e.mp4
- Imagen 1: https://img.kovapi.com/i/mp-71b5ed84bb210183de898f1c.jpg
El ejemplo de primer fotograma de la guía básica de MiniMax: primero va la línea de alineación; el clip empieza en el primer fotograma, ella levanta la vista, dice su frase y dobla la carta. Prompt citado palabra por palabra de la [Guía de redacción de prompts de vídeo](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md) de MiniMax; las imágenes de entrada las hizo KovAPI con Nano Banana Pro a partir de la descripción del prompt.
Prompt original:
```text
For the target video, at 0.00 seconds into the target video, (from [Shot 1]) is fully referenced.
integrated_multimodal_description: [Shot 1] Live-action, cinematic, the young woman shown in remains beside the rain-covered train window, preserving her appearance, clothing, seat position, and the carriage layout. The camera trucks right with small amplitude at slow speed as she lifts her gaze from the folded letter toward the passing city lights. Her reflection moves across the glass while the quiet, breathy young woman (S1) says: [English] I get off at the next station. She folds the letter along its existing crease.
overall_soundscape: The train wheels produce a steady metallic rhythm beneath a low ventilation hum. Rain ticks against the window while paper rustles softly in her hands.
non_diegetic_music: Sustained cello notes at a slow tempo with widely spaced piano tones, gradually decreasing in volume.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
Línea de alineación: en el vídeo de destino, en el segundo 0.00, se toma por completo como referencia (de [Shot 1]).
integrated_multimodal_description (imagen y diálogo): [Shot 1] Imagen real, cinematográfico: la mujer joven que aparece en sigue junto a la ventana del tren cubierta de lluvia, y se mantienen su aspecto, su ropa, su asiento y la distribución del vagón. La cámara hace un travelling lateral a la derecha con poca amplitud y a velocidad lenta mientras ella levanta la mirada de la carta doblada hacia las luces de la ciudad que pasan. Su reflejo se mueve por el cristal mientras la mujer joven, de voz baja y susurrante (S1), dice: [English] I get off at the next station. (Me bajo en la próxima estación.) Dobla la carta por el pliegue que ya tenía.
overall_soundscape (sonido ambiente): Las ruedas del tren marcan un ritmo metálico constante bajo un zumbido grave de ventilación. La lluvia repiquetea contra la ventana mientras el papel cruje suavemente en sus manos.
non_diegetic_music (música de fondo): Notas sostenidas de violonchelo a tempo lento, con notas de piano muy espaciadas, que van bajando de volumen poco a poco.
```
### Primer y último fotograma: abrir un paraguas bajo la lluvia
- Hecho con KovAPI · Primer y último fotograma · 8s · 1080P · 16:9 · image_role=first_frame
- $0.288 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-227363d4eedb3bf23a3a199f.mp4
- Imagen 1: https://img.kovapi.com/i/mp-a560b1808c395d8022f926de.jpg
- Imagen 2: https://img.kovapi.com/i/mp-c32b3d1c8f0211a33cc0047c.jpg
El ejemplo de primer y último fotograma de la guía básica de MiniMax: las dos imágenes caen en el segundo 0 y en el segundo 8, y el cuerpo solo describe el movimiento intermedio. El clip empieza con el paraguas cerrado y termina con el paraguas abierto, con la lluvia y el clic del paraguas. Prompt citado palabra por palabra de la [Guía de redacción de prompts de vídeo](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md) de MiniMax; las imágenes de entrada las hizo KovAPI con Nano Banana Pro a partir de la descripción del prompt.
Prompt original:
```text
How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot 1) aligns with the 8.00-second mark of the target video.
integrated_multimodal_description: [Shot 1] Live-action, cinematic, a rain-soaked cyclist begins in the position and framing established by Picture 1, holding a closed black umbrella beside a silver bicycle. The camera pulls out with small amplitude at slow speed as she releases the bicycle handle, raises the umbrella above her shoulder, and presses the runner upward until the canopy opens. Water rolls from the expanding fabric while she steps beneath it, rotates the handle into the final angle, and settles into the pose, spacing, and composition established by Picture 2 at the end of the shot.
overall_soundscape: Rain falls steadily on the pavement, followed by the metallic click of the umbrella runner and the soft snap of the canopy opening. Water drips from the bicycle frame as distant traffic passes.
non_diegetic_music: N/A
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
Cómo se alinean las imágenes de referencia con el vídeo de destino: Picture 1 (de Shot 1) se alinea con el segundo 0.00 del vídeo de destino; Picture 2 (de Shot 1) se alinea con el segundo 8.00 del vídeo de destino.
integrated_multimodal_description (imagen): [Shot 1] Imagen real, cinematográfico: una ciclista empapada por la lluvia empieza en la posición y el encuadre que fija Picture 1, con un paraguas negro cerrado en la mano, junto a una bicicleta plateada. La cámara se aleja con poca amplitud y a velocidad lenta mientras ella suelta el manillar, levanta el paraguas por encima del hombro y empuja la corredera hacia arriba hasta que la tela se abre. El agua resbala por la tela que se despliega mientras ella se pone debajo, gira el mango hasta el ángulo final y se queda en la pose, la distancia y la composición que fija Picture 2 al final del plano.
overall_soundscape (sonido ambiente): La lluvia cae sin parar sobre el pavimento; después se oyen el clic metálico de la corredera del paraguas y el chasquido suave de la tela al abrirse. El agua gotea del cuadro de la bicicleta mientras pasa tráfico a lo lejos.
non_diegetic_music (música de fondo): N/A (ninguna)
```
### Imágenes de referencia: un anuncio vertical de gafas
- Hecho con KovAPI · Varias imágenes de referencia · 8s · 1080P · 9:16 · image_role=reference
- $0.288 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-6a00ea489194c7c6e685fcf7.mp4
- Imagen 1: https://img.kovapi.com/i/mp-c542946f4a47ea07d3225571.jpg
- Imagen 2: https://img.kovapi.com/i/mp-dfa785dd4d3f560bb3eb9492.jpg
- Imagen 3: https://img.kovapi.com/i/mp-802c1b4d4b5ba8f59682ec61.jpg
Tres imágenes de referencia: las dos modelos, sus caras y el diseño de las gafas. Escrito con la estructura de la guía de referencia, las modelos llevan las gafas en la pasarela, el clip corta a un primer plano y añade un plano de producto al final. La misma idea escrita en una sola línea solo mostró las tres imágenes una tras otra. Las tres imágenes de referencia las hizo KovAPI con Nano Banana Pro; la idea es el anuncio de gafas de la [página de destacados](https://platform.minimax.io/docs/guides/video-prompt) de MiniMax, reescrito por KovAPI con la estructura de la [guía de referencia](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md).
Prompt original:
```text
subject_definitions:
is the two female fashion models in , with slicked-back dark hair, one in a black asymmetric blazer with black-and-silver trousers, the other in a black leather crop top and a long silver satin skirt.
is the facial detail of the same two models in , defining their features and cool expressions.
is the futuristic silver sunglasses in , with wrap-around curves, a sharp cat-eye and goggle hybrid silhouette, mirrored lenses and thin streamlined temples.
summary:
[reference generation] A 9:16 high-fashion eyewear commercial on a minimal white cyc: , with the faces of , wear and walk toward the camera with runway attitude, ending on a close-up of the sunglasses on one model's face.
retention_analysis:
(appears in [Shot 1]): fully_preserved - the two models' outfits and slicked-back hair are retained.
(appears in [Shot 1], [Shot 2]): fully_preserved - their facial features are retained.
(appears in [Shot 1], [Shot 2]): fully_preserved - the wrap-around silver frame and mirrored lenses are retained.
detailed_description:
The target video is a clean, high-fashion commercial with soft, even studio light on a seamless white cyc.
[Shot 1] A vertical full-body shot: both models of , each wearing a pair of , walk side by side toward the camera with a confident runway stride and cool demeanor, their faces matching . The camera pulls out with small amplitude at slow speed.
[Shot 2] At 00:04.000, the camera cuts to a close-up of the left model's face as she turns her head slightly; the mirrored lenses of reflect the white studio, and the camera pushes in with small amplitude at slow speed toward the curved silver frame.
overall_soundscape:
Crisp heel clicks on the studio floor, then a soft whoosh as she turns her head.
non_diegetic_music:
A minimal electronic beat at a moderate tempo with deep synth bass, ending on a single sustained chord.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
subject_definitions (definición de sujetos):
son las dos modelos de , con el pelo oscuro peinado hacia atrás; una lleva una americana negra asimétrica con pantalón negro y plateado, y la otra un top corto de cuero negro y una falda larga de satén plateado.
es el detalle facial de esas mismas dos modelos en , que define sus rasgos y su expresión fría.
son las gafas de sol plateadas y futuristas de , de curvas envolventes, con una silueta afilada entre ojo de gato y gafas de protección, lentes espejadas y varillas finas y estilizadas.
summary (resumen):
[reference generation] (generación con referencias) Un anuncio de gafas de alta moda en 9:16 sobre un fondo infinito blanco y minimalista: , con las caras de , llevan y caminan hacia la cámara con actitud de pasarela; termina en un primer plano de las gafas de sol en la cara de una de las modelos.
retention_analysis (qué se conserva):
(aparece en [Shot 1]): fully_preserved (se conserva por completo) - se mantienen la ropa de las dos modelos y su pelo peinado hacia atrás.
(aparece en [Shot 1], [Shot 2]): fully_preserved (se conserva por completo) - se mantienen sus rasgos faciales.
(aparece en [Shot 1], [Shot 2]): fully_preserved (se conserva por completo) - se mantienen la montura plateada envolvente y las lentes espejadas.
detailed_description (descripción plano a plano):
El vídeo de destino es un anuncio de alta moda limpio, con luz de estudio suave y uniforme sobre un fondo infinito blanco y continuo.
[Shot 1] Un plano vertical de cuerpo entero: las dos modelos de , cada una con unas , caminan una junto a otra hacia la cámara con paso seguro de pasarela y actitud fría, con las caras de . La cámara se aleja con poca amplitud y a velocidad lenta.
[Shot 2] En 00:04.000, la cámara corta a un primer plano de la cara de la modelo de la izquierda mientras gira un poco la cabeza; las lentes espejadas de reflejan el estudio blanco, y la cámara se acerca con poca amplitud y a velocidad lenta hacia la montura plateada curva.
overall_soundscape (sonido ambiente):
Taconeo nítido sobre el suelo del estudio y, luego, un suave silbido de aire cuando ella gira la cabeza.
non_diegetic_music (música de fondo):
Un ritmo electrónico minimalista a tempo moderado, con un bajo de sintetizador profundo, que termina en un único acorde sostenido.
```
### Vídeo de referencia: una zapatilla de running sobre un pedestal
- Hecho con KovAPI · Vídeo de referencia · 6s · 768P · 16:9 · image_role=reference
- $0.325 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-aa7f83de1a85c8445731122b.mp4
- Imagen 1: https://img.kovapi.com/i/mp-cc795e889918bc095cfac8c6.jpg
- Vídeo de referencia (7s): https://img.kovapi.com/i/mp-dd0414d99599d8386d11fbfd.mp4
El vídeo de referencia gira despacio alrededor de una estatua; la imagen de referencia es una zapatilla de running. El clip pone la zapatilla en el mismo pedestal de la misma plaza, la cámara gira solo un poco y al final se añade un corte: una referencia de cámara presta el escenario y el ritmo, no siempre la misma amplitud de movimiento. El vídeo de referencia también lo hizo KovAPI con H3, la imagen de referencia con Nano Banana Pro, y el prompt lo escribió KovAPI.
Prompt original:
```text
The running shoe from image 1 stands on a stone pedestal in the middle of an empty plaza at golden hour. Follow the camera movement and pacing of video 1: a slow arc shot around the subject from left to right, keeping it centered. Do not show the statue from video 1. Sound: soft wind and distant pigeons. No music.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
La zapatilla de running de la imagen 1 está sobre un pedestal de piedra en medio de una plaza vacía, a la hora dorada. Sigue el movimiento de cámara y el ritmo del vídeo 1: un plano en arco lento alrededor del sujeto, de izquierda a derecha, manteniéndolo centrado. No muestres la estatua del vídeo 1. Sonido: viento suave y palomas a lo lejos. Sin música.
```
### Vídeo de referencia: un zorro baila la misma coreografía
- Hecho con KovAPI · Vídeo de referencia · 6s · 768P · 16:9 · image_role=reference
- $0.325 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-e2308084597964acbd152bce.mp4
- Imagen 1: https://img.kovapi.com/i/mp-f75baad27af554d861a38176.jpg
- Vídeo de referencia (7s): https://img.kovapi.com/i/mp-f34bfc40277ff5ab18021caa.mp4
El vídeo de referencia es una persona bailando; la imagen de referencia, un zorro de dibujos animados. El zorro levanta los brazos, se balancea y gira en el mismo orden que en la referencia. El vídeo de referencia también lo hizo KovAPI con H3, la imagen de referencia con Nano Banana Pro, y el prompt lo escribió KovAPI.
Prompt original:
```text
The cartoon red fox in the yellow hoodie from image 1 performs the same dance routine as the dancer in video 1, with the same arm raises, hip sways, spin and ending pose, in a colorful cartoon bedroom. 3D animated style, static full-body shot. Sound: upbeat pop drums and bass, the fox's sneakers tapping on the floor.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
El zorro rojo de dibujos animados con sudadera amarilla de la imagen 1 baila la misma coreografía que la persona que baila en el vídeo 1, con los mismos brazos en alto, balanceos de cadera, giro y pose final, en un dormitorio de dibujos animados lleno de color. Estilo de animación 3D, plano fijo de cuerpo entero. Sonido: batería y bajo de pop animados, y las zapatillas del zorro golpeteando el suelo.
```
### Lite: una zapatilla de running en una plataforma giratoria
- Hecho con KovAPI · Varias imágenes de referencia · 5s · 768P · 16:9
- $0.0625 a precios actuales
- Resultado: https://img.kovapi.com/i/mp-5a3d34dd41ce101dcf3825c9.mp4
- Imagen 1: https://img.kovapi.com/i/mp-cc795e889918bc095cfac8c6.jpg
Hecho con [MiniMax H3 Lite](https://kovapi.com/es/model/minimax-h3-lite): una imagen de referencia de una zapatilla de running, 768P, 5 segundos. Su coste es a precios de Lite, y solo se puede usar en la zona de pruebas de la página de Lite. Prompt escrito por KovAPI con el formato de la guía; imágenes de entrada hechas por KovAPI con Nano Banana Pro.
Prompt original:
```text
The running shoe from the reference image rotates slowly on a glossy black turntable while streaks of neon light sweep across it, close studio product shot. Sound: a low electronic hum.
```
Leer en español (La traducción es solo para leer; Copiar y Usar envían el original):
```text
La zapatilla de running de la imagen de referencia gira despacio sobre una plataforma giratoria negra y brillante mientras franjas de luz de neón la barren; plano de producto cercano, de estudio. Sonido: un zumbido electrónico grave.
```
## Prompts para MiniMax H3: sigue la estructura oficial
Basado en la Guía de redacción de prompts de vídeo de la propia MiniMax ([básica](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md), [modo de referencia](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md)). MiniMax dice que en H3 la estructura del prompt importa más que en la mayoría de los modelos: escribe la imagen plano a plano, pon el diálogo entre etiquetas y dedica una sección al ambiente y otra a la música. Las pautas de abajo salen de esa guía y los ejemplos son prompts con los que se hicieron los clips de esta página; lo marcado como "probado" es lo que mostraron nuestros propios renders.
- **Escribe tres secciones**: `integrated_multimodal_description` para la imagen, la acción, los planos y el diálogo; `overall_soundscape` para el ambiente y los sonidos de la acción, en 1–4 frases; `non_diegetic_music` para la música que solo oye el público, o `N/A`. Probado: la misma escena de la panadería escrita en una sola línea mantuvo la frase y el corte, pero salió sin música y con los sonidos equivocados; en tres secciones, la guitarra, la campanilla de la puerta y el cuchillo del pan salieron tal como estaban escritos. — Panadería, inicio del original: “integrated_multimodal_description: [Shot 1] Live-action, cinematic, …”
- **Un bloque por plano, con el momento del corte**: `[Shot 1]` no lleva tiempo; los planos siguientes se escriben `[Shot 2] At 00:05.000, the camera cuts to…`. En los clips de varios planos de esta página, los cortes cayeron cerca de los tiempos escritos. — Panadería: “[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread”
- **Cámara = tipo + amplitud + velocidad**: Movimientos como push in, pan, truck, arc shot o tracking shot, más la amplitud y la velocidad (with small amplitude, at slow speed), escritos dentro de la frase de la acción y no como etiquetas amontonadas al final. — Panadería: “The camera pushes in with small amplitude at slow speed as the middle-aged baker…”
- **El diálogo, en sus propias etiquetas**: Numera a quien habla como (S1), (S2), describe primero su edad y su voz, y luego escribe la frase como `[English] …`, palabra por palabra y sin traducir. Las frases en chino llevan `[Chinese]`. — Tren: `the quiet, breathy young woman (S1) says: [English] I get off at the next station.`
- **El texto en pantalla, entre comillas**: Escribe las palabras de un cartel o una pancarta entre comillas dobles ("), exactamente como deben aparecer. Probado: “营业中” salió bien, mientras que los carteles que no estaban escritos en el prompt salieron con letras sin sentido. — Puesto de fideos: “A red neon sign reading "营业中" glows above the stall”
- **El diálogo en chino trae subtítulos**: Probado: los dos renders con una frase en chino incrustaron subtítulos en chino en la parte inferior de la imagen, y pedir que no los hubiera no los quitó; las frases en inglés no tuvieron ninguno. Para una imagen limpia, usa diálogo en inglés o corrígelo en posproducción. — Puesto de fideos, última frase (no funcionó): “No subtitles or captions appear on screen.”
- **Fotogramas: línea de alineación y recorrido**: Con primer fotograma, el prompt empieza con la línea de alineación; con primer y último fotograma, indica en qué segundo cae la segunda imagen, y el cuerpo describe el movimiento entre ambas en vez de volver a describir las dos imágenes. — Paraguas: “Picture 2 (from Shot 1) aligns with the 8.00-second mark of the target video”
- **Pon nombre a cada referencia**: Etiqueta cada entrada como ``, `` y di qué hace en el clip. Probado: el estilo de una sola línea de la página de destacados de MiniMax (“Image 1: …, Image 2: …”) convirtió tres imágenes de referencia en tres planos casi inmóviles; reescrito con la estructura de la guía de referencia, las modelos se pusieron las gafas y desfilaron. — Gafas: ` is the futuristic silver sunglasses in …`
| Parte | Función | Ejemplo |
| --- | --- | --- |
| Sección de imagen | Empieza con `integrated_multimodal_description:` y sigue con un bloque por plano. | Original: “integrated_multimodal_description: [Shot 1] …” |
| Estilo y encuadre | El primer plano empieza con el estilo y el tamaño de plano. | Original: “Live-action, cinematic, a medium-wide shot frames a baker opening the shutters…” |
| Cámara y acción | Tipo de movimiento de cámara, amplitud y velocidad, en la misma frase que la acción. | Original: “The camera pushes in with small amplitude at slow speed as the middle-aged baker… places a fresh loaf on the wooden counter” |
| Diálogo | El número de quien habla, su voz y la frase entre etiquetas. | Original: `with a calm, slightly raspy voice (S1) … says: [English] First batch of the morning.` |
| Corte | Cada plano nuevo indica el momento del corte y la nueva imagen. | Original: “[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread” |
| Dos secciones de sonido | Una para el ambiente y otra para la música. | Original: “overall_soundscape: Wooden shutters scrape open… non_diegetic_music: A soft acoustic-guitar pattern…” |
```text
integrated_multimodal_description: [Shot 1] [estilo, p. ej. Live-action, cinematic], [tamaño de plano] frames [sujeto y lugar]. The camera [movimiento] with [small / large] amplitude at [slow / fast] speed as [acción]. The [edad y voz de quien habla] (S1) says: [English] [frase] [Shot 2] At 00:0X.000, the camera cuts to [siguiente imagen].
overall_soundscape: [ambiente y sonidos de la acción, 1–4 frases]
non_diegetic_music: [instrumentos, tempo y dinámica; N/A si no quieres música]
```
## Cómo generar vídeo con MiniMax H3 Lite en KovAPI
1. **Regístrate y crea una clave de API** Entra en KovAPI y crea una clave en la consola; una sola clave sirve para todos los modelos del sitio.
2. **Prueba prompts arriba, en esta página** Elige duración, resolución y proporción, añade imágenes de referencia y ve el precio en tiempo real antes de enviar.
3. **Envía un trabajo asíncrono** Envía `minimax-h3-lite` a `POST /v1/videos/generations` y guarda el id del trabajo de la respuesta HTTP 202; la documentación trae ejemplos completos de peticiones.
4. **Consulta el resultado o recibe un webhook** Consulta el id del trabajo o indica `callback_url` al enviar. Si sale bien, descarga el MP4 desde `data[0].url`; los clips se conservan 7 días, así que descárgalos a tiempo.
### Solicitud mínima
```bash
curl https://kovapi.com/v1/videos/generations \
-H "Authorization: Bearer $KOVAPI_KEY" -H "Content-Type: application/json" \
-d '{"model": "minimax-h3-lite", "prompt": "...", "duration": 4, "resolution": "1080P", "size": "16:9"}'
# -> HTTP 202 {"id": "..."}; poll:
curl https://kovapi.com/v1/videos/jobs/ -H "Authorization: Bearer $KOVAPI_KEY"
```
## Cómo evolucionaron los modelos de vídeo de MiniMax
- 2025-02-11 · T2V-01-Director: **T2V-01-Director · control de cámara** Instrucciones de cámara escritas en el prompt, y el modelo mueve la cámara como se le indica; la guía de prompts de H3 mantiene esta forma de escribir los movimientos de cámara.
- 2025-06-18 · MiniMax Hailuo 02: **Hailuo 02 · 1080P** El modelo de vídeo de segunda generación, con 1080P y clips de hasta 10 segundos.
- 2025-10-28 · MiniMax Hailuo 2.3: **Hailuo 2.3 / 2.3 Fast** Mejor movimiento corporal, expresión facial, realismo físico y fidelidad al prompt; la versión Fast es solo de imagen a vídeo.
- 2026-07-31 · MiniMax H3: **MiniMax H3 · tercera generación** Texto, imágenes, vídeo y audio entendidos a la vez, e imagen y sonido estéreo de una sola pasada; primer fotograma, primer y último fotograma, imágenes de referencia y vídeo de referencia en un mismo modelo. KovAPI ofrece 480P / 768P / 1080P.
## ¿MiniMax H3 u otro modelo de vídeo?
| Modelo | Duración (s) | Resolución | Ref. imagen / vídeo / audio | Precio | Ideal para |
| --- | --- | --- | --- | --- | --- |
| MiniMax H3 Lite (`minimax-h3-lite`) | 4–15 | 480P / 768P | 5/0/0 | $0.005/s | Borradores en lote y pruebas de prompts: el mismo H3 con menos pasos de inferencia, más rápido y barato, con una calidad algo menor; solo texto e imágenes de referencia. |
| MiniMax H3 (`minimax-h3`) | 4–15 | 480P / 768P / 1080P | 9/3/3 | $0.015/s | Clips en 1080P con sonido, primer y último fotograma, o imágenes de referencia junto con un vídeo de referencia; también borradores baratos en 480P. |
| Wan 3.0 (`wan3.0-video`) | 4–30 | 480P / 720P / 1080P | 10/5/5 | $0.04/s | Clips de más de 15 s (hasta 30), o vídeo a partir de un documento o una página web. |
| Seedance 2.5 (`seedance-2.5`) | 4–30 | 480P / 720P / 1080P | 30/10/10 | $0.10/s | Mucho material de referencia, o clips narrativos de hasta 30 s. |
| Seedance 2.0 Fast (`seedance-2.0-fast`) | 5–15 | 480P / 720P | 9/3/3 | $0.046/s | Clips de Seedance rápidos y de bajo coste. |
| Gemini Omni 1.2 Flash (`gemini-omni-1.2-flash`) | 3–15 | 720P / 1080P / 4K | 3/0/0 | $0.035/s | Editar un vídeo existente con una frase, 4K o texto en pantalla exacto. |
| Veo 3.1 (`veo-3.1`) | 8 | 720P / 1080P | 3/0/0 | $0.20/clip | Clips fijos de 8 segundos facturados por clip. |
| Grok Imagine Video 1.5 (`grok-imagine-video-1.5`) | 4–15 | 480P / 720P | 7/0/0 | $0.30/clip | Clips de 480P / 720P facturados por clip, con hasta 7 imágenes de referencia. |
Si ya tienes clips de otro modelo, pasa las mismas entradas y los mismos criterios de aceptación por ambos y compara imagen, movimiento, sonido, tiempo de render y coste real antes de cambiar. Para elegir entre H3 y Lite, mira arriba la comparación con el mismo prompt.
## Reglas de combinación
- Lite no tiene primer fotograma ni primer y último fotograma: las imágenes son siempre referencias, y `image_role: first_frame` se rechaza al momento y no se cobra. Para que un clip empiece en una imagen concreta, usa Standard.
- Lite no admite vídeo ni audio de referencia; una petición con cualquiera de los dos se rechaza y no se cobra. Para eso, usa Standard.
- Solo 480P y 768P: `1080P` se rechaza y `720P` se trata como 768P. Todos los clips llevan sonido; si no quieres música, escribe `non_diegetic_music: N/A` en el prompt.
## Por qué usar MiniMax H3 Lite en KovAPI
- **Borradores baratos**: Lite cuesta $0.005/s en 480P y $0.0125/s en 768P. Prueba en Lite, en lote, el encuadre y el movimiento de un prompt, y pasa los elegidos a Standard en 1080P. La zona de pruebas muestra el precio de una petición antes de enviarla.
- **Sin coste si falla, con reintentos automáticos**: Si un trabajo falla, lo reservado se reembolsa por completo; si el servicio de origen está saturado o da error, el sistema reintenta por ti, así que no necesitas lógica de reintentos propia.
- **Sin límite de concurrencia**: Ninguna cuenta tiene límite de trabajos en paralelo, así que envía lotes directamente; en horas punta los trabajos esperan en cola y la API devuelve `queue_position` y `eta_seconds`, con un webhook cuando terminan.
- **Una API para todos los modelos de vídeo**: Enviar, consultar y los webhooks funcionan igual para todos los modelos de vídeo del sitio; cambia `model` para mandar el mismo prompt a Standard, Wan, Seedance y otros.
- **Registro y pago sencillos**: Regístrate con correo, Google o GitHub; recarga con WeChat Pay, tarjeta, PayPal o USDT; paga por uso sin cuota mensual, y la misma clave también llama a los modelos de chat y de imagen del sitio.
## Preguntas frecuentes sobre la API de MiniMax H3
### ¿Qué es MiniMax H3?
Un modelo de vídeo que MiniMax lanzó en julio de 2026 y que la propia MiniMax llama su tercera generación, después de Hailuo 01 y Hailuo 02. Entiende a la vez texto, imágenes, vídeo y audio, y cada clip trae sonido. En KovAPI es `minimax-h3`, con texto a vídeo, primer fotograma, primer y último fotograma, imágenes de referencia y vídeo de referencia.
### ¿Cuánto puede durar un clip?
Cualquier número entero de segundos de 4 a 15; 5 segundos si no indicas `duration`. Un clip dura una fracción de segundo más de lo pedido (un trabajo de 5 segundos dura unos 5,2 s) y se factura por los segundos pedidos.
### ¿Qué resolución elijo y qué tamaño tiene?
480P para borradores y lotes, 768P para equilibrar detalle y precio, 1080P para la imagen más fina; 1080P si no indicas `resolution`. En 16:9, 480P es 864×480, 768P unos 1344×768 y 1080P unos 1920×1080; cada trabajo puede variar unas decenas de píxeles.
### ¿Puedo enviar 720P?
Sí: se genera y se factura como 768P. Otros valores, como 2K o 4K, se rechazan al enviar y no se cobran.
### ¿Cómo paso de fotogramas a referencias?
Sin `image_role`, una imagen es el primer fotograma y dos son el primer y el último fotograma. Con `image_role: reference` son imágenes de referencia, hasta 9: sus personas, productos y lugares aparecen en el plano en vez de usarse como fotogramas. El vídeo o el audio de referencia necesitan el modo de referencia.
### ¿Para qué sirve un vídeo de referencia y cómo se factura?
El clip puede seguir sus movimientos, su movimiento de cámara o su ritmo: el zorro de esta página baila los mismos pasos que una persona en un clip de referencia. Los segundos de referencia se facturan a la tarifa de la resolución junto con los segundos de salida; por ejemplo, 768P con 6 segundos de salida y una referencia de 7 segundos se factura como 13 segundos. Hasta 3 clips, de 2 a 15 s cada uno y 15 s en total.
### ¿Sirve de algo el audio de referencia? ¿Se cobra?
Es gratis, hasta 3 clips, y debe ir con imágenes de referencia o con un vídeo de referencia. La guía de MiniMax lo describe como referencia para una voz o para la música; cuando pedimos a un personaje que dijera una frase nueva con la voz de referencia, la voz no cambió de forma apreciable en ninguna de las dos pruebas, así que no cuentes con él para fijar una voz.
### ¿Qué formatos y tamaños admiten las referencias?
Imágenes: JPG / PNG / WEBP (sin GIF), hasta 16 MB cada una, de 256 a 5760 px por lado y con una proporción de 0,4 a 2,5; hasta 9 en el modo de referencia de Estándar y hasta 5 en Lite. Vídeos de referencia (solo Estándar): MP4 / MOV con vídeo H.264 / H.265 y audio AAC / MP3, hasta 3, de 2 a 15 s cada uno y 15 s en total, hasta 50 MB cada uno. Audio de referencia (solo Estándar): WAV / MP3, hasta 3, de 2 a 15 s cada uno y 15 s en total, hasta 15 MB cada uno. Lo que no cumpla se rechaza al enviar (un códec incorrecto falla durante la generación); en ningún caso se cobra.
### ¿Puedo quitar el sonido?
No: cada clip tiene pista de audio y `audio: false` se rechaza. Si no quieres música, escribe `non_diegetic_music: N/A`; para un archivo sin sonido, quita la pista después de descargarlo.
### ¿El diálogo puede ir en chino o en otros idiomas?
Sí. Escribe la frase como `[Chinese] …`; nuestra frase en chino salió palabra por palabra, pero aparecieron subtítulos en chino en la parte inferior de la imagen y pedir que no los hubiera no los quitó. MiniMax indica que el diálogo es estable en 11 idiomas, entre ellos chino, inglés, japonés, coreano, español y ruso. Es más seguro escribir el resto del prompt en inglés, como hace la guía.
### ¿Puedo usar fotos de personas reales?
Sí. Probamos dos fotos de personas corrientes, dos veces como primer fotograma y dos como referencia, y las cuatro se generaron con normalidad. Asegúrate de tener derecho a usar la imagen de la persona de la foto.
### ¿Cuánto tarda un render?
En nuestros más de 30 renders de prueba del 12 de noviembre de 2026, la mayoría terminó en 2–6 minutos y unos pocos tardaron más de 15; más resolución, más referencias y las horas punta alargan la espera. Es un trabajo asíncrono: consulta el id del trabajo, o indica `callback_url` y espera la llamada.
### ¿Se cobra si la generación falla?
Si la generación falla, no se cobra y puedes volver a enviarla tal cual. Lo reservado al enviar se reembolsa por completo, y los reintentos automáticos de un mismo trabajo se liquidan una sola vez.
### ¿Cuánto tiempo se guardan los clips?
Los clips y los archivos de entrada subidos se guardan 7 días y después se borran, así que descarga lo que necesites.
### ¿H3 o H3 Lite?
[MiniMax H3 Lite](https://kovapi.com/es/model/minimax-h3-lite) es el mismo H3 con menos pasos de inferencia: más rápido y barato, con una calidad algo menor. Ofrece 480P / 768P, solo texto e imágenes de referencia, sin audio ni vídeo de referencia. Prueba prompts y encuadres en Lite y luego genera el clip final en H3 a 1080P; la comparación con el mismo prompt de arriba muestra la diferencia.
### ¿H3, Wan 3.0 o Seedance 2.5?
Para clips de más de 15 segundos, usa [Wan 3.0](https://kovapi.com/es/model/wan3.0-video) o [Seedance 2.5](https://kovapi.com/es/model/seedance-2.5) (hasta 30 s); para primer y último fotograma o borradores baratos en 480P, H3 encaja mejor. Lo mejor es lanzar el mismo prompt en cada uno y comparar.
### ¿De dónde salen los ejemplos de esta página?
KovAPI los generó todos con su propia API y los ajustes que se muestran, y cada uno indica sus ajustes y su coste a precios actuales. La mayoría de los prompts se citan palabra por palabra de las guías de la propia MiniMax, y las imágenes de entrada se hicieron con los modelos de imagen de KovAPI.
## Notas para IA
- El id del modelo es `minimax-h3`; envía con `POST /v1/videos/generations`, que devuelve HTTP 202 y un `id` de trabajo; obtén el resultado con `GET /v1/videos/jobs/` más el id.
- `resolution`: 480P / 768P / 1080P, 1080P por defecto; `720P` se trata como 768P. `size`: 16:9 / 9:16 / 1:1 / 4:3 / 3:4 / 3:2 / 2:3 / 21:9. `duration`: un entero de 4 a 15, 5 por defecto.
- Las imágenes van en `images`: sin `image_role`, una es el primer fotograma y dos son primer y último fotograma; con `image_role: reference`, hasta 9 imágenes de referencia, y con tres o más hay que indicar reference.
- Campo de vídeo de referencia `video_references` (o `video_reference`): hasta 3, de 2 a 15 s cada uno, ≤15 s en total, MP4 / MOV, facturados por segundo. Campo de audio de referencia `audio_references` (o `audio_reference`): hasta 3, WAV / MP3, de 2 a 15 s cada uno, ≤15 s en total, solo URL, gratis y solo junto con imágenes de referencia o un vídeo de referencia. Ambos necesitan el modo de referencia.
- `reference_audios`, `reference_videos`, `start_frame`, `end_frame`, y el audio o el vídeo en una petición de primer fotograma devuelven HTTP 400 al enviar, sin coste.
- Facturación: la tarifa de la resolución × (segundos de salida + segundos de vídeo de referencia); 480P $0.015/s, 768P $0.025/s, 1080P $0.036/s.
- Los clips siempre llevan pista de audio y `audio: false` se rechaza; el prompt admite hasta 5.000 caracteres y se escribe con la estructura de la sección de prompts de esta página. Probado: el audio de referencia no cambió la voz de forma apreciable; el diálogo en chino trae subtítulos incrustados.
## Más lecturas
- [Documentación de la API de MiniMax H3](https://docs.kovapi.com/es/minimax-h3): Campos de la petición, trabajos asíncronos, resultados y ejemplos de código completos.
- [MiniMax H3 Lite](https://kovapi.com/es/model/minimax-h3-lite): El mismo H3, más rápido y barato, para borradores en lote.
- [Comparativa de precios de MiniMax H3](https://kovapi.com/es/compare/minimax-h3): Precios por segundo de MiniMax y de otras plataformas, con la fuente de cada celda.
- [Guía de trabajos asíncronos](https://docs.kovapi.com/es/guide/async-jobs): Estados del trabajo, campos de cola y obtención de resultados.
- [Guía de webhooks](https://docs.kovapi.com/es/webhooks): Recibe los resultados de los trabajos y verifica la firma como indica la documentación.