# MiniMax H3 Lite API · KovAPI
> MiniMax H3 Lite は、同じ MiniMax H3 モデルを少ない推論ステップで動かすものです。速くて安い反面、画質はやや下がり、大量の試作やプロンプトのテストに向いています。KovAPI では `minimax-h3-lite` で呼び出し、480P または 768P、4〜15 秒の好きな長さで、秒単位で課金します。最初のフレーム、参照動画、1080P が必要なら標準版に切り替えてください。
Web ページ: https://kovapi.com/ja/model/minimax-h3-lite · 更新: 2026-11-12
料金・上限・所要時間は、このファイルを生成した時点の値です。
## 仕様の要点
- モデル ID: `minimax-h3` · `minimax-h3-lite`
- エンドポイント: `POST https://kovapi.com/v1/videos/generations` → `GET https://kovapi.com/v1/videos/jobs/{id}`
- 長さ: 4–15 秒（整数）
- 解像度: 480P / 768P。省略時は 768P、720P は 768P として扱います
- アスペクト比: 16:9 / 9:16 / 1:1 / 4:3 / 3:4 / 3:2 / 2:3 / 21:9
- 参照素材: 参照画像は最大 5 枚（参照のみで、最初のフレームにはなりません）。参照動画・参照音声は使えません
- 音声: どの動画にもネイティブのステレオ音声（セリフ・効果音・音楽）が付き、オフにはできません
- プロンプト: ≤ 5,000 文字
- 1 秒あたり: 480P $0.015/秒 · 768P $0.025/秒 · 1080P $0.036/秒
- Lite の秒単価: 480P $0.005/秒 · 768P $0.0125/秒
- 生成物の保存: 7 日間
## 映像と音を一度に生成し、始まりと終わり、登場人物、動きまで指定できる
- **ショット・セリフ・音がプロンプトのタイムラインどおりに**: 公式の形式でショットごとに書くと、カットの時刻、セリフ、環境音、音楽がプロンプトどおりになります。パン屋の作例は 5 秒でパン切りナイフのアップに切り替わり、パン職人はセリフを一字一句そのとおりに話し、アコースティックギターもプロンプトで指定したとおりです。
- **始まりを決める、または始まりと終わりの両方を決める**: 画像 1 枚を最初のフレームにすると、動画はそこから始まります。2 枚を最初と最後のフレームにすると、間の動きをモデルが補います。傘の作例は、傘を閉じた 1 枚目の画像から始まり、傘を開いた 2 枚目の画像で終わります。
- **画像の人物や商品を、書いたとおりに組み合わせる**: 参照モードでは画像を最大 9 枚使えます。アイウェア広告ではモデル、顔、サングラスの 3 枚を使っています。参照モード編の構成で書くと、モデルがサングラスをかけてランウェイを歩き、アップに切り替わりました。
- **参照動画の動きとカメラワークを借りる**: 左が参照動画、右が生成結果です。カートゥーン調のキツネが、人と同じ振り付けで踊っています。参照動画からカメラワークだけを借り、画面に何を映すかは参照画像とプロンプトで決めることもできます。参照動画の秒数も課金対象です。
- **480P で試作し、1080P で仕上げる**: 480P / 768P / 1080P、8 種類の画面比率、4〜15 秒の任意の長さに対応します。480P や [Lite](https://kovapi.com/ja/model/minimax-h3-lite) で構図と動きを確かめてから、仕上げを 1080P で生成します。解像度を変えると同じ動画ではなく新しい動画を生成するので、違いは下の同じプロンプトでの比較で確かめてください。
## モードと API フィールド
どちらのモードも `model`（`minimax-h3-lite`）、`prompt`、`duration`、`resolution`、`size` は共通です。画像は常に参照として扱うので、`image_role` は不要です。
| モード | 送るもの | 得られるもの | 制限 |
| --- | --- | --- | --- |
| テキストから動画 | `prompt` と生成の設定だけ。 | テキストから映像と音を生成します。セリフ、効果音、音楽はプロンプトに書きます。 | 4〜15 秒の任意の整数秒。`resolution` を省くと 768P。 |
| 参照画像 | `images` に画像を 1〜5 枚。 | 画像に写った人物・商品・場所が新しいショットの中に登場します。最初のフレームにはなりません。 | 最大 5 枚。`image_role: first_frame` は拒否されます。 |
## MiniMax H3 の料金
| 解像度 | 標準版 | Lite | MiniMax 公式価格 |
| --- | --- | --- | --- |
| 480P | $0.015/秒 | $0.005/秒 | - |
| 768P | $0.025/秒 | $0.0125/秒 | $0.08 |
| 1080P | $0.036/秒 | - | - |
- 1 本の料金 = 選んだ解像度の秒単価 ×（出力の秒数 + 参照動画の秒数）。参照画像と参照音声は無料です。参照動画付きの料金は、「料金計算」の「参照動画」をドラッグすると計算できます。
- MiniMax 公式の価格表では H3 は 768P と 2K だけなので、公式価格と並べて比べられるのは 768P だけです。
- 送信時に料金を仮押さえし、成功すれば同じ金額で確定します。失敗したジョブは全額返金します。大量の試作をさらに安く済ませたいなら [MiniMax H3 Lite](https://kovapi.com/ja/model/minimax-h3-lite) をご覧ください。
## 同じプロンプトを 5 段階で生成
動画にマウスを重ねると、すべてが同時に再生されます。スマートフォンでは「同時に再生」をタップしてください。どれも別々に生成した動画なので、まったく同じ映像ではありません。鮮明さとディテールを比べてください。
### ラテアート：H3 の 3 段階と Lite の 2 段階
同じプロンプト・16:9・5 秒で、H3 の 1080P / 768P / 480P と Lite の 768P / 480P をそれぞれ 1 回ずつ生成しました。構図と動きは 480P か Lite で確かめ、仕上げは 1080P で生成してください。
- 5s · 16:9
- **MiniMax H3 1080P** (現在の料金で $0.18): https://img.kovapi.com/i/mp-30a37c4381ec04a2ba543aab.mp4 — 最も鮮明。ラテの模様、ピッチャーの映り込み、カップの縁までくっきりしています。
- **MiniMax H3 768P** (現在の料金で $0.125): https://img.kovapi.com/i/mp-2972abbc7c033fb49b25783d.mp4 — 1080P よりディテールはやや少ないものの、十分きれいです。
- **MiniMax H3 480P** (現在の料金で $0.075): https://img.kovapi.com/i/mp-faf663f1a053b4a823c2ea31.mp4 — 構図と動きははっきりわかりますが、拡大すると甘くなります。試作向きです。
- **MiniMax H3 Lite 768P** (現在の料金で $0.0625): https://img.kovapi.com/i/mp-4eda7882119d1b49c37bf0e1.mp4 — 速くて安い反面、ラテの模様ははっきり弱くなります。
- **MiniMax H3 Lite 480P** (現在の料金で $0.025): https://img.kovapi.com/i/mp-10b056d268a7c3beaf4f26e0.mp4 — 最も安く、構図と動きの確認にだけ向いています。
プロンプト原文:
```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
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
integrated_multimodal_description（映像）：[Shot 1] 実写、映画的。日の差す窓辺の木のカウンターで、バリスタの手がエスプレッソのカップにスチームミルクを注ぐ寄りのショット。ミルクがクレマの上にハートを描き、湯気が渦を巻いて立ちのぼる中、カメラはわずかに、ゆっくりとカップへ寄っていく。
overall_soundscape（環境音）：ミルクがカップに流れ込む音、背景でスチームワンドが小さくシューッと鳴り、カフェの話し声がざわめく。
non_diegetic_music（BGM）：N/A（なし）
```
## 作例：プロンプトとパラメーター
### 2 ショット：パン屋の朝いちばんの焼き上がり
- KovAPI で生成 · テキストから動画 · 8s · 1080P · 16:9
- 現在の料金で $0.288
- 生成結果: https://img.kovapi.com/i/mp-c9751f98f2f98ea8114fa1f3.mp4
MiniMax のガイド基本編にある、テキストから動画の例です。2 ショット構成で、5 秒でアップに切り替わります。パン職人のセリフ、鎧戸、パン切りナイフ、アコースティックギターはすべてプロンプトに書かれていて、動画はそのどれも再現しています。背景の看板の文字は崩れています。文字が正しく出るのは、プロンプトで引用符に入れたときだけです。プロンプトは MiniMax 公式の『[動画プロンプト作成ガイド](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md)』から一字一句そのまま引用し、KovAPI がそのプロンプトで生成しました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
integrated_multimodal_description（映像とセリフ）：[Shot 1] 実写、映画的。ミディアムワイドショットで、日の出前に通り沿いの小さなパン屋の鎧戸を開けるパン職人をとらえる。カメラがわずかに、ゆっくりと寄っていく中、落ち着いた少しかすれ声の中年のパン職人 (S1) が焼きたてのパンを木のカウンターに置き、こう言う：[English] First batch of the morning.（朝いちばんの焼き上がりだ。）[Shot 2] 00:05.000 に、カメラは切り分けたパンから湯気が立ちのぼるアップに切り替わり、パン職人の最後の言葉が前のショットから続いて聞こえる。
overall_soundscape（環境音）：静かな通りに木の鎧戸がこすれながら開く音が響き、店の中ではトレーが小さく触れ合う。ドアベルが一度鳴り、続いて軽い足音と、パンを切るサクッとした音。
non_diegetic_music（BGM）：中くらいのテンポで穏やかに刻むアコースティックギターに、まばらなウッドベースが加わり、最後は静かにフェードアウトする。
```
### ブリッジから見る超空間ジャンプ
- KovAPI で生成 · テキストから動画 · 8s · 1080P · 16:9
- 現在の料金で $0.288
- 生成結果: https://img.kovapi.com/i/mp-66d0f99896d2e402c3af40c3.mp4
MiniMax のモデルリポジトリにある、テキストから動画の例です。艦長の背中へゆっくり寄り、4.5 秒で顔のアップに切り替わり、艦隊のジャンプとともにまばゆい閃光が走ります。低い轟音と音楽が一緒に高まっていきます。プロンプトは MiniMax の[H3 モデルリポジトリ](https://huggingface.co/MiniMaxAI/MiniMax-H3)にある例から一字一句そのまま引用し、KovAPI が生成しました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
integrated_multimodal_description（映像）：[Shot 1] 映画的、ミディアムワイドショットでゆっくり寄っていく。広大で薄暗い宇宙船のブリッジ。琥珀色に光るディスプレイを備えた洗練された金属のコンソールが、巨大な湾曲した観測窓の両側に並ぶ。画面中央の中景に、40 代後半の女性艦長が立っている。引き締まった体つきで、銀色の筋が交じる黒い短髪。かっちりした立ち襟の濃紺の軍服を着て、胸には銀の記章が並ぶ。彼女はカメラに背を向け、厚いガラス越しに差し込む冷たい星明かりにシルエットが浮かぶ。両手を背中でしっかり組み、微動だにせず立っている。窓の外では、ギザギザした暗い灰色の弩級艦からなる大艦隊が、深い紫の星雲を背に密集隊形で浮かんでいる。艦隊の巨大な後部スラスターが、強く鮮やかな青い光をしだいに強めながら輝き始める。[Shot 2] 00:04.500 に、カメラは艦長の顔のアップに切り替わり、激しく揺れる。エネルギーを溜める艦隊のまばゆい青白い光が、彼女の暗い色の瞳にくっきりと映る。突然、目もくらむ白い閃光が窓から押し寄せて背景を完全に白く飛ばし、艦隊は超空間へジャンプする。すさまじい空間の衝撃がブリッジを激しく揺らし、Shot 1 の艦長はわずかに前へよろめき、肩をこわばらせて揺れに耐えようと身構えているのがはっきりわかる。強烈な白い光が唐突に消え、くっきり照らされた彼女の肌には紫の星雲が広がる薄暗く空っぽの空間だけが映る。彼女は歯を食いしばり、急にがらんとなった宇宙を前に、ゆっくりと目を閉じる。
overall_soundscape（環境音）：艦の生命維持システムの低く響くハム音がベースにあり、窓の外で艦隊がハイパードライブを充填するにつれて高まっていく甲高い電子音が、すぐにそれをかき消す。閃光とともに、耳をつんざく重低音の轟音と鋭いバチバチという音がはじけ、すさまじい物理的負荷で振動するブリッジの隔壁が、大きな金属のきしみやガタガタという音、重く鈍い衝撃音を立てる。激しい轟音はその後ぷつりと途切れ、がらんとした反響する室内音に戻り、孤立したブリッジのかすかで一定のハム音だけが残る。
non_diegetic_music（BGM）：映画的なスペースオペラのオーケストラ曲、遅いテンポ。深く持続する弦の不協和音の上に、孤独で悲しげなフレンチホルンの旋律が流れ、音量と強さが急激に高まって壮大なオーケストラの頂点へと膨らみ、ジャンプの直後にぴたりと静寂へ断ち切られる。
```
### 中国語のセリフとネオンサイン
- KovAPI で生成 · テキストから動画 · 6s · 768P · 9:16
- 現在の料金で $0.15
- 生成結果: https://img.kovapi.com/i/mp-3ea471e559f9efb09edaf873.mp4
縦型 9:16。看板の文字は引用符に入れ、料理人の中国語のセリフは `[Chinese] …` の形で書いています。「营业中」もセリフも正しく出ましたが、プロンプトで字幕なしを指示したにもかかわらず、画面下部に中国語の字幕が出ました。プロンプトはガイドの書き方に沿って KovAPI が作成し、動画も KovAPI が生成しました。
プロンプト原文:
```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
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
integrated_multimodal_description（映像とセリフ）：[Shot 1] 実写、映画的。夜の狭く古い路地にある小さな屋台を、縦型のミディアムショットでとらえる。屋台の上では "营业中"（営業中）と書かれた赤いネオンサインが光り、中華鍋から湯気が立ちのぼる。温かみのある少しかすれ声の中年の料理人 (S1) が、炎が上がる中で鍋の麺をあおり、カメラを見てこう言う：[Chinese] 刚出锅的，趁热吃！（できたてだよ、熱いうちに食べて！）カメラはわずかに、ゆっくりと中華鍋へ寄っていく。画面には字幕やキャプションを一切出さない。
overall_soundscape（環境音）：油がジュージューと音を立て、中華鍋がコンロに当たってカンカン鳴り、遠くのスクーターの音と話し声が路地を満たす。
non_diegetic_music（BGM）：N/A（なし）
```
### 最初のフレーム：雨の列車と手紙
- KovAPI で生成 · 最初のフレーム · 6s · 1080P · 16:9 · image_role=first_frame
- 現在の料金で $0.216
- 生成結果: https://img.kovapi.com/i/mp-94892704d80349abfc4bbf4e.mp4
- 画像 1: https://img.kovapi.com/i/mp-71b5ed84bb210183de898f1c.jpg
MiniMax のガイド基本編にある、最初のフレームの例です。冒頭に位置合わせの一文があり、動画は最初のフレームから始まって、彼女が顔を上げ、セリフを言い、手紙をたたみます。プロンプトは MiniMax 公式の『[動画プロンプト作成ガイド](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md)』から一字一句そのまま引用しました。入力画像は、プロンプトの描写をもとに KovAPI が Nano Banana Pro で作成しました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
位置合わせ：目標動画の 0.00 秒の時点で、（[Shot 1] のもの）を完全に参照する。
integrated_multimodal_description（映像とセリフ）：[Shot 1] 実写、映画的。 の若い女性は、外見、服装、座席の位置、車両内の配置を保ったまま、雨に濡れた列車の窓辺にいる。カメラがわずかに、ゆっくりと右へトラックする中、彼女は折りたたんだ手紙から、流れていく街の明かりへと視線を上げる。ガラスに映る彼女の姿が動き、静かで息の混じった声の若い女性 (S1) が言う：[English] I get off at the next station.（次の駅で降ります。）彼女は手紙を元の折り目に沿ってたたむ。
overall_soundscape（環境音）：低い換気音の下で、列車の車輪が一定の金属的なリズムを刻む。雨粒が窓を打ち、彼女の手の中で紙が小さくカサカサと鳴る。
non_diegetic_music（BGM）：遅いテンポで持続するチェロの音に、間隔を大きくあけたピアノの音。音量はしだいに小さくなる。
```
### 最初と最後のフレーム：雨の中で傘を開く
- KovAPI で生成 · 最初と最後のフレーム · 8s · 1080P · 16:9 · image_role=first_frame
- 現在の料金で $0.288
- 生成結果: https://img.kovapi.com/i/mp-227363d4eedb3bf23a3a199f.mp4
- 画像 1: https://img.kovapi.com/i/mp-a560b1808c395d8022f926de.jpg
- 画像 2: https://img.kovapi.com/i/mp-c32b3d1c8f0211a33cc0047c.jpg
MiniMax のガイド基本編にある、最初と最後のフレームの例です。2 枚の画像を 0 秒と 8 秒の位置に合わせ、本文ではその間の動きだけを書いています。動画は閉じた傘から始まって開いた傘で終わり、雨音と傘を開くカチッという音も入っています。プロンプトは MiniMax 公式の『[動画プロンプト作成ガイド](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md)』から一字一句そのまま引用しました。入力画像は、プロンプトの描写をもとに KovAPI が Nano Banana Pro で作成しました。
プロンプト原文:
```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
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
参照画像と目標動画の位置合わせ：Picture 1（Shot 1 のもの）は目標動画の 0.00 秒の位置に、Picture 2（Shot 1 のもの）は目標動画の 8.00 秒の位置に合わせる。
integrated_multimodal_description（映像）：[Shot 1] 実写、映画的。雨に濡れた自転車の女性が Picture 1 で決まった位置と構図から始まり、シルバーの自転車のそばで閉じた黒い傘を持っている。カメラがわずかに、ゆっくりと引いていく中、彼女は自転車のハンドルから手を離して傘を肩の上に掲げ、ろくろ（傘の開閉部）を押し上げて傘を開く。広がる生地から水が流れ落ちる中、彼女は傘の下に入り、柄を回して最後の角度にし、ショットの終わりに Picture 2 で決まったポーズ、位置関係、構図に落ち着く。
overall_soundscape（環境音）：雨が路面に絶え間なく降り、続いて傘のろくろの金属的なカチッという音と、傘が開くときの小さなパンという音。遠くを車が通り過ぎる中、自転車のフレームから水がしたたる。
non_diegetic_music（BGM）：N/A（なし）
```
### 参照画像：縦型のアイウェア広告
- KovAPI で生成 · 複数画像の参照 · 8s · 1080P · 9:16 · image_role=reference
- 現在の料金で $0.288
- 生成結果: https://img.kovapi.com/i/mp-6a00ea489194c7c6e685fcf7.mp4
- 画像 1: https://img.kovapi.com/i/mp-c542946f4a47ea07d3225571.jpg
- 画像 2: https://img.kovapi.com/i/mp-dfa785dd4d3f560bb3eb9492.jpg
- 画像 3: https://img.kovapi.com/i/mp-802c1b4d4b5ba8f59682ec61.jpg
参照画像は 3 枚。2 人のモデル、その顔、サングラスのデザインです。参照モード編の構成で書くと、モデルがサングラスをかけてランウェイを歩き、アップに切り替わり、最後に商品カットも加わりました。同じアイデアを 1 行で書いたときは、3 枚の画像が順番に映るだけでした。3 枚の参照画像は KovAPI が Nano Banana Pro で作成しました。アイデアは MiniMax の[ハイライトページ](https://platform.minimax.io/docs/guides/video-prompt)にあるアイウェア広告で、KovAPI が[参照モード編のガイド](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md)の構成で書き直しました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
subject_definitions（素材の定義）：
は の 2 人の女性ファッションモデル。暗い色の髪をなでつけ、1 人は黒のアシンメトリーなブレザーに黒とシルバーのパンツ、もう 1 人は黒のレザーのクロップトップにシルバーのサテンのロングスカート。
は の同じ 2 人のモデルの顔のディテールで、顔立ちとクールな表情を決める。
は の近未来的なシルバーのサングラス。顔を包み込むカーブ、キャットアイとゴーグルを掛け合わせたシャープなシルエット、ミラーレンズ、細く流線形のテンプル。
summary（概要）：
[reference generation]（参照生成）ミニマルな白いホリゾントで撮る 9:16 のハイファッションのアイウェア CM： の顔をした が をかけ、ランウェイの雰囲気でカメラに向かって歩き、最後は 1 人のモデルの顔にかかったサングラスのアップで終わる。
retention_analysis（保持の分析）：
（[Shot 1] に登場）：fully_preserved（完全に保持）。2 人のモデルの衣装となでつけた髪はそのまま。
（[Shot 1]、[Shot 2] に登場）：fully_preserved（完全に保持）。顔立ちはそのまま。
（[Shot 1]、[Shot 2] に登場）：fully_preserved（完全に保持）。顔を包むシルバーのフレームとミラーレンズはそのまま。
detailed_description（ショットごとの描写）：
目標動画は、継ぎ目のない白いホリゾントに柔らかく均一なスタジオ照明を当てた、すっきりしたハイファッションの CM。
[Shot 1] 縦型のフルショット： の 2 人のモデルがそれぞれ をかけ、自信に満ちたランウェイの足取りとクールな態度で、並んでカメラに向かって歩く。顔は と一致。カメラはわずかに、ゆっくりと引いていく。
[Shot 2] 00:04.000 に、カメラは左のモデルの顔のアップに切り替わり、彼女はわずかに顔を向ける。 のミラーレンズに白いスタジオが映り、カメラはわずかに、ゆっくりと湾曲したシルバーのフレームへ寄っていく。
overall_soundscape（環境音）：
スタジオの床に響く歯切れのよいヒールの音、続いて彼女が顔を向けるときの小さなヒュッという音。
non_diegetic_music（BGM）：
中くらいのテンポのミニマルな電子ビートに深いシンセベース。最後は 1 つの和音を長く伸ばして終わる。
```
### 参照動画：台座の上のランニングシューズ
- KovAPI で生成 · 参照動画 · 6s · 768P · 16:9 · image_role=reference
- 現在の料金で $0.325
- 生成結果: https://img.kovapi.com/i/mp-aa7f83de1a85c8445731122b.mp4
- 画像 1: https://img.kovapi.com/i/mp-cc795e889918bc095cfac8c6.jpg
- 参照動画 (7s): https://img.kovapi.com/i/mp-dd0414d99599d8386d11fbfd.mp4
参照動画は像の周りをゆっくり回るショットで、参照画像はランニングシューズです。動画ではシューズが同じ広場の同じ台座に置かれましたが、カメラは少ししか回らず、最後にカットが 1 つ加わりました。カメラワークの参照で借りられるのは場面とテンポで、動きの大きさまで同じになるとは限りません。参照動画も KovAPI が H3 で生成したものです。参照画像は KovAPI が Nano Banana Pro で作成し、プロンプトも KovAPI が書きました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
画像 1 のランニングシューズが、夕暮れのゴールデンアワーに人けのない広場の真ん中で、石の台座の上に立っている。動画 1 のカメラワークとテンポに従う：被写体を中央に保ったまま、左から右へゆっくり回り込むアークショット。動画 1 の像は映さない。音：穏やかな風と遠くのハト。音楽なし。
```
### 参照動画：キツネが同じダンスを踊る
- KovAPI で生成 · 参照動画 · 6s · 768P · 16:9 · image_role=reference
- 現在の料金で $0.325
- 生成結果: https://img.kovapi.com/i/mp-e2308084597964acbd152bce.mp4
- 画像 1: https://img.kovapi.com/i/mp-f75baad27af554d861a38176.jpg
- 参照動画 (7s): https://img.kovapi.com/i/mp-f34bfc40277ff5ab18021caa.mp4
参照動画は人が踊る動画で、参照画像はカートゥーン調のキツネです。キツネは参照動画と同じ順番で腕を上げ、体を揺らし、回転します。参照動画も KovAPI が H3 で生成したものです。参照画像は KovAPI が Nano Banana Pro で作成し、プロンプトも KovAPI が書きました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
画像 1 の黄色いパーカーを着たカートゥーン調の赤いキツネが、カラフルなカートゥーン風の寝室で、動画 1 のダンサーと同じ振り付けを踊る。同じように腕を上げ、腰を揺らし、回転し、同じ決めポーズで終わる。3D アニメ調、固定カメラのフルショット。音：明るいポップのドラムとベース、床を鳴らすキツネのスニーカーの音。
```
### Lite：ランニングシューズのターンテーブル撮影
- KovAPI で生成 · 複数画像の参照 · 5s · 768P · 16:9
- 現在の料金で $0.0625
- 生成結果: https://img.kovapi.com/i/mp-5a3d34dd41ce101dcf3825c9.mp4
- 画像 1: https://img.kovapi.com/i/mp-cc795e889918bc095cfac8c6.jpg
[MiniMax H3 Lite](https://kovapi.com/ja/model/minimax-h3-lite) で生成しました。ランニングシューズの参照画像 1 枚、768P、5 秒です。費用は Lite の料金で計算しています。プレイグラウンドに反映できるのは Lite のページだけです。プロンプトはガイドの書き方に沿って KovAPI が作成し、入力画像は KovAPI が Nano Banana Pro で作成しました。
プロンプト原文:
```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.
```
日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):
```text
参照画像のランニングシューズが光沢のある黒いターンテーブルの上でゆっくり回り、ネオンの光の筋がその上を流れていく。スタジオで寄りで撮った商品ショット。音：低い電子音のハム。
```
## MiniMax H3 のプロンプト：公式の構成どおりに書く
MiniMax 公式の動画プロンプト作成ガイド（Video Prompt Writing Guide：[基本編](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md)、[参照モード編](https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md)）に基づきます。MiniMax によると、H3 はほかの多くのモデルよりもプロンプトの構成が結果を左右します。映像はショットごとに書き、セリフはタグに入れ、環境音と音楽にはそれぞれ別のセクションを設けます。下のコツはこのガイドに基づき、例文はこのページの動画を実際に生成したプロンプトです。「実測」とあるのは、私たちが自分で生成して確かめた結果です。
- **3 つのセクションに分けて書く**: `integrated_multimodal_description` には映像・動作・ショット・セリフ、`overall_soundscape` には環境音と動作の音を 1〜4 文、`non_diegetic_music` には観客にだけ聞こえる音楽を書きます（音楽なしなら `N/A`）。実測：同じパン屋の場面を 1 文で書いてもセリフとカットは入りましたが、音楽がなく、音も違っていました。3 つのセクションで書くと、ギター、ドアベル、パン切りナイフの音がすべて書いたとおりに出ました。 — パン屋の原文の冒頭：“integrated_multimodal_description: [Shot 1] Live-action, cinematic, …”
- **ショットごとに段落を分け、切り替え時刻を書く**: `[Shot 1]` には時刻を書かず、2 つ目以降のショットは `[Shot 2] At 00:05.000, the camera cuts to…` のように書きます。このページの複数ショットの動画では、カットは書いた時刻の近くで切り替わりました。 — パン屋の原文：“[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread”
- **カメラは「種類＋大きさ＋速さ」で書く**: push in、pan、truck、arc shot、tracking shot などの動きに with small amplitude や at slow speed を添え、文末にタグを並べるのではなく、動作の一部として文の中に書きます。 — パン屋の原文：“The camera pushes in with small amplitude at slow speed as the middle-aged baker…”
- **セリフは専用のタグに入れる**: 話者に (S1)、(S2) と番号を付け、先に年齢と声を描写してから、セリフを `[English] …` の形で一字一句そのまま、訳さずに書きます。中国語のセリフには `[Chinese]` を使います。 — 列車の原文：`the quiet, breathy young woman (S1) says: [English] I get off at the next station.`
- **画面に出す文字は引用符に入れる**: 看板や横断幕の文字は、表示したいとおりに半角の二重引用符で囲みます。実測：「营业中」は正しく出ましたが、プロンプトに書かなかった看板は意味をなさない文字になりました。 — 屋台の原文：“A red neon sign reading "营业中" glows above the stall”
- **中国語のセリフには字幕が付く**: 実測：中国語のセリフは 2 回の生成とも画面下部に中国語の字幕が焼き込まれ、字幕なしを指示しても消えませんでした。英語のセリフでは字幕は出ませんでした。字幕のない画面が必要なら、セリフを英語にするか、後から編集で対処してください。 — 屋台の原文の最後の一文（効果なし）：“No subtitles or captions appear on screen.”
- **フレーム指定は位置合わせと途中の動きを書く**: 最初のフレームのジョブは、位置合わせの一文から始めます。最初と最後のフレームでは 2 枚目の画像が何秒の位置に来るかを書き、本文では 2 枚の画像をもう一度描写するのではなく、その間の動きを書きます。 — 傘の原文：“Picture 2 (from Shot 1) aligns with the 8.00-second mark of the target video”
- **参照素材にはすべて名前を付ける**: 入力ごとに ``、`` と名前を付け、動画の中での役割を書きます。実測：MiniMax のハイライトページにある 1 行の書き方（“Image 1: …, Image 2: …”）では、3 枚の参照画像がほとんど動かない 3 つのショットになりました。参照モード編の構成で書き直すと、2 人のモデルがサングラスをかけて歩きました。 — アイウェア広告の原文：` is the futuristic silver sunglasses in …`
| 部分 | 役割 | 例 |
| --- | --- | --- |
| 映像のセクション | `integrated_multimodal_description:` で始め、その下にショットごとの段落を書きます。 | 原文：“integrated_multimodal_description: [Shot 1] …” |
| スタイルとショットサイズ | 最初のショットは、スタイルとショットサイズから書き始めます。 | 原文：“Live-action, cinematic, a medium-wide shot frames a baker opening the shutters…” |
| カメラと動作 | カメラの種類・大きさ・速さを、動作と同じ文に書きます。 | 原文：“The camera pushes in with small amplitude at slow speed as the middle-aged baker… places a fresh loaf on the wooden counter” |
| セリフ | 話者の番号、声、タグに入れたセリフ。 | 原文：`with a calm, slightly raspy voice (S1) … says: [English] First batch of the morning.` |
| カット | 新しいショットには、切り替わる時刻と新しい画面を書きます。 | 原文：“[Shot 2] At 00:05.000, the camera cuts to a close-up of steam rising from the sliced bread” |
| 2 つの音のセクション | 環境音で 1 つ、音楽で 1 つ。 | 原文：“overall_soundscape: Wooden shutters scrape open… non_diegetic_music: A soft acoustic-guitar pattern…” |
```text
integrated_multimodal_description: [Shot 1] [スタイル（例：Live-action, cinematic）], [ショットサイズ] frames [被写体と場所]. The camera [カメラの動き] with [small / large] amplitude at [slow / fast] speed as [動作]. The [話者の年齢と声] (S1) says: [English] [セリフ] [Shot 2] At 00:0X.000, the camera cuts to [次の画面].
overall_soundscape: [環境音と動作の音を 1〜4 文で]
non_diegetic_music: [楽器、テンポ、強弱。音楽が不要なら N/A]
```
## KovAPI で MiniMax H3 Lite の動画を作る手順
1. **登録して API キーを作る** KovAPI にログインし、コンソールでキーを作成します。1 つのキーでサイトのすべてのモデルを呼び出せます。
2. **このページの上部でプロンプトを試す** 長さ・解像度・画面比率を選び、参照画像を追加すると、送信前にリアルタイムの料金が表示されます。
3. **非同期ジョブを送信する** `minimax-h3-lite` を指定して `POST /v1/videos/generations` に送信し、HTTP 202 の応答にあるジョブ ID を保存します。完全なリクエスト例はドキュメントにあります。
4. **結果をポーリングするか Webhook で受け取る** ジョブ ID でポーリングするか、送信時に `callback_url` を指定します。成功したら `data[0].url` から MP4 をダウンロードしてください。動画の保存期間は 7 日間なので、早めに保存してください。
### 最小のリクエスト例
```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"
```
## MiniMax の動画モデルの歩み
- 2025-02-11 · T2V-01-Director: **T2V-01-Director · カメラワークの制御** プロンプトにカメラの指示を書くと、モデルがそのとおりにカメラを動かします。H3 のプロンプトガイドも、このカメラワークの書き方を受け継いでいます。
- 2025-06-18 · MiniMax Hailuo 02: **Hailuo 02 · 1080P** 第二世代の動画モデル。1080P と、1 本最長 10 秒の動画に対応しました。
- 2025-10-28 · MiniMax Hailuo 2.3: **Hailuo 2.3 / 2.3 Fast** 体の動き、表情、物理的なリアルさ、プロンプトへの忠実さが向上しました。Fast 版は画像から動画のみです。
- 2026-07-31 · MiniMax H3: **MiniMax H3 · 第三世代** テキスト・画像・動画・音声をまとめて理解し、映像とステレオ音声を一度に生成します。最初のフレーム、最初と最後のフレーム、参照画像、参照動画を 1 つのモデルで扱えます。KovAPI では 480P / 768P / 1080P を提供しています。
## MiniMax H3 とほかの動画モデルの選び方
| モデル | 長さ（秒） | 解像度 | 参照 画像 / 動画 / 音声 | 料金 | 向いている用途 |
| --- | --- | --- | --- | --- | --- |
| MiniMax H3 Lite (`minimax-h3-lite`) | 4–15 | 480P / 768P | 5/0/0 | $0.005/秒 | 大量の試作やプロンプトのテスト。同じ H3 を少ない推論ステップで動かすので、速くて安い反面、画質はやや下がります。テキストと参照画像のみ。 |
| MiniMax H3 (`minimax-h3`) | 4–15 | 480P / 768P / 1080P | 9/3/3 | $0.015/秒 | 音声付きの 1080P 動画、最初と最後のフレーム、参照画像と参照動画の併用が必要なとき。480P の安い試作にも。 |
| Wan 3.0 (`wan3.0-video`) | 4–30 | 480P / 720P / 1080P | 10/5/5 | $0.04/秒 | 15 秒を超える動画（最長 30 秒）や、ドキュメント・Web ページから作る動画。 |
| Seedance 2.5 (`seedance-2.5`) | 4–30 | 480P / 720P / 1080P | 30/10/10 | $0.10/秒 | 大量の参照素材を使う動画や、最長 30 秒の物語的な動画。 |
| Seedance 2.0 Fast (`seedance-2.0-fast`) | 5–15 | 480P / 720P | 9/3/3 | $0.046/秒 | 速くて低コストな Seedance の動画。 |
| Gemini Omni 1.2 Flash (`gemini-omni-1.2-flash`) | 3–15 | 720P / 1080P / 4K | 3/0/0 | $0.035/秒 | 既存の動画を一文で編集したいとき、4K が必要なとき、画面の文字を正確に出したいとき。 |
| Veo 3.1 (`veo-3.1`) | 8 | 720P / 1080P | 3/0/0 | $0.20/本 | 長さ 8 秒固定で、1 本ごとに課金する動画。 |
| Grok Imagine Video 1.5 (`grok-imagine-video-1.5`) | 4–15 | 480P / 720P | 7/0/0 | $0.30/本 | 1 本ごとに課金する 480P / 720P の動画。参照画像は 7 枚まで。 |
ほかのモデルですでに動画を作っているなら、同じ入力と評価基準で両方を試し、映像・動き・音・生成時間・実際の費用を比べてから切り替えを決めてください。H3 と Lite の違いは、上の同じプロンプトでの比較をご覧ください。
## 組み合わせのルール
- Lite には最初のフレームも、最初と最後のフレームもありません。画像は常に参照として扱い、`image_role: first_frame` はその場で拒否され、課金されません。特定の画像から動画を始めたいときは標準版を使ってください。
- Lite は参照動画も参照音声も受け付けません。どちらかを付けたリクエストは拒否され、課金されません。これらを使うなら標準版をお使いください。
- 解像度は 480P と 768P だけです。`1080P` は拒否され、`720P` は 768P として扱います。どの動画にも音声が付くので、音楽が不要ならプロンプトに `non_diegetic_music: N/A` と書いてください。
## KovAPI で MiniMax H3 Lite を使う理由
- **試作のコストが低い**: Lite は 480P が $0.005/秒、768P が $0.0125/秒です。プロンプトの構図と動きを Lite でまとめて試し、選んだものだけを標準版の 1080P に切り替えて生成できます。プレイグラウンドでは送信前にそのリクエストの料金がわかります。
- **失敗は課金なし、自動でリトライ**: ジョブが失敗したら、仮押さえした料金を全額返金します。上流が混雑したりエラーを返したりしたときはシステムが自動でリトライするので、リトライ処理を自分で書く必要はありません。
- **同時実行の上限なし**: アカウントごとの同時実行数に上限はないので、まとめてすぐに送信できます。混雑時はキューで待ち、API は `queue_position` と `eta_seconds` を返し、完了時に Webhook で通知できます。
- **すべての動画モデルを 1 つの API で**: 送信・ポーリング・Webhook の書き方は、サイトのどの動画モデルでも同じです。`model` を変えるだけで、同じプロンプトを標準版、Wan、Seedance などに送れます。
- **登録も支払いも簡単**: メール、Google、GitHub で登録でき、WeChat Pay、カード、PayPal、USDT でチャージできます。従量課金で月額料金はなく、同じキーでサイトのチャット・画像モデルも使えます。
## MiniMax H3 API よくある質問
### MiniMax H3 とは？
MiniMax が2026年7月に公開した動画モデルで、MiniMax は Hailuo 01、Hailuo 02 に続く第三世代と位置づけています。テキスト・画像・動画・音声をまとめて理解し、どの動画にも音声が付きます。KovAPI では `minimax-h3` で、テキストから動画、最初のフレーム、最初と最後のフレーム、参照画像、参照動画に対応します。
### どのくらいの長さの動画を作れますか？
4〜15 秒の整数秒で自由に指定でき、`duration` を省くと 5 秒です。実際の動画は指定より 1 秒未満だけ長くなります（5 秒のジョブで約 5.2 秒）が、課金は指定した秒数で計算します。
### 解像度はどれを選べばよいですか？実際のサイズは？
試作や大量生成には 480P、精細さと料金のバランスなら 768P、最も精細な映像には 1080P。`resolution` を省くと 1080P です。16:9 の場合、480P は 864×480、768P は約 1344×768、1080P は約 1920×1080 で、ジョブによって数十ピクセルの差が出ることがあります。
### 720P を指定できますか？
できます。768P として生成し、768P の料金で課金します。2K や 4K などほかの値は送信時に拒否され、課金されません。
### フレーム指定と参照はどう切り替えますか？
`image_role` を省くと、1 枚なら最初のフレーム、2 枚なら最初と最後のフレームです。`image_role: reference` を指定すると参照画像になり（最大 9 枚）、写っている人物・商品・場所がフレームとしてではなく画面の中に登場します。参照動画や参照音声には参照モードが必要です。
### 参照動画で何ができますか？料金は？
動きやカメラワーク、テンポを参照動画に合わせられます。このページのキツネは、参照動画の人と同じ振り付けで踊っています。参照動画の秒数は出力の秒数と合わせて、選んだ解像度の単価で課金します。たとえば 768P で出力 6 秒、参照動画 7 秒なら 13 秒分です。最大 3 本、各 2〜15 秒・合計 15 秒まで。
### 参照音声は効果がありますか？料金は？
無料で最大 3 本、参照画像か参照動画と一緒に送る必要があります。MiniMax のガイドでは声や音楽の参照として説明されていますが、キャラクターに参照音声の声で新しいセリフを話させたテストでは 2 回とも声ははっきりとは変わらなかったので、声を決める目的では当てにしないでください。
### 参照素材の形式とサイズの条件は？
画像：JPG / PNG / WEBP（GIF は不可）、1 枚 16MB まで、幅・高さとも 256〜5760 ピクセル、縦横比 0.4〜2.5。標準版の参照モードは最大 9 枚、Lite は最大 5 枚。参照動画（標準版のみ）：MP4 / MOV（映像 H.264 / H.265、音声 AAC / MP3）、最大 3 本、各 2〜15 秒・合計 15 秒まで、1 本 50MB まで。参照音声（標準版のみ）：WAV / MP3、最大 3 本、各 2〜15 秒・合計 15 秒まで、1 本 15MB まで。条件に合わないものは送信時に拒否されます（コーデックが違う場合は生成中に失敗します）。いずれも課金されません。
### 音声をオフにできますか？
できません。どの動画にも音声トラックが付き、`audio: false` は拒否されます。音楽が不要なら `non_diegetic_music: N/A` と書き、無音のファイルが必要ならダウンロード後に音声トラックを削除してください。
### セリフは中国語やほかの言語でも書けますか？
書けます。セリフは `[Chinese] …` の形で書きます。私たちのテストでは中国語のセリフは一字一句そのとおりに出ましたが、画面下部に中国語の字幕が出て、字幕なしを指示しても消えませんでした。MiniMax によると、セリフは中国語・英語・日本語・韓国語・スペイン語・ロシア語など 11 言語で安定しています。プロンプトのほかの部分は、ガイドと同じく英語で書くほうが確実です。
### 実在の人物の写真を使えますか？
使えます。一般の人の写真 2 枚で、最初のフレームとして 2 回、参照として 2 回試し、4 回とも正常に生成されました。写っている人物の肖像を使う権利があることを確認してください。
### 生成にどのくらいかかりますか？
2026年11月12日に行った 30 本あまりのテスト生成では、ほとんどが 2〜6 分で完了し、15 分を超えたものもいくつかありました。解像度が高いほど、参照素材が多いほど、また混雑時ほど時間がかかります。非同期ジョブなので、ジョブ ID でポーリングするか、`callback_url` を指定して通知を待ってください。
### 生成に失敗したら課金されますか？
失敗した生成は課金されず、そのまま再送信できます。送信時の仮押さえは全額返金され、同じジョブの自動リトライは一度だけ精算されます。
### 動画はどのくらい保存されますか？
生成した動画とアップロードした素材は 7 日間保存され、その後削除されます。必要なものはダウンロードしておいてください。
### H3 と H3 Lite はどちらを選べばよいですか？
[MiniMax H3 Lite](https://kovapi.com/ja/model/minimax-h3-lite) は同じ H3 を少ない推論ステップで動かすもので、速くて安い反面、画質はやや下がります。480P / 768P のみで、テキストと参照画像だけに対応し、参照音声・参照動画は使えません。Lite でプロンプトや構図を試し、仕上げは H3 の 1080P で生成してください。違いは上の同じプロンプトでの比較で確かめられます。
### H3、Wan 3.0、Seedance 2.5 はどう選べばよいですか？
15 秒を超える動画なら [Wan 3.0](https://kovapi.com/ja/model/wan3.0-video) か [Seedance 2.5](https://kovapi.com/ja/model/seedance-2.5)（最長 30 秒）、最初と最後のフレームや安い 480P の試作なら H3 が向いています。いちばん確実なのは、同じプロンプトをそれぞれで試して比べることです。
### このページの作例はどうやって作りましたか？
すべて KovAPI が自社の API で、表示している設定のとおりに生成したものです。各作例には設定と、現在の料金で計算した費用を載せています。プロンプトの多くは MiniMax 公式のガイドから一字一句そのまま引用し、入力画像は KovAPI の画像モデルで作成しました。
## AI 向けの補足
- モデル ID は `minimax-h3`。`POST /v1/videos/generations` で送信すると HTTP 202 とジョブ `id` が返ります。結果は `GET /v1/videos/jobs/` にジョブ ID を付けて取得します。
- `resolution` は 480P / 768P / 1080P のいずれかで既定は 1080P。`720P` は 768P として扱います。`size` は 16:9 / 9:16 / 1:1 / 4:3 / 3:4 / 3:2 / 2:3 / 21:9 のいずれか。`duration` は 4〜15 の整数で既定は 5。
- 画像は `images` へ：`image_role` を省くと 1 枚は最初のフレーム、2 枚は最初と最後のフレーム。`image_role: reference` なら参照画像を最大 9 枚で、3 枚以上では reference の指定が必須です。
- 参照動画のフィールドは `video_references`（または `video_reference`）：最大 3 本、各 2〜15 秒・合計 15 秒以内、MP4 / MOV、秒単位で課金。参照音声のフィールドは `audio_references`（または `audio_reference`）：最大 3 本、WAV / MP3、各 2〜15 秒・合計 15 秒以内、URL のみ、無料で、参照画像か参照動画と一緒のときだけ使えます。どちらも参照モードが必要です。
- `reference_audios`、`reference_videos`、`start_frame`、`end_frame`、および最初のフレームのリクエストに付けた音声・動画は、送信時に HTTP 400 を返し、課金されません。
- 課金：選んだ解像度の秒単価 ×（出力の秒数 + 参照動画の秒数）。480P $0.015/秒、768P $0.025/秒、1080P $0.036/秒。
- 動画には常に音声トラックが付き、`audio: false` は拒否されます。プロンプトは 5,000 文字までで、このページのプロンプトのセクションで示した構成で書きます。実測：参照音声で声ははっきりとは変わりませんでした。中国語のセリフには字幕が焼き込まれます。
## 関連資料
- [MiniMax H3 API ドキュメント](https://docs.kovapi.com/ja/minimax-h3): リクエストのフィールド、非同期ジョブ、結果、完全なコード例。
- [MiniMax H3 Lite](https://kovapi.com/ja/model/minimax-h3-lite): 同じ H3 を、より速く安く。大量の試作向け。
- [MiniMax H3 の料金比較](https://kovapi.com/ja/compare/minimax-h3): MiniMax 公式とほかのプラットフォームの秒単価。各セルに出典付き。
- [非同期ジョブガイド](https://docs.kovapi.com/ja/guide/async-jobs): ジョブの状態、キューのフィールド、結果の取得。
- [Webhook ガイド](https://docs.kovapi.com/ja/webhooks): ジョブの結果を受け取り、ドキュメントどおりに署名を検証します。