竖屏 · 指定音轨2s768P4:7
竖屏里的桥影与红船
竖屏把红船与石桥倒影收进纵向构图，配上输入的目标音频，适合短片中的过渡镜头。
提示词（英文）
A red paper boat drifts beneath a stone bridge after rain. Smooth tracking camera, natural ripples, soft birdsong. No text or subtitles.
输入目标音频
用文字安排场景、动作与声音，为横屏、竖屏或方形短片选择画幅。
提供商: MiniMax
类型: 视频生成
接口: /v1/tasks
状态: 已开放
消耗: 查看页面实时价格
返回模型列表
MiniMax H3 Max Text-to-Video
提供商 MiniMax视频
用文字安排场景、动作与声音，为横屏、竖屏或方形短片选择画幅。
定价
标准用量
230 积分/ s
输入
136 / 50000
范围：2 - 15
更多参数
上传素材
上传后可预览替换输出音轨，至少 2 秒、最多 15 MB；较长截取开头，较短补静音，不改变视频时长
已上传音频
0:00--:--
生成设置
disabled 不扩写；balanced 默认平衡；quality 注重细节，可能增加等待时间
高级参数
用于复现结果 · 整数 · 必须是整数
预估费用460 积分230 积分 / s × 2s × 768P
输出
准备生成
配置参数并点击"运行"查看输出结果。
--
围绕纸船，选择镜头的观看方式
查看竖屏主体构图与宽幅环境镜头，结合水面运动、桥洞光影和音轨安排自己的短片。
环境 · 宽幅构图3.5s1080P4:3
桥下水面，留出横向空间
4:3 画面容纳石桥、红船和水面，细小波纹沿镜头展开，适合环境叙事与片头素材。
提示词（英文）
A red paper boat drifts beneath a stone bridge after rain. Smooth tracking camera, natural ripples, soft birdsong. No text or subtitles.
静物 · 方形构图3s480P1:1
雨窗边的一杯热茶
1:1 方形画面把陶杯、木桌和雨窗收在同一处，缓慢推近的镜头留出观察蒸汽的时间。声音提示由轻柔雨声和一个安静的钢琴音组成，适合放在生活短片的停顿处。
提示词（英文）
A ceramic cup of hot tea on a wooden table beside a rain-streaked window, steam curling upward, slow push-in, soft rain and a single quiet piano note. No text or subtitles.
环境叙事 · 升高镜头4s768P7:4
骑过晨光中的空广场
宽幅画面先贴近骑行者，再随镜头升高展开石板广场、长长的影子和远处天际线。鸟鸣与远处钟声写入声音提示，让这一段成为旅行或城市短片的开场。
提示词（英文）
A lone cyclist crosses a wide empty plaza at dawn, long shadows on the stone, the camera rising slowly behind them, birdsong and distant bells. No text or subtitles.
手作过程 · 竖屏近景4s768P4:7
双手把陶坯塑成花瓶
竖屏构图沿着陶坯的高度展开，湿润的双手从腹部向上收出瓶颈，窗光照亮转动的泥纹和指尖。声音提示写入转盘轻响与水声，让这段手作近景也有工作室的日常气息。
提示词（英文）
A potter shapes a clay vase on a spinning wheel, wet hands smoothing the curve upward, warm window light across the studio, soft whirring of the wheel and the sound of water. No text or subtitles.
如何选择相关视频模型
只有文字想法时留在这里；已经有一张做好的图，看看图生视频入口。
模型规格
- 输入
- 文字提示词，不接收帧图
- 视频时长
- 0.92–15 秒，可用小数使用目标音频时至少 2 秒
- 分辨率
- 480P / 768P / 1080P1080P 从 768P 画面进一步增强
- 音轨
- 模型生成配乐，或换成你自己的音频
- 提示词扩写
- disabled：保留你的原话balanced：默认，适度补充quality：补充最多，耗时更长
- 目标音频
- 不少于 2 秒，不超过 15 MB超出部分从结尾截去，不足处补静音
- 随机种子
- 固定后便于比较不同画幅和措辞
- 画幅
- 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16
- 提示词长度
- 最多 50,000 个字符
当前价格：查看实时定价
如何使用 MiniMax H3 Max Text-to-Video
主体与场景
动作
镜头
01
描述一个连贯镜头
交代主体、环境、动作、镜头方向与声音。
0.92–15 秒
选择画幅
可替换音轨
02
选择发布画幅与时长
按发布位置选择画幅和分辨率；使用目标音频时至少选择 2 秒。
在线体验
POST /v1/tasks
03
查看画面与音轨
在线查看成片与声音，再使用下方请求将创作接入应用。
API 快速示例
curl --request POST 'https://api.hiapi.ai/v1/tasks' \
--header 'Authorization: Bearer YOUR_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"model": "minimax-h3-max/text-to-video",
"input": {
"prompt": "A red paper boat drifts beneath a stone bridge after rain. Smooth tracking camera, natural ripples, soft birdsong. No text or subtitles.",
"resolution": "768P",
"duration": 2,
"aspect_ratio": "9:16",
"target_audio_url": "https://static.hiapi.ai/model-onboarding/minimax-h3-max/2026/10/13/1791862423253-b835317bfd92f652-target-audio.wav"
}
}'创建请求会返回 taskId；结果需要异步获取。查看完整 API 文档
MINIMAX / H3 MAX · TEXT-TO-VIDEO
一句描述，生成指定画幅的短片
只需要文字，不用准备素材。在 21:9 到 9:16 的六种画幅里选一种，模型按描述安排主体、动作、镜头和声音；已有配乐或旁白时，还能上传目标音频替换成片音轨。
六种画幅可换目标音频最长 15 秒
了解模型与作品 ↓
模型概览
MiniMax H3 Max Text-to-Video 模型介绍
文生视频的效果取决于描述能不能讲清一个镜头。把主体、环境、动作、镜头运动和声音写进同一段话，模型就有足够信息安排画面，从想法到成片的路径最短。
画幅由画面比例选项决定，同一句描述可以分别出横屏、竖屏和方形版本。上传目标音频后，成片使用你的声音，动作和镜头仍按文字安排；提示词最长 5 万字符。
同一个模型，五种画幅与题材
每段都只用文字生成，展开可以查看提示词。
竖屏里的桥影与红船
竖屏把红船、桥洞和水中倒影串成一条纵向构图，主体留出移动空间，在手机上一眼就能看清动作。
这段上传了目标音频，成片音轨就是那段声音。已经定好配乐的剪辑，可以先有声音再生成画面。
查看提示词
A red paper boat drifts beneath a stone bridge after rain. Smooth tracking camera, natural ripples, soft birdsong. No text or subtitles.
桥下水面，留出横向空间
4:3 画面同时容纳石桥、红船和水岸，细小波纹沿着镜头展开，动作不必填满整个画面。
适合品牌故事和环境介绍的开场。用光线、空间关系和缓慢的镜头建立氛围，比堆满动作更耐看。
查看提示词
A red paper boat drifts beneath a stone bridge after rain. Smooth tracking camera, natural ripples, soft birdsong. No text or subtitles.
雨窗边的一杯热茶
1:1 方形把陶杯、木桌和雨窗收在一处，镜头缓慢推近，留出看清蒸汽升起的时间。
声音写进了提示词：轻柔雨声加一个安静的钢琴音。适合放在生活类短片的停顿处，或做成方形社交帖子。
查看提示词
A ceramic cup of hot tea on a wooden table beside a rain-streaked window, steam curling upward, slow push-in, soft rain and a single quiet piano note. No text or subtitles.
骑过晨光中的空广场
宽幅画面先贴近骑行者，再随镜头升高展开石板广场、长长的影子和远处天际线。
鸟鸣和远处钟声写在声音描述里。先近后远的镜头能在一段画面里同时交代人物和地点，适合旅行或城市短片开场。
查看提示词
A lone cyclist crosses a wide empty plaza at dawn, long shadows on the stone, the camera rising slowly behind them, birdsong and distant bells. No text or subtitles.
双手把陶坯塑成花瓶
竖屏沿着陶坯的高度展开，湿润的双手从瓶腹向上收出瓶颈，窗光照亮转动的泥纹和指尖。
转盘轻响和水声写进了声音提示，让手作近景带上工作室的日常感，适合手作品牌和教程类竖屏内容。
查看提示词
A potter shapes a clay vase on a spinning wheel, wet hands smoothing the curve upward, warm window light across the studio, soft whirring of the wheel and the sound of water. No text or subtitles.
按用途选分辨率
480P
快速预览构图
768P
日常交付
1080P
在 768P 上增强，更清晰
Text-to-Video 适合哪些工作
社交平台竖屏短片
从一个动作构想直接生成 9:16 镜头，用于短视频、故事转场和移动端展示。
同一创意，多种画幅
固定提示词和随机种子，只换画幅，一次拿到横屏、竖屏和方形版本，分渠道投放。
给现成配乐配画面
先有音乐或旁白，上传为目标音频，在描述里写清镜头节奏，成片沿用你的声音。
片头与背景镜头
为文章视频和品牌故事准备宽幅环境素材，把地点、天气和光线写进描述。
从一句描述开始
在在线体验里写下场景、选好画幅试一段，满意后把同样的参数通过 API 接入。每一版成片都留在任务记录里，方便并排比较不同画幅和音轨。
需要比较不同模型和计费档位？查看全部模型实时价格
常见问题
需要准备图片吗？
不需要，此入口只根据文字创建视频，不接收首帧或尾帧图片。已有图片并希望设定开始或结束画面时，选择 MiniMax H3 Max Image-to-Video。
如何为发布位置选择画幅？
可选 21:9、16:9、4:3、1:1、3:4、9:16。横屏适合环境镜头和片头，竖屏适合短视频，方形适合信息流。构图中交代主体位置与运动空间，便于镜头适应所选画幅。
怎样写更清楚的镜头描述？
从主体和环境开始，再写一个连贯动作、镜头方向与声音。短片中避免塞入过多事件；需要更丰富的描述时，可使用提示词扩写，并在查看成片后调整。
竖屏 9:16 真的会输出竖屏吗？
会。这个入口直接按所选画幅生成，我们的 768P 测试返回了 768×1344。
可以同时使用目标音频和很短的时长吗？
不可以。使用目标音频时视频时长要不少于 2 秒，音频本身也要不少于 2 秒。只想做 1 秒以内的极短片段时，让模型自己生成声音即可。
怎么让同一个构思出不同画幅而风格接近？
固定提示词和 seed，只改 aspect_ratio。相同 seed 不保证画面完全一致，但风格、色调和动作倾向通常更接近，便于挑选。
提示词扩写什么时候开？
只有一句简短创意时，用 balanced 或 quality 让模型补充细节；已经写好镜头、光线和动作时用 disabled，保留自己的措辞。扩写不改变你请求的时长。
为什么返回的时长和请求略有差异？
视频按帧生成，最终时长会落在最接近的帧边界上。我们的测试里差异不到三分之一秒。需要精确剪辑点时，以返回视频的时长为准。
1080P 画面适合什么用途？
1080P 是在 768P 画面基础上进一步增强的输出档，适合最终交付或大屏播放；起草和比对阶段用 480P 或 768P 更快。
HiAPI Blog
