MiniMax H3 vs H3 Max: especificaciones y comparación de vídeo

¿H3 o H3 Max? Empieza por el plano que necesitas

Elige según el tamaño de entrega y la toma que puedas aprovechar. H3 ofrece la vía habitual de salida en 2K y 4K; Max ofrece 768P y 1080P refinado. En nuestra prueba con cuatro imágenes de referencia, sus encuadres y selección de planos son parecidos, sin una ventaja clara de cámara para Max. Ambos tienen endpoints de referencia a vídeo en fal, por lo que puedes incluir una ficha de personaje, un clip de movimiento o una referencia de voz en cualquiera de las dos pruebas.

Max es la variante de H3 posentrenada por fal, ajustada para seguir el prompt, mejorar la estética y aumentar el rendimiento. Una toma que se ve bien, suena bien y encaja con los planos contiguos puede formar parte del montaje final. Para una serie, prueba primero la dificultad: un rostro que gira, una mano que cambia de agarre o diálogo durante un movimiento de cámara.

Especificaciones comprobadas el 25 de octubre de 2026. La tabla distingue los endpoints de fal de las especificaciones publicadas del modelo base de MiniMax y los flujos locales, que pueden ofrecer ajustes diferentes.

Límites de duración y resolución en fal

Como contexto, el anuncio de H3 de MiniMax especifica 4–15 segundos, una base de 768p y una etapa separada de regeneración en 2K. Eso no convierte cuatro segundos en el mínimo aceptado de todos los servicios alojados. La tabla de fal tampoco describe los límites de salida de una instalación propia.

Antes de un lote, consulta el campo de duración del endpoint exacto. Los esquemas de texto a vídeo e imagen a vídeo de Max aceptan decimales e indican al menos dos segundos con target_audio_url; ese campo no muestra el intervalo completo de la guía. Separa esa condición de audio del intervalo general. Max también advierte que el archivo devuelto puede durar unos 0.7 segundos más de lo solicitado.

La tabla recoge opciones documentadas. El ejemplo siguiente prueba una solicitud de referencias de 12 segundos y 768P por modelo; no prueba todos los límites enumerados. Los ajustes disponibles en ArcLoop pueden ser distintos.

Cuándo usar H3 y cuándo H3 Max

Los informes más útiles de Reddit explican dónde encaja cada modelo en el trabajo. Un usuario de Max explora variaciones de concepto antes de un acabado más lento. En otra discusión, alguien que usa referencias prefiere su configuración LoRA del modelo base y observa una mejora de velocidad menor en el modo de referencias de Max que en texto a vídeo. Ninguno resuelve la comparación de calidad. Juntos nos dan un motivo para probar el modo que realmente vamos a usar.

Para una escena de anime, da a ambos modelos la misma acción exigente y las mismas referencias. Revisa caras, manos, movimiento de objetos y habla, y cuenta las tomas que conservarías. Mide la espera hasta disponer de un archivo reproducible e incluye los intentos rechazados en el coste. Para un episodio, eso dice más que el render más rápido.

Comparación de vídeo H3 vs H3 Max: las mismas cuatro referencias

Una mensajera lleva una caja metálica cerrada a un taller ferroviario. El ingeniero la recibe, responde a su advertencia y mira hacia las ventanas. Pedimos a H3 y H3 Max contar esta pequeña historia en tres planos: un plano medio de ambos, un inserto de la entrega y un plano más cercano de los dos para la respuesta.

Los dos resultados son similares en encuadre y selección de planos. Esta pareja no muestra una ventaja clara de cámara o montaje para Max. Ambos incluyen los tres tipos de plano pedidos; su ritmo difiere y ninguno sigue de cerca el primer corte solicitado a los cuatro segundos. En una escena así, compara la toma que conservarías y su coste antes de pagar más por el nombre del modelo.

Imágenes de referencia y ajustes compartidos

Las entradas fueron dos fichas de personaje, una escena del taller y una ficha del objeto, en ese orden. La escena de abajo es la versión revisada, redibujada para ajustarse al estilo de webtoon coreano de los personajes. Ambos vídeos usan ese mismo conjunto. No se proporcionó clip de movimiento ni referencia de voz; cada modelo genera el diálogo.

Ver ambos resultados completos

MiniMax H3

H3 Max de fal

Reprodúcelos por separado para escuchar cada banda sonora generada. Ambos archivos fuente son de 1344×768, 24 fps y 12.25 segundos. Estas copias de visualización de 1280×720 conservan los 294 fotogramas y el sonido original, con escalado proporcional y relleno; no tienen cambios de velocidad, interpolación ni diálogo sustituido.

Son observaciones únicas del cliente que incluyen solicitud y consultas de estado. La subida de referencias y las exportaciones de visualización quedan fuera del cronómetro. Max devolvió el resultado unos 1.7 segundos antes en esta pareja; esa muestra pequeña no establece una clasificación de velocidad.

Qué nos dice esta pareja sobre los planos

Ambos siguen la misma estructura visual general: Mina a la izquierda, Ivo a la derecha, un primer plano del cambio de manos de la caja y vuelta a ambos personajes. Max llega antes a los cambios de plano posteriores, pero el tratamiento de cámara es similar. Aquí no hay un motivo evidente para elegir Max solo por una mayor variedad de encuadres.

Las instrucciones de corte también muestran dónde sigue siendo necesario el montaje. Pedimos cortes directos a los cuatro y ocho segundos, pero ambos mantienen el plano inicial más tiempo. Trata esos tiempos como indicaciones al modelo y ajusta el material aceptado en montaje cuando un momento deba caer con precisión. La transcripción automática encontró ambas frases objetivo en inglés en ambos clips; no demuestra identidad de voz ni sincronización labial precisa. Esta única pareja no resuelve la anatomía de las manos, la calidad del movimiento completo ni la continuidad de todo un episodio.

Para esta escena, mantén H3 en la comparación si su resultado ya sirve al montaje. Elige Max cuando su toma real, opciones de entrega o tiempo de respuesta aporten algo útil al proyecto. Consulta el precio del modo concreto, incluidos los cargos de referencias; una promoción de texto a vídeo no determina la factura de una solicitud con varias referencias.

Prompt completo en inglés utilizado en ambos vídeos

A 12-second Korean webtoon-style animated scene, 16:9, with three deliberately edited shots. Fine ink lines, soft restrained cel shading, expressive adult faces. A quiet clockwork railway station workshop at blue hour. Natural real-time performance.

REFERENCE ASSIGNMENTS
Image 1 defines Mina, the adult female courier: short black bob, moss-green jacket, rust-red scarf, gold crescent pin. Image 2 defines Ivo, the adult male engineer: brown low ponytail, round brass glasses, navy apron over a cream rolled-sleeve shirt. Each character sheet shows one person at two scales; those insets are not additional people. Preserve each character's face, hairstyle, clothing and accessories across every cut.
Image 3 defines the empty workshop, wooden counter, brass lamp at screen left and blue arched station windows. Maintain the warm light from left and cool window light from right.
Image 4 shows two views of ONE small teal metal box with one centred brass latch. Use exactly one box, with the same proportions, colour and closed lid in all shots. Do not reproduce the reference-sheet layout or duplicate the box.

SHOT 1 — 0.0 TO 4.0 SECONDS — ESTABLISHING MEDIUM TWO-SHOT
Mina stands at screen left on the near side of the counter. Ivo stands at screen right behind the counter. Start with the closed teal box held by Mina above the clear countertop. Gentle, short camera push-in. Mina sets the box on the counter and begins sliding it towards Ivo. Starting around 0.8 seconds, Mina says in English, clearly and with restrained urgency: "Keep it closed until the last train leaves." Ivo is silent and watches the box. Finish the entire line before the next shot.

HARD CUT ON THE MOVING BOX at 4.0 seconds. Match the box's position and movement across the cut. Stay on the same side of the action axis; keep Mina to the left and Ivo to the right.

SHOT 2 — 4.0 TO 8.0 SECONDS — HANDOVER INSERT CLOSE-UP
Tight view of the same closed teal box and both characters' hands, with their distinct sleeve colours visible. Mina's hand enters from the left, Ivo's hands from the right. Ivo takes a secure two-handed grip before Mina releases the box. Mina withdraws her hand; Ivo lifts the box a few centimetres, then sets it on his side of the counter. Show contact and release as one readable action. Only one box. The lid remains closed. Quiet metal-on-wood and cloth sounds, no dialogue during this insert.

HARD CUT at 8.0 seconds to a MEDIUM-CLOSE TWO-SHOT from the same side of the axis. Match Ivo's hands and the box to the end of the insert. Do not reset the handover or return the box to Mina.

SHOT 3 — 8.0 TO 12.0 SECONDS — REPLY AND REACTION
The box rests on the counter in front of Ivo, his hands beside it. Ivo looks at Mina and says in English in a calm lower male voice: "Then we still have time." Mina is silent. After his line, Mina turns her head towards the station windows, her scarf shifting slightly at her chin; Ivo follows her gaze. Hold the final moment with both characters and the closed box visible. A subtle push-in is allowed, no additional cut.

EDITING AND AUDIO RULES
Exactly three shots with clean hard cuts at about 4 and 8 seconds. Use match-on-action continuity at the handover and respect the 180-degree rule. No dissolves, split screens, panels, slow motion, time jumps or added shots. Keep spatial layout, lighting, faces, outfits and the box consistent through the edits. Generate native English dialogue with distinct voices assigned to the correct speaker. Only the assigned speaker talks; no overlapping speech, no narration, no subtitles or on-screen text. Quiet station ambience and restrained handover foley, no music. No extra people, cloned characters, floating hands, opened box or duplicated props.

Límites de referencias: cuenta archivos y segundos por separado

Un primer fotograma define la composición inicial; una referencia de sujeto aporta identidad o apariencia. En los modos de imagen a vídeo de fal, el lienzo sigue el fotograma clave. Los modos de referencias tienen sus propios controles de proporción: una imagen de personaje ancha no hace que la salida sea automáticamente horizontal.

Nueve imágenes más tres vídeos más tres clips de audio son 15 archivos. Superan el límite combinado aunque cada categoría respete los límites individuales de MiniMax. Seis imágenes, tres vídeos de cinco segundos y tres audios de cinco segundos suman 12 archivos, 15 segundos de vídeo y 15 de audio. Cumple los límites enumerados de cantidad y duración; no garantiza superar las demás validaciones ni producir un buen plano.

Hay que comprobar las reglas de solo audio: el anuncio de MiniMax y las guías de fal exigen una imagen junto al audio, pero ambos esquemas actuales de referencias de fal permiten los tipos de referencia por separado o juntos. Hasta resolver esa discrepancia documental en tu endpoint, incluye una referencia visual pertinente. Esta revisión no probó una solicitud de solo audio.

Resolución nativa, salida refinada y tamaño de exportación

Lee la etiqueta de resolución junto con su paso de procesamiento. Las salidas 2K y 4K de H3 en fal parten de 768P; el 1080P de Max usa refinamiento latente desde 768P. Extend tiene su propia opción de 2K. La tabla mantiene separadas estas vías.

Una descarga a 720p puede ser simplemente una exportación. Ambos vídeos de referencias devolvieron fuentes de 1344×768; las copias de visualización son de 1280×720. Es una conversión de entrega, no un modo de generación nativa a 720p. Lee anchura, altura, tasa de fotogramas y duración del archivo real antes de etiquetarlo.

Elige la proporción de entrega antes de crear el fotograma clave: apaisada para un reproductor horizontal y vertical para un corto vertical. Inspecciona el recorte real y mantén rostros, manos y subtítulos en el área visible. Más píxeles no recuperarán un sujeto que quedó fuera del encuadre.

Ampliar un clip sin repetir la unión

Max Extend acepta un vídeo fuente de 1.625–60 segundos, hasta 50 MB y con proporción entre 0.4 y 2.5. Su campo duration pide material adicional. extended devuelve la fuente y la continuación juntas; continuation empieza repitiendo 1.625 segundos del final de la fuente.

Por ejemplo, con una fuente de 10 segundos y cinco segundos nuevos solicitados, espera unos 15 segundos en el resultado completo o unos 6.625 en la continuación antes de redondear fotogramas. Añadir esta última sin recortarla repetiría la unión. Es un cálculo basado en documentación, no una prueba de ampliación medida; inspecciona el archivo devuelto antes de editar.

Describe la siguiente acción en el prompt. Comprueba posición, luz, movimiento y sonido en la unión. La discusión de Reddit sobre generación de un plano frente a varios plantea un compromiso útil: los clips separados son más fáciles de sustituir, mientras que el diálogo en una generación continua comparte más contexto inmediato. Las voces siguen necesitando revisión entre llamadas.

Preguntas frecuentes

¿H3 Max sirve solo para borradores?

No. Un clip que cumpla los requisitos visuales, sonoros y de entrega puede ser material final. El nombre y la velocidad de Max no determinan si una toma es utilizable. Comprueba el resultado real, especialmente cuando deba encajar con planos contiguos.

¿H3 Max admite referencias y continuación?

Sí: fal tiene endpoints separados de referencias a vídeo y Extend. Sus controles no deben deducirse del formulario de texto a vídeo ni confundirse con el modelo independiente H3 Max Turbo.

¿Puede H3 generar más de 15 segundos en local?

Un autor de Reddit describe un experimento local de 42 segundos y también pérdidas de calidad y control y un procesamiento mucho más largo. Es un experimento fuera del intervalo habitual publicado, no una promesa de que un endpoint alojado acepte 42 segundos o de que un flujo local lo entregue de forma fiable.

¿Qué modelo elijo para mi primer plano de anime?

Empieza por el tamaño de entrega y las entradas necesarias. Nuestra pareja de referencias no da un motivo claro para elegir Max solo por el diseño de planos. Compara tomas aceptables, coste y tiempo de respuesta; usa H3 cuando necesites su vía habitual de salida 2K o 4K o un flujo establecido con el modelo base. Crea una escena corta con el generador de anime con IA y evalúa continuidad y sonido antes de ampliarla a una secuencia.