MiniMax H3 vs H3 Max: especificações e comparação de vídeos

H3 ou H3 Max? Comece pelo plano de que você precisa

Escolha pelo tamanho de entrega e pela tomada que você consegue aproveitar. H3 oferece o caminho habitual de saída em 2K e 4K; Max oferece 768P e 1080P refinado. No nosso teste com quatro imagens de referência, os enquadramentos e as escolhas de planos são próximos, sem uma vantagem clara de câmera para Max. Ambos têm endpoints de referências para vídeo no fal, portanto uma ficha de personagem, um clipe de movimento ou uma referência de voz pode entrar em qualquer um dos testes.

Max é a variante de H3 pós-treinada pelo fal, ajustada para seguir o prompt, melhorar a estética e aumentar a capacidade de processamento. Uma tomada que funciona na imagem e no som e combina com os planos ao redor pode entrar na edição final. Para uma série, teste primeiro a parte difícil: um rosto virando, uma mão mudando de pegada ou uma fala durante um movimento de câmera.

Especificações verificadas em 25 de outubro de 2026. A tabela separa os endpoints do fal das especificações publicadas do modelo base da MiniMax e dos fluxos locais, que podem oferecer configurações diferentes.

Limites de duração e resolução no fal

Para contextualizar, o anúncio de H3 da própria MiniMax especifica 4–15 segundos, uma base de 768p e uma etapa separada de regeneração em 2K. Isso não torna quatro segundos o mínimo aceito em todo serviço hospedado. A tabela do fal também não descreve os limites de saída de uma instalação própria.

Antes de um lote, confira o campo de duração do endpoint exato. Os esquemas de texto para vídeo e imagem para vídeo de Max aceitam valores decimais e especificam pelo menos dois segundos com target_audio_url; esse campo não mostra a faixa completa do guia. Separe essa condição de áudio da faixa geral. Max também avisa que o arquivo retornado pode durar cerca de 0.7 segundo a mais que o solicitado.

A tabela registra opções documentadas. O exemplo abaixo testa uma solicitação de referências de 12 segundos e 768P por modelo; não testa todos os limites listados. As configurações disponíveis no ArcLoop podem ser diferentes.

Quando usar H3 e quando usar H3 Max

Os relatos mais úteis do Reddit explicam onde cada modelo entra no trabalho. Um usuário de Max explora variações de conceito antes de uma finalização mais lenta. Em outra discussão, uma pessoa que trabalha com referências prefere sua configuração LoRA do modelo base e relata um ganho de velocidade menor no modo de referências de Max do que em texto para vídeo. Nenhum relato resolve a comparação de qualidade. Juntos, eles nos dão um motivo para testar o modo que realmente usaremos.

Para uma cena de anime, dê aos dois modelos a mesma ação exigente e as mesmas referências. Revise rostos, mãos, movimento dos objetos e fala, depois conte as tomadas que você manteria. Meça a espera até ter um arquivo reproduzível e inclua as tentativas rejeitadas no custo. Ao longo de um episódio, isso diz mais do que a renderização mais rápida.

Comparação de vídeos H3 vs H3 Max: as mesmas quatro referências

Uma entregadora leva uma caixa de metal fechada a uma oficina ferroviária. O engenheiro a recebe, responde ao aviso dela e olha para as janelas. Pedimos a H3 e H3 Max que contassem essa pequena história em três planos: um plano médio dos dois, um detalhe da entrega e um plano mais próximo dos dois para a resposta.

Os dois resultados são próximos no enquadramento e na escolha dos planos. Este par não mostra uma vantagem clara de câmera ou edição para Max. Ambos incluem os três tipos de plano solicitados; o ritmo difere e nenhum segue de perto o primeiro corte pedido aos quatro segundos. Numa cena assim, compare a tomada que você manteria e seu custo antes de pagar mais pelo nome do modelo.

Imagens de referência e configurações compartilhadas

As entradas foram duas fichas de personagem, uma cena da oficina e uma ficha do objeto, nessa ordem. A cena abaixo é a versão revisada, redesenhada para combinar com o estilo de webtoon coreano dos personagens. Os dois vídeos usam esse mesmo conjunto. Não foi fornecido clipe de movimento nem referência de voz; cada modelo gera o diálogo.

Assista aos dois resultados completos

MiniMax H3

H3 Max do fal

Reproduza separadamente para ouvir cada trilha sonora gerada. Os dois arquivos fonte têm 1344×768, 24 fps e 12.25 segundos. Estas cópias de exibição de 1280×720 preservam todos os 294 quadros e o som original, com escala proporcional e preenchimento; não houve alteração de velocidade, interpolação de quadros nem substituição do diálogo.

São observações únicas feitas pelo cliente, incluindo a solicitação e as consultas de status. O upload das referências e as exportações de exibição ficaram fora do cronômetro. Max retornou um resultado cerca de 1.7 segundo antes neste par; essa amostra pequena não estabelece um ranking de velocidade.

O que este par diz sobre os planos

Ambos seguem a mesma estrutura visual geral: Mina à esquerda, Ivo à direita, uma visão próxima da caixa mudando de mãos e o retorno aos dois personagens. Max chega antes às mudanças de plano posteriores, mas o tratamento geral da câmera é semelhante. Aqui não há um motivo evidente para escolher Max apenas por enquadramentos mais variados.

As instruções de corte também mostram onde a edição continua necessária. Pedimos cortes secos aos quatro e oito segundos, mas ambos ficam no plano inicial por mais tempo. Trate esses tempos como orientações ao modelo e ajuste o material aprovado na edição quando um momento precisar cair com precisão. A transcrição automática encontrou as duas falas alvo em inglês nos dois clipes; isso não comprova identidade vocal nem sincronização labial precisa. Este único par não resolve anatomia das mãos, qualidade do movimento completo ou continuidade ao longo de um episódio.

Nesta cena, mantenha H3 na comparação se seu resultado já atende à edição. Escolha Max quando a tomada real, as opções de entrega ou o tempo de resposta trouxerem algo útil ao projeto. Confira o preço do modo específico, incluindo cobranças por referências; uma promoção de texto para vídeo não determina a conta de uma solicitação com múltiplas referências.

Prompt completo em inglês usado nos dois 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.

Limites de referências: conte arquivos e segundos separadamente

Um primeiro quadro define a composição inicial; uma referência de sujeito fornece identidade ou aparência. Nos modos de imagem para vídeo do fal, a tela segue o quadro-chave. Os modos de referências têm controles próprios de proporção, portanto uma imagem larga de personagem não torna a saída automaticamente horizontal.

Nove imagens mais três vídeos mais três clipes de áudio são 15 arquivos. Isso ultrapassa o limite combinado, mesmo que cada categoria cumpra os limites individuais da MiniMax. Seis imagens, três vídeos de cinco segundos e três áudios de cinco segundos somam 12 arquivos, com 15 segundos de vídeo e 15 de áudio. Isso cumpre os limites listados de quantidade e duração; não garante passar por todas as outras validações nem produzir um bom plano.

As regras de somente áudio precisam ser conferidas: o anúncio da MiniMax e os guias do fal exigem uma entrada visual junto ao áudio, mas os dois esquemas atuais de referências do fal permitem os tipos separados ou juntos. Até resolver essa divergência documental para seu endpoint, inclua uma referência visual relevante. Esta revisão não testou uma solicitação só de áudio.

Resolução nativa, saída refinada e tamanho de exportação

Leia a resolução junto com sua etapa de processamento. As saídas 2K e 4K de H3 no fal partem de 768P; o 1080P de Max usa refinamento latente a partir de 768P. Extend tem sua própria opção de 2K. A tabela mantém esses caminhos separados.

Um download em 720p pode ser apenas uma exportação. Os dois vídeos de referências retornaram arquivos fonte de 1344×768; as cópias de exibição são de 1280×720. É uma conversão de entrega, não um modo de geração nativa em 720p. Confira largura, altura, taxa de quadros e duração do arquivo real antes de rotulá-lo.

Escolha a proporção de entrega antes de criar o quadro-chave: horizontal para um player horizontal, vertical para um curta vertical. Inspecione o corte real e mantenha rostos, mãos e legendas dentro da área visível. Mais pixels não recuperam um sujeito que ficou fora do enquadramento.

Estender um clipe sem repetir a união

Max Extend aceita um vídeo fonte de 1.625–60 segundos, até 50 MB e com proporção entre 0.4 e 2.5. Seu campo duration pede material adicional. extended retorna a fonte e a continuação juntas; continuation começa repetindo 1.625 segundo do final da fonte.

Por exemplo, com uma fonte de 10 segundos e cinco segundos novos solicitados, espere cerca de 15 segundos no resultado completo ou cerca de 6.625 na continuação antes do arredondamento de quadros. Anexar a segunda sem aparar repetiria a união. É um cálculo baseado na documentação, não um teste medido de extensão; inspecione o arquivo retornado antes de editar.

Descreva a próxima ação no prompt. Confira posição, luz, movimento e som na união. A discussão do Reddit sobre gerar um plano ou vários traz uma escolha útil: clipes separados são mais fáceis de substituir, enquanto o diálogo numa geração contínua compartilha mais contexto imediato. As vozes ainda precisam ser verificadas entre chamadas.

Perguntas frequentes

H3 Max serve apenas para rascunhos?

Não. Um clipe que cumpra os requisitos visuais, sonoros e de entrega pode ser material final. O nome e a velocidade de Max não determinam se uma tomada é aproveitável. Confira o resultado real, especialmente quando precisar combinar com os planos vizinhos.

H3 Max oferece referências e continuação?

Sim: o fal tem endpoints separados de referências para vídeo e Extend. Seus controles não devem ser deduzidos do formulário de texto para vídeo nem confundidos com o modelo separado H3 Max Turbo.

H3 consegue gerar mais de 15 segundos localmente?

Um autor do Reddit relata um experimento local de 42 segundos, mas também descreve perdas de qualidade e controle e um processamento muito mais longo. É um experimento além da faixa normalmente publicada, não uma promessa de que um endpoint hospedado aceite 42 segundos ou de que um fluxo local entregue isso com confiabilidade.

Qual modelo escolher para meu primeiro plano de anime?

Comece pelo tamanho de entrega e pelas entradas necessárias. Nosso par de referências não dá um motivo claro para escolher Max apenas pelo desenho dos planos. Compare tomadas aceitáveis, custo e tempo de resposta; use H3 quando precisar do caminho habitual de saída em 2K ou 4K ou de um fluxo estabelecido com o modelo base. Monte uma cena curta com o gerador de anime com IA, depois avalie continuidade e som antes de ampliá-la para uma sequência.