MiniMax H3 vs H3 Max：參數與影片對比

H3 還是 H3 Max？先看這個鏡頭要完成什麼

先看交付尺寸，再看哪條結果能用。H3 有常規 2K、4K 輸出流程，Max 提供 768P 與精細化處理後的 1080P。下方的四圖參考實測中，兩者的構圖和鏡頭選擇接近，沒有看出 Max 明顯的運鏡優勢。 兩者在 fal 上都有參考生成介面，角色圖、動作片段或聲音參考都可以納入比較。

Max 是 fal 在 H3 基礎上後訓練的版本，最佳化方向包括提示詞遵循、畫面美感和吞吐量。一條結果只要畫面、聲音合格，也能接上前後鏡頭，就可以放進成片。做連續劇集時，先測試難點：轉身露出臉、手部改變握法，或者運鏡過程中說話。

規格核驗於 2026 年 10 月 25 日。下表分開說明 fal 介面、MiniMax 公佈的基礎模型規格與本地工作流，它們開放的設定可能不同。

fal 上的時長與解析度限制

作為對照，MiniMax 自己的 H3 公告寫的是 4–15 秒、768p 基礎輸出，以及獨立的 2K 重生成階段。這不意味著每個託管服務都接受 4 秒作為最短時長。上面的 fal 參數列也不代表自部署工作流的輸出限制。

批次生成前，核對具體介面的時長欄位。Max 文生影片和圖生影片 schema 接受浮點數，並註明搭配 target_audio_url 時至少使用 2 秒；該欄位沒有完整列出指南中的範圍。要把這條音訊條件與通用範圍分開看。Max 還提醒，返回檔案可能比請求時長多約 0.7 秒。

表格記錄的是文件支援的選項。下方案例分別測試了一次 12 秒、768P 參考生成，沒有覆蓋表內所有參數邊界。ArcLoop 實際開放的設定可能不同。

什麼時候用 H3，什麼時候用 H3 Max

Reddit 上比較有用的經驗，都在講模型放進流程後怎麼用。一位 Max 使用者先快速嘗試多個概念，再做較慢的成片處理。另一篇討論中，使用參考素材的使用者更願意保留已有的基礎模型 LoRA 流程，並反饋 Max 參考模式的加速不如文字模式明顯。這兩份個人報告不足以決定誰的畫質更好，但提醒我們，應當測試自己真正要用的模式。

做動畫時，讓兩個模型處理同一個有難度的動作，使用相同參考。檢查臉、手、物件移動和對白，再數一數哪些結果願意留下。計時到檔案能播放為止，成本里也算上廢片。放到整集的製作中，這比最快的一次生成更能說明問題。

H3 與 H3 Max 影片對比：同樣四張參考圖

快遞員把一個關閉的金屬盒帶進車站維修間，工程師接過盒子，回應她的提醒，再看向窗外。我們讓 H3 和 H3 Max 用三個鏡頭講完這段小情節：雙人中景、交接特寫，以及回答時更近一些的雙人鏡頭。

兩條結果在構圖和鏡頭選擇上很接近，這組樣片沒有顯示出 Max 明顯的運鏡或剪輯優勢。 兩者都呈現了要求的三種景別，節奏有所不同，也都沒有準確執行第 4 秒的第一次切鏡。對這樣的場景，先比較願意留下的結果和成本，再決定是否為模型名稱多付費用。

參考圖與統一設定

輸入依次是兩張角色設定圖、一張場景圖和一張道具圖。下面使用的是重繪後的維修間，讓場景更貼合角色的韓漫畫風。兩條影片使用完全相同的這組素材。沒有提供動作影片或聲音參考，對白由各模型自行生成。

分別播放兩條完整結果

MiniMax H3

fal H3 Max

請分別播放，聽各自生成的聲音。兩份原始檔均為 1344×768、24 fps、12.25 秒。這裡的 1280×720 展示版保留全部 294 幀與原始聲音，只做等比例縮放和留邊，沒有變速、補幀或替換對白。

以上是單次客戶端觀測，包含請求和輪詢時間，不包含參考圖上傳與展示版匯出。Max 這次返回結果約快 1.7 秒；這樣的樣本量不足以給模型做速度排名。

這組結果對鏡頭選擇有什麼幫助

兩條影片都遵循了相近的畫面結構：Mina 在左、Ivo 在右，切近看盒子交接，再回到兩人。Max 較早進入後續鏡頭，但整體鏡頭處理接近。僅憑這組結果，看不出為了獲得更豐富的構圖而優先選擇 Max 的明顯理由。

切鏡要求也說明了後期剪輯的作用。Prompt 要求在第 4 秒和第 8 秒硬切，但兩者的開場鏡頭都比要求更長。把這些時間點當作生成方向；節奏必須準確落點時，再對保留的素材進行剪輯。自動轉寫在兩條影片中都識別出了目標英文臺詞，但不能據此判斷音色身份或精確口型。這一對結果也不足以決定手部結構、完整運動質量或整集一致性誰更好。

對這個場景，如果 H3 的結果已經服務於剪輯，就值得繼續保留在選項中。Max 的實際表演、交付選項或週轉時間對專案有用時，再選擇 Max。成本要核對具體生成模式，並計入參考輸入費用；文生影片的活動價不能直接當成多參考請求的賬單。

雙方實際使用的完整英文 Prompt

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.

參考素材限制：檔案數和秒數分別計算

首幀確定開場構圖，主體參考提供身份或外觀。在 fal 圖生影片模式中，畫布跟隨關鍵幀；參考生成模式有自己的比例控制，因此橫向角色圖不自動決定輸出橫屏。

9 張圖加 3 段影片，再加 3 段音訊，一共是 15 份。 即使每類都符合 MiniMax 的單項上限，也超過混合總預算。6 張圖、3 段各 5 秒的影片、3 段各 5 秒的音訊，共 12 份，影片合計 15 秒，音訊合計 15 秒。這滿足列出的數量與時長預算，但不保證透過其他所有檔案校驗，也不保證生成效果。

純音訊參考的規則需要核對：MiniMax 公告和 fal 指南要求同時提供視覺輸入，兩個 fal 當前參考 schema 卻寫著可以單獨或組合提供各類參考。在具體介面的文件差異確認清楚前，建議配上相關畫面。本次修訂未測試純音訊參考。

原生解析度、精細化輸出與匯出尺寸

看解析度標籤時，也要看處理步驟。fal H3 的 2K、4K 輸出以 768P 為基礎，Max 的 1080P 從 768P 做 latent refinement，Extend 則有單獨的 2K 選項。表格將這些路徑分開列出。

720p 下載檔案也可能只是匯出版。上方兩條參考影片的原始檔均為 1344×768，展示版為 1280×720。這是交付轉換，不代表原生 720p 生成模式。標註前，讀取實際檔案的寬、高、幀率和時長。

製作關鍵幀前先確定交付比例：橫向播放器用橫屏，豎屏短片用豎屏。檢查實際裁切，把臉、手和字幕放在可見區域內。主體已經被構圖裁掉，再高的畫素也補不回來。

續寫時，別把連線處重複拼進去

Max Extend 接受 1.625–60 秒、最大 50 MB、寬高比介於 0.4 與 2.5 之間的源影片。duration 請求的是新增畫面時長；extended 返回源片和續寫合成的整段，continuation 則在開頭重複源片末尾的 1.625 秒。

例如，源片 10 秒，再請求新增 5 秒，完整返回結果預計約 15 秒；只返回續寫時，在幀取整前預計約 6.625 秒。把後者不加裁切地接到原片後面，就會重複連線處。這是基於文件的計算示例，沒有實測續寫；剪輯前仍需檢查實際返回檔案。

提示詞寫接下來發生的動作，生成後檢查連線處的位置、光線、動作和聲音。Reddit 關於逐鏡頭與多鏡頭生成的討論，提出了一個實際取捨：分開的片段便於替換，同一段連續生成中的對白則共享更多當下的上下文。跨次呼叫的聲音仍然需要逐條檢查。

常見問題

H3 Max 只能出草稿嗎？

不是。畫面、聲音和交付規格都合格的片段，可以直接用於成片。Max 的名稱和速度不能決定一條結果是否可用；要檢查實際影片，尤其是它是否需要與前後鏡頭匹配。

H3 Max 支援參考生成和續寫嗎？

支援：fal 有獨立的參考生成與 Extend 介面。不能從文生影片表單推斷其他模式的控制項，也不能把它們與另一個 H3 Max Turbo 模型混為一談。

H3 能在本地一次生成超過 15 秒嗎？

Reddit 有作者報告做過 42 秒的本地實驗，同時說明畫質、控制和處理耗時都有代價。這是超出通常公佈範圍的實驗，不代表託管介面接受 42 秒，也不保證本地工作流能穩定交付。

第一個動畫鏡頭應該選哪個？

先看交付尺寸與輸入素材。這組參考樣片沒有顯示出僅為鏡頭設計而優先選擇 Max 的明顯理由。比較可用結果、成本和週轉時間；需要常規 2K、4K 輸出流程，或者依賴已有基礎模型工作流時，考慮 H3。用 AI 動漫生成工具先搭一個短場景，檢查一致性和聲音，再擴充套件成序列。