رفتن به محتوا

MiniMax H3 Image to Video Audio LoRA Trainer

یکپارچه‌سازی

شناسه مدل minimax/h3/i2v/trainer
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://vit.doitong.com/api/v1/run/minimax/h3/i2v/trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

این درخواست: ⁨‎$۲۰٫۰۰⁩ ۲۰٬۰۰۰ اعتبار API اجرای آن در این صفحه

دریافت کلید API
MiniMax آموزش ۱–۶۰ ثانیه #utility#editing

آموزش‌دهنده LoRA برای آموزش تبدیل تصویر فریم اول به ویدئو همراه با صدا از کلیپ‌های ویدئویی

MiniMax · فایل

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

resolution پیش‌فرض medium

وضوح آموزشی. افزایش وضوح نیاز حافظه را بیشتر می‌کند.

aspect_ratio پیش‌فرض 16:9

نسبت ابعاد آموزشی را از همان مجموعهٔ در دسترس از طریق MiniMax H3 API انتخاب کنید.

•الزامی

URL یک ZIP شامل ویدیوهای آموزشی در قالب .mp4، .mov، .avi یا .mkv؛ حداقل 10 کلیپ توصیه می‌شود و مجموعه‌های بزرگ‌تر ترجیح دارند. تصاویر نمی‌توانند رسانهٔ آموزشی باشند: مجموعه‌داده‌های فقط تصویری و بایگانی‌های ترکیب‌کنندهٔ تصاویر آموزشی با ویدیوها رد می‌شوند، هرچند برخی نقاط پایانی تصاویر را به‌عنوان sidecar شرطی‌سازی می‌پذیرند. فایل‌های شرح‌گذاری اختیاری می‌توانند همراه کلیپ‌ها باشند و هر فایل متنی باید نام پایهٔ ویدیوی خود را داشته باشد.

پیش‌فرض 2000

تعداد کل گام‌های آموزشی.

پیشرفته rank · trigger_phrase · learning_rate · number_of_frames · frame_rate · first_frame_conditioning_p · split_input_duration_threshold · auto_scale_input · split_input_into_scenes · debug_dataset · strict_dataset
rank پیش‌فرض 32

رتبه سازگارسازی LoRA که با افزایش مقدار، مصرف حافظه بیشتر و ظرفیت بالاتری ایجاد می‌کند.

پیش‌فرض

عبارت فعال‌سازی سبک LoRA که هنگام آموزش در ابتدای کپشن‌ها درج می‌شود.

پیش‌فرض 0.0002

نرخ یادگیری بهینه‌سازی که میان افزایش احتمالی سرعت آموزش و خطر بیش‌برازش در مقادیر بالاتر تعادل برقرار می‌کند.

پیش‌فرض 73

تعداد فریم هر نمونهٔ آموزشی؛ تقسیم آن بر 17 باید باقیماندهٔ 5 داشته باشد. نمونه‌ها شامل 22، 39، 56، 73، 90، 107 و 124 هستند.

پیش‌فرض 24

نرخ فریم ویدیوی هدف، برحسب فریم بر ثانیه.

پیش‌فرض 0.5

عملکرد image-to-video را با افزایش دفعات استفاده آموزش از شرطی‌سازی فریم اول بهبود می‌دهد؛ این مقدار آن احتمال را تعیین می‌کند.

پیش‌فرض 30

محرک تقسیم صحنه که به‌صورت مدت برحسب ثانیه بیان می‌شود: فقط ویدیوهای طولانی‌تر از آستانه تقسیم می‌شوند.

POST /run/minimax/h3/i2v/trainer?wait=20 قیمت → ⁨‎$۲۰٫۰۰⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://vit.doitong.com/api/v1/run/minimax/h3/i2v/trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره MiniMax H3 Image to Video Audio LoRA Trainer

یک LoRA را از فایل zip کلیپ‌های ویدئویی موجود در `training_data_url` آموزش می‌دهد و از شرطی‌سازی فریم اول استفاده می‌کند تا تصویر ثابت به ویدئو تبدیل شود. مجموعه‌داده باید فقط شامل ویدئو باشد. تنظیمات شامل `rank` از 8 تا 128، `number_of_steps` تا 15000، `number_of_frames` از 22 تا 124، `frame_rate` از 8 تا 60 و یک `trigger_phrase` است. وزن‌های LoRA و یک فایل پیکربندی خروجی می‌دهد.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
training_data_urlالزامی
نوعstring
URL یک ZIP شامل ویدیوهای آموزشی در قالب .mp4، .mov، .avi یا .mkv؛ حداقل 10 کلیپ توصیه می‌شود و مجموعه‌های بزرگ‌تر ترجیح دارند. تصاویر نمی‌توانند رسانهٔ آموزشی باشند: مجموعه‌داده‌های فقط تصویری و بایگانی‌های ترکیب‌کنندهٔ تصاویر آموزشی با ویدیوها رد می‌شوند، هرچند برخی نقاط پایانی تصاویر را به‌عنوان sidecar شرطی‌سازی می‌پذیرند. فایل‌های شرح‌گذاری اختیاری می‌توانند همراه کلیپ‌ها باشند و هر فایل متنی باید نام پایهٔ ویدیوی خود را داشته باشد.
rankاختیاری
نوعenum
پیش‌فرض32
8163264128
رتبه سازگارسازی LoRA که با افزایش مقدار، مصرف حافظه بیشتر و ظرفیت بالاتری ایجاد می‌کند.
number_of_stepsاختیاری
نوعinteger
پیش‌فرض2000
۱ – ۱۵٬۰۰۰
تعداد کل گام‌های آموزشی.
learning_rateاختیاری
نوعnumber
پیش‌فرض0.0002
۰٫۰۰۰۰۰۱ – ۱
نرخ یادگیری بهینه‌سازی که میان افزایش احتمالی سرعت آموزش و خطر بیش‌برازش در مقادیر بالاتر تعادل برقرار می‌کند.
number_of_framesاختیاری
نوعinteger
پیش‌فرض73
۲۲ – ۱۲۴
تعداد فریم هر نمونهٔ آموزشی؛ تقسیم آن بر 17 باید باقیماندهٔ 5 داشته باشد. نمونه‌ها شامل 22، 39، 56، 73، 90، 107 و 124 هستند.
frame_rateاختیاری
نوعinteger
پیش‌فرض24
۸ – ۶۰
نرخ فریم ویدیوی هدف، برحسب فریم بر ثانیه.
resolutionاختیاری
نوعenum
پیش‌فرضmedium
lowmediumhigh
وضوح آموزشی. افزایش وضوح نیاز حافظه را بیشتر می‌کند.
aspect_ratioاختیاری
نوعenum
پیش‌فرض16:9
21:916:94:31:13:49:16
نسبت ابعاد آموزشی را از همان مجموعهٔ در دسترس از طریق MiniMax H3 API انتخاب کنید.
trigger_phraseاختیاری
نوعstring
پیش‌فرض
عبارت فعال‌سازی سبک LoRA که هنگام آموزش در ابتدای کپشن‌ها درج می‌شود.
first_frame_conditioning_pاختیاری
نوعnumber
پیش‌فرض0.5
۰ – ۱
عملکرد image-to-video را با افزایش دفعات استفاده آموزش از شرطی‌سازی فریم اول بهبود می‌دهد؛ این مقدار آن احتمال را تعیین می‌کند.
auto_scale_inputاختیاری
نوعboolean
پیش‌فرضfalse
مشخص می‌کند هدف fps و تعداد فریم از طریق مقیاس‌بندی خودکار ویدیو تطبیق داده شوند یا نه؛ true این تنظیم را فعال می‌کند.
split_input_into_scenesاختیاری
نوعboolean
پیش‌فرضtrue
تقسیم صحنه برای ویدیوهای طولانی‌تر از آستانه مدت‌زمان که در صورت true فعال می‌شود.
split_input_duration_thresholdاختیاری
نوعnumber
پیش‌فرض30
۱ – ۶۰
محرک تقسیم صحنه که به‌صورت مدت برحسب ثانیه بیان می‌شود: فقط ویدیوهای طولانی‌تر از آستانه تقسیم می‌شوند.
debug_datasetاختیاری
نوعboolean
پیش‌فرضfalse
حالت بررسی پیش‌پردازش برای وارسی ویدیوها، تصاویر و کپشن‌ها پیش از اجرای کامل آموزش. فعال‌کردن آن باعث می‌شود آموزش‌دهنده مجموعه‌داده آموزشی پردازش‌شده را در یک بایگانی قابل‌دانلود برای بررسی دستی برگرداند.
strict_datasetاختیاری
نوعboolean
پیش‌فرضfalse
مدیریت سخت‌گیرانهٔ مشکلات پیش‌پردازش که در غیر این صورت ثبت و با fallbackهای مستند حل می‌شوند. فعال‌سازی آن شرح‌گذاری‌های نیازمند پرامپت خالی، keyframeهای sidecar مفقود و ویدیوهای دارای صوت ناخوانا را رد می‌کند، به‌جای آنکه به‌ترتیب پرامپت خالی، فریم کلیپ یا سکوت جایگزین شود.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3/i2v/trainer",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 20000,
    "usd": "20.00",
    "charged": 20000,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "debug_dataset": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
lora_file
object {url, content_type, file_name, file_size}URL وزن‌های آموزش‌دیده LoRA در قالب .safetensors.
config_file
object {url, content_type, file_name, file_size}پیکربندی راه‌اندازی نقطه پایانی استنتاج.
debug_dataset
object {url, content_type, file_name, file_size} | nullفقط برای درخواست‌های دارای `debug_dataset` فعال؛ این بایگانی قابل دانلود، داده‌های آموزشی را پس از پیش‌پردازش نگه می‌دارد.

مدل‌های بیشتر: آموزش

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/minimax/h3/i2v/trainer.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt