Saltar al cuntegna

H3 Max Reference to Video

Integrar

ID dal model minimax/h3-max/reference-to-video
# 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-max/reference-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "prompt_expansion_mode": "balanced"
  }'

# 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"

Datotecas sco l'exempel: $0,40 400 credits API tias datotecas vegnan mesiradas avant l'execuziun Lantschar sin questa pagina

Obtegna ina clav API
MiniMax Referenza a video Inputs da referenza0,92–15 sfin a 1080P #stylized#transform#typography

Generaziun da video H3 Max che mantegna ils subjects consistents cun maletgs, videos ed clips audio da referenza

MiniMax · Video

Tes emprim resultat vegn qua

Construis ina dumonda sutvart e l'exequescha cun tia clav API. Outputs vegnan copiads en nossa memorisaziun, conservads per adina u 7 dis gratuitamain.

Construir ina dumonda

Ils controls vegnan generads dal schema dal model. Il code e ​​il pretsch s'actualiseschan durant che ti als midas.

•obligatori 88 / 50000

Instrucziuns per la generaziun da video cun referenzas identifitgadas tenor tip d'asset e posiziun entaifer mintga glista da referenzas, cun labels sco Audio 1, Video 1, Image 1, Image 2 e suandants.

•obligatori

Sforz per la rescrita dal prompt avant la generaziun: 'quality' elavura in prompt pli ritg en fin a circa 30s, entant che 'balanced' respunda en circa ina secunda. Tscherna 'disabled' per ometter l'expansiun dal prompt.

resolution standard 768P

Selecziun da la resoluziun da generaziun: 1080P basegna in raffinament latent da material generà nativamain a 768P, empè d'ina generaziun nativa a la resoluziun elegida.

aspect_ratio standard adaptive

Proporziun d'aspect dal video d'output.

standard 5

Durada dumandada en secunda, che permetta ina durada effectiva dal video fin a circa 0.7 s sur la dumonda.

Avanzà images · reference_video_urls · reference_audio_urls · image · middle_image_url · end_image · middle_frame_time · seed · enable_safety_checker · reference_conditions
reference_image_urls
Trametta in datoteca u · fin a 9

URLs da maletgs da referenza per il subject u il stil, cun in maximum commun da 12 datotecas per tut las referenzas da video e audio. Identifitgescha quests maletgs en il prompt tenor la posiziun en la glista cun Image 1, Image 2 e labels suandants.

Trametta in datoteca u · fin a 3

URLs da videos da referenza per moviment u autras funcziuns, identifitgadas en il prompt tenor la posiziun en la glista cun Video 1, Video 2 e labels suandants. La limita communa per referenzas da maletg, video e audio è 12 datotecas; mintga clip video sto durar 2–15 secunda e la durada totala na dastga betg surpassar 15 secunda.

Trametta in datoteca u · fin a 3

Furnescha l'audio da referenza sco URLs e identifitgescha ils clips en il prompt cun Audio 1, Audio 2 e labels suandants. Mintga clip sto durar 2–15 secunda, cun maximalmain 15 secunda audio en total. Mintga tip da referenza — maletg, video u audio — po vegnir furnì sulet u ensemen cun auters, sut ina limita communa da 12 datotecas.

image_url
Trametta in datoteca u

URL d'in maletg facultativ che definescha il frame d'avertura exact e fixescha la surfatscha da l'output. Ils assets da referenza mantegnan la consistenza dal subject.

Trametta in datoteca u

Maletg da guida facultativ per middle_frame_time, disponibel mo cun generaziun nativa a 480P u 768P e cun in maletg da partenza ed in maletg final furnids.

end_image_url
Trametta in datoteca u

URL d'in maletg final facultativ che fixescha il frame final exact dal video al maletg furnì.

Temp da posiziunament dal maletg central, utilisabel mo cun middle_image_url e limità a posiziuns strictamain entaifer ils frames inizial e final dal video dumandà. Furnescha las secunda passadas dapi l'entschatta; la valur vegn arrundada al frame il pli datiers a 24 fps.

Sem per la generaziun casuala; sche omess, vegn el tschernì casualmain.

Glista da referenzas furnida sco alternativa a reference_*_urls, mai ensemen cun quellas. L'urden tranter las modalidades ha in'impurtanza, perquai che la sequenza vegn mantegnida durant tut l'elavuraziun.

POST /run/minimax/h3-max/reference-to-video?wait=20 calculaziun → $0,40
# 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-max/reference-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "prompt_expansion_mode": "balanced"
  }'

# 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"

Executar questa dumonda

Tia clav resta en quest browser: ella vegn tramessa mo al Doitong API e memorisada (localStorage) mo sch'ella scheccas Tiar a memoria. Obtegnair ina clav API

Davart H3 Max Reference to Video

Generescha video guidà da material da referenza: fin a 9 maletgs, 3 videos e 3 clips audio, cun maximalmain 12 datotecas totalmain. Il prompt als numna Image 1, Video 1, Audio 1 e.u.v. Prims frames, frames centrals (`middle_image_url` a `middle_frame_time`) ed ultims frames opziunals fixeschan l’inizi, il center e la fin. `duration` è 0.92 fin 15 secundas, e `aspect_ratio` po esser adaptive.

Parameters

Invia u il num canonic u il num nativ, betg omaduas. Nums canonics

NumTip StandardPermess Descripziun
promptobligatori
Tipstring
≤ 50 000 caracters
Instrucziuns per la generaziun da video cun referenzas identifitgadas tenor tip d'asset e posiziun entaifer mintga glista da referenzas, cun labels sco Audio 1, Video 1, Image 1, Image 2 e suandants.
reference_image_urlsopziunal images
Tipurl[] · image
≤ 9 elements
URLs da maletgs da referenza per il subject u il stil, cun in maximum commun da 12 datotecas per tut las referenzas da video e audio. Identifitgescha quests maletgs en il prompt tenor la posiziun en la glista cun Image 1, Image 2 e labels suandants.
reference_video_urlsopziunal
Tipurl[] · video
≤ 3 elements
URLs da videos da referenza per moviment u autras funcziuns, identifitgadas en il prompt tenor la posiziun en la glista cun Video 1, Video 2 e labels suandants. La limita communa per referenzas da maletg, video e audio è 12 datotecas; mintga clip video sto durar 2–15 secunda e la durada totala na dastga betg surpassar 15 secunda.
reference_audio_urlsopziunal
Tipurl[] · audio
≤ 3 elements
Furnescha l'audio da referenza sco URLs e identifitgescha ils clips en il prompt cun Audio 1, Audio 2 e labels suandants. Mintga clip sto durar 2–15 secunda, cun maximalmain 15 secunda audio en total. Mintga tip da referenza — maletg, video u audio — po vegnir furnì sulet u ensemen cun auters, sut ina limita communa da 12 datotecas.
image_urlopziunal image
Tipurl · image
URL d'in maletg facultativ che definescha il frame d'avertura exact e fixescha la surfatscha da l'output. Ils assets da referenza mantegnan la consistenza dal subject.
middle_image_urlopziunal
Tipurl · image
Maletg da guida facultativ per middle_frame_time, disponibel mo cun generaziun nativa a 480P u 768P e cun in maletg da partenza ed in maletg final furnids.
middle_frame_timeopziunal
Tipnumber | null
> 0< 15
Temp da posiziunament dal maletg central, utilisabel mo cun middle_image_url e limità a posiziuns strictamain entaifer ils frames inizial e final dal video dumandà. Furnescha las secunda passadas dapi l'entschatta; la valur vegn arrundada al frame il pli datiers a 24 fps.
end_image_urlopziunal end_image
Tipurl · image
URL d'in maletg final facultativ che fixescha il frame final exact dal video al maletg furnì.
durationopziunal
Tipnumber
Standard5
0,92 – 15
Durada dumandada en secunda, che permetta ina durada effectiva dal video fin a circa 0.7 s sur la dumonda.
resolutionopziunal
Tipenum
Standard768P
480P768P1080P
Selecziun da la resoluziun da generaziun: 1080P basegna in raffinament latent da material generà nativamain a 768P, empè d'ina generaziun nativa a la resoluziun elegida.
seedopziunal
Tipinteger | null
Sem per la generaziun casuala; sche omess, vegn el tschernì casualmain.
enable_safety_checkeropziunal
Tipboolean
Standardtrue
Activaziun da la controlla da segirezza; true activa la controlla.
prompt_expansion_modeobligatori
Tipstring
Standardbalanced
Sforz per la rescrita dal prompt avant la generaziun: 'quality' elavura in prompt pli ritg en fin a circa 30s, entant che 'balanced' respunda en circa ina secunda. Tscherna 'disabled' per ometter l'expansiun dal prompt.
aspect_ratioopziunal
Tipenum
Standardadaptive
adaptive21:916:94:31:13:49:16
Proporziun d'aspect dal video d'output.
reference_conditionsopziunal
Tipobject[]
≤ 12 elements
Glista da referenzas furnida sco alternativa a reference_*_urls, mai ensemen cun quellas. L'urden tranter las modalidades ha in'impurtanza, perquai che la sequenza vegn mantegnida durant tut l'elavuraziun.
reference_conditions[].typeobligatori
Tipenum
imagevideoaudio
Modalitad da la referenza; l'urden tranter las modalidades en la glista ha in'impurtanza.
reference_conditions[].urlobligatori
Tipstring
≥ 1 characters
URL dal media da referenza.
obligatori Num canonic, er acceptà

Ils parameters da datotecas acceptan ina URL publica https://, ina URI data: fin a 10 MB u il file_url d'ina chargiada. Datotecas

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3-max/reference-to-video",
  "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": 400,
    "usd": "0.40",
    "charged": 400,
    "refunded": 0
  },
  "input": {
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "prompt_expansion_mode": "balanced"
  },
  "output": {
    "video": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_name": "0-output.mp4",
      "file_size": 1843200
    },
    "expanded_prompt": "string",
    "seed": 42,
    "timings": {}
  },
  "outputs": [
    {
      "type": "video",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_size": 1843200,
      "width": 1280,
      "height": 720,
      "duration": 5,
      "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"
  }
}
Tias datotecas, tia decisiunMintga outputs[].url è ina copia en nossa memorisaziun: conservada per adina (pajà per GB-mes) u 7 dis gratuitamain, tenor la configuraziun dal conto u ?storage=.
La medema structura per mintga modeltype, url, content_type, width, height e duration, tant per maletgs sco per video e audio. output è l'object da resultat dal model sez.
Champs da l'output
video
object {url, content_type, file_name, file_size}Video producì dal model.
expanded_prompt
string | nullPrompt expandì pront per il model, u null sche nagin text expandì è disponibel. Ils cas null èn l'expansiun deactivada, l'expansiun senza midada e l'expansiun tractada internamain da l'API ospitada dal model.
seed
integerSem da basa utilisà per reproducir il resultat generà.
timings
object | nullMesiraziuns dal temp exprimidas en secunda, disponiblas mo sin rutas che rapportan temps dal backend; autramain null. L'entrada 'inference' mesira quant ditg il denoising DiT ha durà sin il backend GPU.

Dapli models: Referenza a video

Per agents AI: questa pagina sco Markdown è disponibla sut https://doitong.com/rm/developers/models/minimax/h3-max/reference-to-video.md. Tut ils models e las guidas: https://doitong.com/developers/llms.txt