Funciones y capacidades de MiniMax H3
MiniMax H3 también aparece escrito como Hailuo 3.0 o Hailuo 03. Es el modelo de video multimodal, de pesos abiertos y de propósito general de MiniMax.
Hasta ahora el trabajo venía repartido: un modelo generaba, otro editaba, otro seguía una referencia. H3 junta las tres cosas. Lee texto, imágenes, video y audio como un solo contexto, y devuelve un clip terminado con imagen y sonido.
Si publicas en Reels, TikTok o YouTube, ese detalle te ahorra el pase aparte de audio. El clip vuelve hablado y con ambiente.
| Función | Qué hace | Ideal para |
|---|---|---|
| Referencia omni | Lee hasta 9 imágenes, 3 clips de video y 3 audios como un solo brief | Fijar de una vez un rostro, un movimiento y una voz |
| Audio estéreo nativo | Genera diálogo, efectos y ambiente junto con la imagen | Drama, anuncios y aperturas que dependen del sonido |
| Edición por instrucciones | Cambia lo que nombras y deja quieto el resto del cuadro | Salvar una toma buena sin repetirla |
| Clonación y transferencia de voz | Le presta a un personaje la voz de una grabación de referencia | Doblaje, cambiar una línea, cambiar de idioma |
| Varias tomas en un clip | Distintas tomas dentro de una sola generación de 5 a 15 segundos | Aperturas, plano-contraplano |
| 2K a 24fps | Un lado corto de 1440 píxeles, al ritmo con el que se filma cine | Entregar sin un paso de escalado |
Referencia omni
Aquí está el cambio de fondo. Una sola generación admite hasta 9 imágenes, 3 clips de video y 3 audios, con un máximo de 12 archivos.
Lo valioso es que cada archivo cumple una función distinta. Una imagen fija al personaje. Otra fija la ubicación. Un video aporta el movimiento o el ritmo del corte. Un audio aporta la voz.
Hay dos límites que conviene tener a mano. Las referencias de video y audio duran de 2 a 15 segundos cada una, y 15 segundos sumadas. Y el audio nunca viaja solo: siempre lo acompaña al menos una imagen o un video.
Audio estéreo nativo
El sonido no llega en un segundo paso. Cada generación devuelve audio estéreo hecho en la misma pasada que la imagen.
En la práctica, la escena regresa con la línea ya dicha. Los pasos apoyan en el piso y el cuarto suena a cuarto.
Eso cambia tu papel. El audio se dirige, no se acepta. Nombra los instrumentos, los efectos y el segundo exacto en que entra una señal. El resultado no se parece al de un brief callado.
Edición por instrucciones
Cuando un clip está bien salvo por un detalle, nombra el detalle.
Puedes reemplazar a un sujeto, quitar un objeto o cambiar el fondo. También pasar la escena de día a noche, sumar un efecto o cambiar una línea. Se mueve lo que señalaste y el resto del cuadro se queda quieto.
Además caben varios cambios en una misma instrucción. Por eso un pase de edición rinde más que volver a generar y cruzar los dedos para que sobreviva lo bueno.
Clonación y transferencia de voz
Una grabación de referencia le presta a un personaje una voz que no tenía. Y si entregas una línea escrita, esa línea reemplaza lo que se dijo en cámara, con la actuación ajustada para que calce.
Súmale una imagen de identidad y el personaje se sostiene a lo largo de la secuencia, en cara y en voz.
Encuadre y acabado
Texto a video y las corridas con referencia comparten seis relaciones de aspecto, de 21:9 a 9:16. Hay además un modo automático para cuando son las referencias las que definen la toma. Las corridas de primer y último fotograma toman la relación de la imagen que subiste.
La salida es 1440p a 24fps, con 1440 en el lado corto. Un máster en 21:9 aterriza cerca de 2976 por 1248.
Falta por llegar un modo de 768p, con escalado a 1440p. Cuando aparezca, será el modo natural para bocetear.
Casos de uso de MiniMax H3
Películas de marca y comerciales
Comerciales y piezas de marca premium. El set de referencias fija al talento, el producto y el cierre, y la textura fílmica se escribe en vez de dejarla al azar. Rinde en temporada alta, del Buen Fin a las fiestas de fin de año, cuando hay que salir con varias versiones del mismo spot.
Drama vertical y diálogo
Drama corto en 9:16, con planos cerrados y plano-contraplano. Es el formato que se consume en el celular, en Reels y en TikTok. Como la línea se habla en la misma pasada que la imagen, la actuación y la entrega llegan juntas.
Aperturas y diseño de movimiento
Trabajo gráfico donde el texto es una capa más. Los créditos entran solos, los diagramas se arman y la música cae en el golpe que marcaste. Sirve igual para la apertura de una serie que para la cabecera de un canal de YouTube.
Producto y comercio electrónico
Piezas de producto que arrancan de una foto del objeto real. Van de la revelación completa al detalle macro y cierran en un plano general sostenido. La foto sostiene la forma, y la cámara y la luz hacen la venta. Salen listas para una ficha de Mercado Libre o para Instagram.
Conceptos de interfaz y videojuego
Menús, HUD y demos de interacción, marcados golpe a golpe a lo largo del clip. Los paneles se deslizan, una selección se marca y el mundo carga en el orden que escribiste, no en el que el modelo adivinó.
Trabajo animado y estilizado
Recorte de papel, stop-motion y personajes estilizados, un terreno vecino al del papel picado. Una referencia de identidad sostiene el diseño entre tomas, así que el personaje conserva vestuario, proporciones y acabado de un corte al siguiente.
Cómo sacarle el mayor provecho a MiniMax H3
H3 responde mejor a un brief que parece papeleo de producción que a una frase suelta. El campo admite hasta 7000 caracteres, y los ejemplos oficiales del modelo usan casi todo ese espacio. Con unos pocos hábitos ya cubres la mayor parte de la calidad:
- Dale un trabajo a cada referencia. Escribe “la imagen 1 fija el ambiente y la textura, la imagen 2 es el talento, la imagen 3 es el producto”. Rinde mucho más que adjuntar cuatro fotos y confiar en la suerte.
- Escribe los tiempos. Reparte el clip en tramos: de 0 a 2 segundos, de 2 a 5 segundos. Así el modelo tiene un orden que seguir durante los 15.
- Di qué no debe cambiar. Nombra lo que queda fijo: una máscara, un peinado, un vestuario. Es lo que frena la deriva a mitad del clip.
- Escribe las negativas. Sin subtítulos, sin marca de agua, sin ropa moderna, sin fundidos suaves. Las restricciones se respetan cuando se dicen.
- Dirige el sonido como pista propia. Nombra instrumentos, efectos y el segundo en que entra cada señal. El audio se genera de todos modos, así que más vale escribirlo.
- Nombra las transiciones. Un barrido, un corte seco, un paneo rápido, un corte por forma. Listarlas le da ritmo al montaje en vez de suavidad genérica.
- Describe la captura, no solo la escena. El pulso del celular en la mano, la exposición que respira, el enfoque que llega tarde, el grano. Ahí está la diferencia entre filmado y renderizado.
- Especifica la animación del texto. Dale una entrada, una duración y una lista de lo que no quieres, y los títulos dejan de girar y rebotar.
- Edita señalando el objetivo. Di qué cambia y qué se queda. Volver a generar la toma completa pone en riesgo la que ya te gustaba.
- Cuida el presupuesto de referencias. Doce archivos es el tope. Video y audio suman 15 segundos como máximo. Y el audio solo cuenta si va acompañado.
Para ver la lista completa de especificaciones, consulta la página del modelo MiniMax H3.
Guía de prompts para MiniMax H3
Un brief sólido para H3 se arma en cinco bloques. Repásalos antes de enviar y dejas decidido todo lo que el modelo tendría que adivinar.
| Bloque | Incluye | Ejemplo |
|---|---|---|
| Roles | Para qué sirve cada referencia adjunta | Imagen 1 fija el mercado al amanecer, imagen 2 es la vendedora |
| Tiempos | La acción a lo largo del clip, con marcas de tiempo | De 0 a 5s ella sirve el café, de 5 a 11s levanta la vista |
| Estilo | Estilo, paleta, iluminación y textura fílmica | Grano de 16 mm, color contenido, luz cenital dura |
| Sonido | Diálogo, efectos, música y el momento en que entran | Ambiente de mercado todo el clip, un golpe cuando aparece el título |
| Límites | Qué queda fijo y qué no debe aparecer | Mantener el vestuario, sin subtítulos, sin marca de agua |
Prompts débiles vs. prompts fuertes
La diferencia casi siempre está en tres cosas: el tiempo, el rol de cada referencia y el sonido.
| Enfoque | Débil | Fuerte |
|---|---|---|
| Roles de referencia | Usa estas imágenes | La imagen 1 fija la textura fílmica, la imagen 2 es la protagonista, la imagen 3 es la jarra de barro que levanta |
| Tiempos | Ella toma la jarra | De 0 a 5s camina entre los puestos, de 5 a 10s levanta la jarra a contraluz, de 10 a 15s la deja en la mesa |
| Sonido | Agrega algo de música | Un radio lejano y el tránsito de fondo todo el clip, una nota sostenida de chelo cuando la luz atraviesa el barro |
Errores comunes
- Adjuntar referencias sin decir para qué sirve cada una. El modelo termina adivinando cuál manda en la escena.
- Describir un fotograma congelado, cuando lo que hace falta es una acción que dure todo el clip.
- Dejar el audio sin escribir y después culpar al modelo por el sonido que llegó.
- Mandar una referencia de audio sola. Se rechaza si no la acompaña una imagen o un video.
- Regenerar la toma entera para corregir un objeto, cuando una instrucción de edición habría salvado el resto.
