Erstellen Sie aus Text, aus erstem oder letztem Bild und aus Bild-, Video- oder Audioreferenzen. Führen Sie Clips mit 24 FPS und nativem 32-kHz-Stereoton aus einem unabhängigen Arbeitsbereich im Browser.
MiniMax H3 Leitfaden / geprüft am 5. August 2026
MiniMax H3 AI ist ein multimodaler Ablauf zur Videogenerierung, der Text-, Bild-, Video- und Audiokontext auswertet. Damit entstehen Clips von 4 bis 15 Sekunden in 768P oder 2K bei 24 FPS mit nativem 32-kHz-Stereoton – ausgehend von einem freien Prompt, von erstem oder letztem Bild oder von einem strukturierten Satz visueller und klanglicher Referenzen.
Beginnen Sie mit Text, wenn die Komposition neu erfunden werden darf. Ein brauchbarer Prompt liest sich wie eine Regieanweisung: Motiv, Handlung, Umgebung, Kameraposition und -bewegung, Licht, Tempo und das Geräusch, auf das es ankommt. Unverhandelbare Anschlussbedingungen stehen vor dekorativem Stil. Sechs feste Seitenverhältnisse decken Breitbild, Quer-, Quadrat- und Hochformat ab, die Länge nimmt jede ganze Sekunde von vier bis fünfzehn.
Dieser Weg eignet sich für Konzeptsuche, Social-Hooks, Atmosphäre-Inserts, Produktmomente und filmisches B-Roll. Er ist außerdem der ehrlichste Test, weil keine hochgeladene Datei verdeckt, ob das Modell den Text verstanden hat. Erzeugen Sie mehrere Fassungen, notieren Sie die exakten Einstellungen und vergleichen Sie verwertbare Sekunden statt das attraktivste Vorschaubild.
Bild zu Video braucht mindestens ein erstes oder letztes Bild; beide zusammen sind sinnvoll, wenn ein Übergang zwei Ankerpunkte benötigt. Das Bild bestimmt den Aufbau, deshalb sendet dieser Modus keinen separaten Seitenverhältnis-Parameter. Beschreiben Sie, was sich über die Zeit verändert: Kamerafahrt, Körperbewegung, Reaktion der Umgebung, Timing – und was unangetastet bleiben muss. Jedes sichtbare Detail erneut auszuschreiben kostet Prompt-Raum und erzeugt Widersprüche.
Das erste Bild eignet sich, um Kampagnen-Keyvisuals, Produktfotos, Illustrationen oder ein Storyboard-Panel zu beleben. Das letzte Bild gibt Kontrolle über den Zielzustand bei Enthüllungen und Verwandlungen. Da Keyframe- und Referenzmodus einander ausschließen, entscheiden Sie vor dem Upload, ob die Einstellung eine Zielkomposition oder den breiteren Kontext aus Identität und Bewegung braucht.
Der Referenzmodus nimmt bis zu neun Bilder, drei Videos und drei Audiodateien an, insgesamt zwölf Dateien. Video- und Audiodateien dauern jeweils zwei bis fünfzehn Sekunden, und auch die Summe je Medientyp bleibt unter fünfzehn Sekunden. Audio allein genügt nicht: Mindestens ein Bild oder Video liefert den visuellen Kontext. Geben Sie jeder Datei genau eine Aufgabe – ein Bild definiert die Identität, ein zweites das Kostüm, ein drittes den Ort; ein kurzes Video zeigt Kamerarhythmus oder Spieltempo, Audio setzt Timing, Raum und Klangfarbe.
768P ist die günstige Suchstufe, 2K lohnt sich bei feiner Textur, Haar, Materialien oder größerem Lieferformat. Auflösung rettet weder einen schwachen Bildaufbau noch instabile Bewegung. Die Kosten richten sich nach Ausgabelänge, Länge der Referenzvideos und Bildern ab dem sechsten; die Anzeige ist eine Schätzung, der Server rechnet anhand der hochgeladenen Metadaten neu. Nativer Ton entsteht zusammen mit dem Bild, deshalb formulieren Sie Klang als physikalische Anweisung: Distanz, Textur, Timing, Raumklang, ein synchroner Aufschlag oder ein kurzer gesprochener Satz.
Im Unternehmenskontext gehören zwei Punkte vor die erste Generierung. Erstens die Datenverarbeitung: Prompts und Referenzdateien werden an den vorgelagerten Modellanbieter übermittelt, damit die Generierung stattfinden kann. Wer personenbezogene oder besonders schützenswerte Inhalte hochlädt, sollte vorher klären, ob die eigene Datenschutz-Folgenabschätzung und ein Auftragsverarbeitungsvertrag diesen Weg abdecken, und im Zweifel mit synthetischem statt echtem Referenzmaterial arbeiten. Details stehen in der Datenschutzerklärung; diese Seite ersetzt keine Rechtsberatung.
Zweitens die Rechte. Die kommerzielle Nutzung richtet sich nach dem gewählten Bezahlplan, den Nutzungsbedingungen und den Regeln des Modellanbieters – ein Testergebnis geht nicht ungeprüft in eine Kampagne. Auf der Eingabeseite gilt: keine fremden Marken, Werktitel oder Personen des öffentlichen Lebens in Prompt und Referenzdateien, und als Referenz nur Material verwenden, an dem Sie die Rechte halten. Logos, Preise, Verpackungstexte und Pflichtangaben werden im Schnitt deterministisch gesetzt.
Produktvideos und E-Commerce. Produktenthüllungen, Materialstudien und Hochformat-Hooks testen, bevor ein Dreh angesetzt wird. Preise und Verpackungstexte kommen in den Schnitt.
Erklär- und Imagefilme. Atmosphärische Einstellungen und Zwischenschnitte selbst erzeugen, statt auf generische Stockclips zurückzugreifen.
Kampagnen-Previsualisierung. Storyboard-Panels in bewegte Entwürfe überführen, Kamerawege vergleichen und die Richtung intern abstimmen, bevor Produktionsbudget fließt.
Social-Formate. Kurze Hooks mit Ton in Serie produzieren und den visuellen Ton über Referenzen zwischen den Varianten konstant halten.
Ein Modellname beantwortet allein kein Briefing. Unsere praktischen Vergleiche, veröffentlicht auf Englisch, MiniMax H3 vs Seedance 2 und MiniMax H3 vs Flux 3 Video, trennen dokumentierte Fähigkeiten von Unbekanntem und enthalten wiederholbare Tests zu Bewegung, Referenzen, Ton, Länge und Kosten je abgenommener Einstellung.
Text, wenn der Bildaufbau frei erfunden werden darf. Keyframes, wenn Anfang oder Ende feststehen. Multimodale Referenzen, wenn Identität, Bewegung oder Ton einen konkreten Anker brauchen.
Schreiben Sie zuerst Motiv und Handlung. Danach Umgebung, Kamerafahrt, Licht, Tempo, unverhandelbare Anschlussbedingungen und ein bis zwei wichtige Geräusche. Eine erkennbare Rangfolge bringt mehr als eine ungeordnete Adjektivkette.
Wählen Sie genau einen Eingabeweg. Keyframes, wenn der Bildaufbau an einem definierten Punkt beginnen oder enden muss. Referenzmodus, wenn Bild, Video oder Ton Identität, Bewegung oder Atmosphäre besser transportieren als Text.
Kontrollieren Sie Prompt-Treue, Anatomie, Objektbeständigkeit, Kameraanschluss, tatsächlich verwertbare Sekunden und Tonsynchronität. Behalten Sie funktionierende Einstellungen und ändern Sie pro Durchgang nur eine Variable.
Eingabeweg wählen, 4 bis 15 Sekunden und 768P oder 2K einstellen, generieren und das Ergebnis unter Meine Kreationen prüfen.
Wählen Sie einen Tarif nach Ausgabeauflösung, Länge, Sekunden an Referenzvideo und Produktionsvolumen.
Billed $238.80 yearly
Billed $418.80 yearly
Billed $898.80 yearly
Included models
Ideogram 4
Z-Image Turbo
Grok Imagine Image
Nano BananaNano Banana ProNano Banana 2
GPT Image 2
Seedream 5.0 LiteSeedream 4.5
MiniMax H3Seedance 2.0Seedance 2.0 FastSeedance 2.0 MiniSeedance 2.5Coming SoonGet Early BirdSeedance 1.5 ProGrok Imagine Video
Gemini Omni FlashVeo 3.1 QualityVeo 3.1 LiteVeo 3.1 FastWan 2.7Wan 2.6Wan 2.5Credits activate instantly for MiniMax H3 generation workflows.
Ein brauchbares Ergebnis hält Identität, Bewegung, Kameralogik, Timing und Ton bis zum Schluss zusammen. Sehen Sie den kompletten Clip an, bevor Sie diese Einstellungen in die nächste Szene übernehmen.
Generator öffnenPrompts und Referenzdateien werden an den vorgelagerten Modellanbieter übermittelt, damit die Generierung überhaupt stattfinden kann. Welche Daten dabei wie lange verarbeitet werden, steht in unserer Datenschutzerklärung. Wer besonders schützenswerte Unternehmensinhalte verarbeitet, sollte vor dem Upload prüfen, ob die eigene Datenschutz-Folgenabschätzung und ein Auftragsverarbeitungsvertrag das abdecken. Diese Seite beschreibt den Rahmen und ersetzt keine Rechtsberatung.
Die kommerziellen Nutzungsrechte richten sich nach dem gewählten Bezahlplan, unseren Nutzungsbedingungen und den Regeln des vorgelagerten Modellanbieters. Ergebnisse aus Testguthaben gehen nicht ungeprüft in eine Kampagne. Logos, Preise, Verpackungstexte und Pflichtangaben gehören in den Schnitt, nicht in die Generierung.
Videos aus einem Bezahlplan tragen kein Wasserzeichen der Plattform. Enthält allerdings ein hochgeladenes Referenzbild oder -video bereits eines, kann das Modell dieses Bildmerkmal übernehmen. Dann sollte das Referenzmaterial getauscht und nicht nachträglich retuschiert werden.
Bis zu neun Bilder, drei Videos und drei Audiodateien, insgesamt höchstens zwölf Dateien. Video- und Audiodateien dauern jeweils 2 bis 15 Sekunden, und auch die Summe je Medientyp liegt bei maximal 15 Sekunden. Audio allein reicht nicht als Referenz: Mindestens ein Bild oder Video muss den visuellen Kontext liefern.
Bild und Ton entstehen im selben Durchgang in Stereo mit 32 kHz, statt nachträglich eine Tonspur zu unterlegen. «Nativ» beschreibt allerdings nur das Verfahren und garantiert weder Aussprache noch Lippensynchronität noch eine sendefähige Pegelbalance. Prüfen Sie den vollständigen Clip vor der Veröffentlichung.
Nein. Diese Website ist ein unabhängiger Generierungsdienst und steht in keiner Verbindung zu MiniMax, ByteDance, Black Forest Labs, Flux oder einem anderen Modellinhaber und wird von diesen weder unterstützt noch gesponsert. Konto, Guthaben, Abrechnung, Dateien und Support liegen bei diesem Dienst.
