MiniMax Video API

Trang này mô tả cách gọi model video MiniMax H3, minimax-h3. Giống các model video khác, nó được tạo bằng POST /v1/videos và truy vấn bằng GET /v1/videos/{id}; xác thực, tải lên tư liệu, trạng thái truy vấn định kỳ, tải kết quả và xử lý lỗi xem Quy chuẩn gọi Video API đầy đủ. Trang này chỉ trình bày các trường và quy tắc riêng của H3.

Cập nhật ngày 2026-10-13. H3 chỉ bán ba mức 768P, 1080P và 2K; 480P và 4K đã ngừng cung cấp. Yêu cầu mới chỉ hỗ trợ truy vấn định kỳ, không đặt callback_url.

Ví dụ văn bản thành video

curl --request POST 'https://api.88api.ai/v1/videos' \
  --header 'Authorization: Bearer sk-xxxx' \
  --header 'Content-Type: application/json' \
  --data-raw '{
    "model": "minimax-h3",
    "prompt": "Siêu xe màu bạc trong thành phố đêm mưa, máy quay góc thấp bám theo, phản chiếu ánh đèn neon, chất điện ảnh",
    "duration": 5,
    "resolution": "1080p",
    "ratio": "16:9"
  }'

Sau khi tạo, lưu id trong phản hồi, truy vấn định kỳ GET /v1/videos/{id} cho đến khi tác vụ hoàn tất, rồi tải video từ url trong phản hồi cuối cùng. minimax_h3 là một tên khác của cùng model, cách gọi và cách tính phí hoàn toàn giống nhau.

Tham số đầu ra

H3 chỉ có một tên model: dùng resolution để chọn độ phân giải đầu ra (tính phí theo mức này) và ratio để chọn tỷ lệ khung hình.

• 2K được tạo bằng xử lý siêu phân giải, không phải tạo gốc.
• Đừng dùng size để truyền tỷ lệ khung hình. size chỉ nhận độ phân giải như 1080p hoặc kích thước rộng×cao như 1920x1080; giá trị 16:9 sẽ bị hiểu là độ phân giải và bị từ chối.
• Video luôn có track âm thanh, không có tùy chọn tạo âm thanh; thời lượng thực tế thường dài hơn yêu cầu khoảng 0,1–0,6 giây.
• Khi tham số không hợp lệ (độ phân giải, tỷ lệ, thời lượng, số lượng hoặc cách kết hợp tư liệu), yêu cầu sẽ trả về 400 ngay khi gửi, không tạo tác vụ và không tính phí.

Thời gian tạo và truy vấn định kỳ

Thời gian tạo video của H3 phụ thuộc vào tham số của yêu cầu:

• Yêu cầu thông thường (tỷ lệ 16:9, 9:16, văn bản thành video, ảnh tham chiếu hoặc khung hình đầu/cuối ở 768P) mất ít thời gian hơn: 768P khoảng 2–3 phút, 1080P và 2K khoảng 5–8 phút.
• Các tỷ lệ khác, chỉ có khung hình đầu, khung hình đầu/cuối ở 1080P/2K và các kết hợp tương tự mất nhiều thời gian hơn đáng kể; khi phải xếp hàng có thể cần 10–60 phút.

Hãy đặt thời gian chờ truy vấn từ 60 phút trở lên; khoảng cách giữa các lần truy vấn 10–30 giây là đủ.

Tư liệu tham chiếu

Ảnh tham chiếu đặt trong metadata.referenceImages, âm thanh tham chiếu đặt trong metadata.referenceAudios. Tối đa 9 ảnh tham chiếu và 3 đoạn âm thanh tham chiếu; âm thanh tham chiếu phải đi kèm ít nhất 1 ảnh tham chiếu.

{
  "model": "minimax-h3",
  "prompt": "Người trong ảnh tham chiếu nhảy theo nhịp của âm thanh tham chiếu, máy quay chậm rãi xoay quanh",
  "duration": 6,
  "resolution": "768p",
  "ratio": "16:9",
  "metadata": {
    "referenceImages": ["https://cdn.example.com/dancer.jpg"],
    "referenceAudios": ["https://cdn.example.com/music.mp3"]
  }
}

Khung hình đầu và cuối

Dùng metadata.firstFrame và metadata.lastFrame, không thể dùng chung với ảnh tham chiếu hoặc âm thanh tham chiếu. Cung cấp cả khung hình đầu và cuối ở 768P cho tốc độ ra video nhanh nhất; cũng có thể chỉ gửi khung hình đầu, hoặc dùng khung hình đầu/cuối ở 1080P, 2K, nhưng thời gian tạo sẽ lâu hơn.

{
  "model": "minimax-h3",
  "prompt": "Máy quay lướt từ bờ biển lúc bình minh sang cùng vịnh biển lúc hoàng hôn",
  "duration": 5,
  "resolution": "768p",
  "ratio": "16:9",
  "metadata": {
    "firstFrame": "https://cdn.example.com/start.jpg",
    "lastFrame": "https://cdn.example.com/end.jpg"
  }
}

Cách xử lý images ở cấp gốc

Khi images ở cấp gốc (hoặc input_reference) có 2 ảnh, chúng được xử lý như khung hình đầu và khung hình cuối; khi có 1 ảnh hoặc từ 3 ảnh trở lên, mục đích không cố định (có thể được xem là ảnh tham chiếu hoặc khung hình đầu). Hãy dùng metadata.referenceImages hoặc metadata.firstFrame/lastFrame để chỉ rõ mục đích.

Yêu cầu tư liệu

• Ảnh và âm thanh dùng liên kết HTTPS truy cập công khai được, hoặc Base64 data URL; cũng có thể tải trực tiếp tệp ảnh, âm thanh cục bộ bằng biểu mẫu multipart.
• Ảnh: JPG, PNG hoặc WebP, khuyến nghị mỗi ảnh tối đa 10 MB. Âm thanh: MP3 hoặc WAV, mỗi đoạn tối đa 20 MB. Tư liệu Base64 nhúng trực tiếp tổng cộng tối đa 32 MB.
• Không dùng đường dẫn trên máy cục bộ, địa chỉ mạng nội bộ hoặc liên kết blob: của trình duyệt.
• Liên kết video kết quả có thời hạn (tối thiểu 24 giờ); hãy tải xuống và lưu lại ngay sau khi tác vụ hoàn tất.