MiniMax H3 es un modelo de video multimodal "omni": acepta texto, imágenes, clips de video y audio en la misma petición, y genera imagen y sonido juntos en una sola pasada. En VidGuy produce video 2K con audio nativo, de 4 a 15 segundos.
Esa parte "omni" lo explica todo. La mayoría de los modelos de video aceptan un prompt y, como mucho, una imagen. H3 acepta un pequeño montón de material de referencia y espera que le digas para qué sirve cada pieza. Si lo haces bien, obedece de forma sorprendente. Si te lo saltas, te sale una presentación de diapositivas carísima.
Así es como se le escriben prompts de verdad. Los ejemplos de prompt van en inglés, tal como los escribirías en Studio; adapta los detalles a tu proyecto.
El único hábito que importa: dale una función a cada referencia
La mayor diferencia entre un buen prompt para H3 y uno malo es si le dijiste al modelo qué controla cada archivo adjunto.
No hagas esto:
Make a video of this woman with this bag in this location.
Haz esto:
Use Image 1 for the overall mood, location and film texture. Use Image 2 for the talent: preserve her face, the half-up black hair and the indigo ribbon exactly. Use Image 3 for the bag; the hardware and stitching must match.
Las mismas tres imágenes. La segunda versión le dice al modelo que la imagen 1 es una referencia de iluminación y etalonaje, que la imagen 2 es un bloqueo de identidad y que la imagen 3 es un producto que no debe rediseñar. H3 respeta esa división. Sin ella, el modelo promedia tus referencias en una mezcla confusa y no puedes saber cuál causó el problema.
La misma lógica aplica a cada tipo de entrada:
- Las imágenes fijan la identidad y los detalles. Caras, productos, escenarios, tipografía.
- Los clips de video transfieren movimiento, lenguaje de cámara y ritmo. "Match the camera move in Video 1" es una instrucción real.
- Los clips de audio transfieren la voz. "Match the voice in Audio 1" clona la forma de hablar, no solo el timbre.
En el modo de referencia a video puedes adjuntar hasta doce archivos: más o menos nueve imágenes, tres clips de video y tres clips de audio. Es mucho control, y se desperdicia por completo si el prompt no dice cuál es cuál.
Escribe las palabras que quieres ver en pantalla
El texto legible en pantalla es lo que H3 hace claramente mejor que sus competidores, y es la victoria más fácil que tiene un marketer.
La regla es directa: si una palabra tiene que leerse, escríbela. Si la describes, obtienes píxeles con forma de texto. Si la escribes, obtienes tu texto.
The words SUMMER DROP appear centred, in wide-tracked cinematic typography: not pure white, with restrained material texture, subtle illumination and a faint edge glow.
Luego indica cómo se comporta, porque lo que hace por defecto suele ser demasiado:
The type resolves with the focus: begin slightly blurred at low opacity, then fade into clarity over 0.3 to 0.5 seconds. No spins, bounces or large fly-ins.
Y di lo que no quieres. Aquí las indicaciones negativas funcionan inusualmente bien:
No garbled characters, no misspellings, no non-Latin glyphs.
Vale la pena incluir esa última línea cada vez que pongas texto en pantalla. Es la diferencia entre un clip utilizable y tener que generarlo de nuevo.
Pon marcas de tiempo en todo lo que dure más de un momento
H3 se desliza feliz hacia una presentación de diapositivas si le das una lista de cosas que pasan sin ninguna idea de cuándo. Una lista de tomas con marcas de tiempo lo arregla:
[0 to 2s] High-angle overhead shot of the desk, slow push in. [2 to 4s] Cut to her hands opening the box, shallow depth of field. [4 to 6s] Rack focus to the product, camera settles, title resolves.
No estás obligado a usar cada segundo. Le estás diciendo al modelo dónde caen los momentos clave, y eso es lo que evita que gaste nueve segundos en la primera idea.
Los prompts pueden llegar a unos 7.000 caracteres, así que una lista de tomas completa con diseño de sonido cabe sin problema en una sola petición. Aprovecha el espacio.
Dirige la cámara como un director de fotografía, no como un menú
H3 responde mucho mejor al vocabulario de cinematografía que a los nombres de efectos. Describe el comportamiento físico de la cámara y del lente:
Subtle handheld shake, then push in quickly and rack focus. Wide-angle lens with strong perspective distortion, backlit exposure breathing, slightly coarse noise in the shadows.
Las transiciones funcionan igual. En lugar de "whip pan transition", describe lo que hace la cámara de verdad:
Fast binocular-scan transition with whip movement, motion blur, optical smearing and a brief exposure flicker.
Si nombras un efecto, obtienes la idea promedio que el modelo tiene de ese efecto. Si describes la física, obtienes algo que parece filmado.
Dirige el audio: se va a generar de todos modos
Esta es la capacidad que más se desperdicia. H3 genera el sonido de forma nativa, en la misma pasada. Si no lo diriges, igual obtienes audio; solo que es un audio que nadie eligió.
Trátalo como su propio departamento:
Sound: a deep sub-bass pulse, distant metallic resonance, and one restrained hit as the title locks into focus.
Para la música, especifica la instrumentación y la estructura en lugar del género:
Low drone, tense string pizzicato, cool synth pulses, a low kick, sparse brushwork, fragments of walking bass.
"Música cinematográfica" es un deseo. La línea de arriba es un brief.
Para los diálogos, puedes reemplazar una frase y conservar la actuación:
Replace the woman's line with the line from Audio 1, matched to her mouth movement.
Una plantilla de prompt que funciona
Arma el prompt en este orden. Sigue la forma en que el modelo lee la petición.
- Funciones de las referencias: qué controla cada archivo adjunto
- Lista de tomas: momentos clave con marcas de tiempo
- Cámara y lente: comportamiento físico
- Bloqueos de identidad: los detalles concretos que deben mantenerse
- Texto en pantalla: escrito tal cual, con su animación
- Sonido: música, efectos, diálogos
- Indicaciones negativas: lo que no debe pasar
Ejemplo completo:
Image 1 sets mood, location and film texture. Image 2 is the talent: preserve the face, freckles, and the rust-coloured jacket exactly. Image 3 is the product; do not redesign the label.
[0 to 3s] Wide shot of the rooftop at golden hour, slow dolly left. [3 to 7s] Cut in to her hands turning the bottle to camera, shallow focus. [7 to 10s] She looks up and smiles; camera settles; title resolves.
Anamorphic 40mm feel, gentle handheld float, warm backlight with visible haze, fine grain in the shadows.
The words FIELD NOTES appear lower-third, wide-tracked, warm off-white with a faint edge glow, fading from blur to clarity over 0.4 seconds.
Sound: soft rooftop ambience, distant traffic, a single warm synth swell landing with the title.
No text distortion, no garbled characters, no fly-in animation, no lens flares.
Cuánto cuesta en VidGuy
En VidGuy, H3 cuesta 3 créditos por segundo, en un rango de 4 a 15 segundos: un clip de 4 segundos son 12 créditos y un clip completo de 15 segundos son 45. Está disponible en el plan Pro y superiores.
Como H3 genera el audio en la misma pasada, ese precio incluye el diseño de sonido. Compáralo con la alternativa real, que es generar un clip mudo y luego pagar aparte por música, efectos y voz en off.
Errores comunes
Pasar referencias sin funciones. El error más caro y el más fácil de corregir.
Dar por hecho que se conserva la identidad. No se conserva, a menos que nombres los rasgos. "Preserve the half-up black hair, the silver crown, the indigo ribbon" es lo que mantiene estable a un personaje durante toda una toma.
Dejar el audio al azar. Se genera de todos modos. Dirígelo.
No dar indicaciones negativas. Una línea como "no soft dissolves, no morphs, no garbled text" evita la mayoría de las repeticiones.
Describir el texto en lugar de escribirlo. Escribe la palabra, entre comillas, exactamente como debe aparecer.
No poner marcas de tiempo en tomas con varios momentos. Sin ellas, el ritmo se pierde y obtienes una sola idea estirada.
Preguntas frecuentes
¿Cuánto puede durar un video de MiniMax H3? En VidGuy, de 4 a 15 segundos en una sola generación, a 24 fotogramas por segundo.
¿Qué resolución genera MiniMax H3? 2K: unos 1440 píxeles en el lado corto, en relaciones de aspecto desde 21:9 hasta 9:16.
¿MiniMax H3 genera sonido? Sí, de forma nativa y en la misma pasada que la imagen, incluidos música, efectos y diálogos con sincronización labial. Es una diferencia real frente a la mayoría de los modelos de video, que son mudos por defecto.
¿MiniMax H3 puede generar texto legible? Sí, y es uno de sus puntos más fuertes. Escribe las palabras exactas en lugar de describirlas y agrega indicaciones negativas contra los caracteres ilegibles.
¿Cuántos archivos de referencia puedo adjuntar? Hasta doce en el modo de referencia a video: unas nueve imágenes, tres clips de video y tres clips de audio. Indica en el prompt la función de cada uno.
¿MiniMax H3 es mejor que Seedance? Resuelven problemas distintos. H3 es la opción para piezas cortas y de alta resolución en las que importan el sonido y el texto en pantalla. Seedance 2.5 es la opción cuando necesitas una sola toma continua mucho más larga que quince segundos. La mayoría de los equipos termina usando los dos.
Pruébalo
MiniMax H3 ya está disponible en VidGuy Studio: abre el selector de modelos debajo del cuadro del prompt y elige MiniMax H3 (Omni). Trae tus referencias, dale una función a cada una y escribe las palabras que quieres que la gente lea.



