
下のテキストから動画を生成する例の出力:768P、5秒、16:9(プロンプトは出力例に対応するため英語のままです)
トークンの作成
トークン管理で、次の設定でトークンを追加します。料金
MiniMax H3は、動画の長さに応じて課金されます。2026年10月24日時点の料金です。- 出力:リクエストした
duration。クリップは通常、リクエストより0.1〜0.5秒長くなりますが、追加料金はかかりません。 - 参照動画:その長さを、次の整数秒に切り上げた秒数。5.8秒のクリップは6秒として数えます。
- 参照画像:1つのタスクで最初の5枚を超える画像が、1枚ずつ課金されます。先頭フレームと末尾フレームの画像も、枚数に含まれます。
- 768P、5秒のテキストからの動画:5 × $0.05 = $0.25
- 2K、10秒のテキストからの動画:10 × $0.08 = $0.80
- 768P、4秒の動画に6秒の参照動画を付ける:(4 + 6) × $0.05 = $0.50
task_id の対応を保存してください。タスクごとの正確な課金額は、呼び出しログで確認できます。
出力例
次のクリップは、編集していないMiniMax-H3 の出力で、モデルが生成した音声がそのまま付いています。クリックすると再生されます。キャプションには、解像度、長さ、アスペクト比、プロンプトを載せています。
Museの動画の出力例は同じプロンプトを使っているため、2つのモデルをシーンごとに比較できます。プロンプトは出力と対応させるため、英語のままです。
768P、6秒、16:9。プロンプト:A red fox walking through snowy forest at sunrise, cinematic
2K(2560×1440)、6秒、16:9。前のクリップと同じプロンプト
768P、10秒、16:9。プロンプト:A paper boat drifts down a rainy city gutter, then sails into a small sunny pond
768P、10秒、16:9。プロンプト:A hot air balloon rises over a valley at dawn, drifts over a river and a village, then lands in a meadow
768P、10秒、9:16の縦向き。プロンプト:A cyclist rides through a coastal town from morning to sunset: market, harbor, cliff road, lighthouse
仕組み
タスクを作成する
POST /hailuo/v2/video_generation を送ります。model:MiniMax-H3content:テキスト項目1つと、任意の画像・動画・音声の入力resolution、duration、ratio
task_id を保存してください。タスクをポーリングする
GET /hailuo/v2/query/video_generation/{task_id} を呼び、task.status を読み取ります。4〜5秒の768Pの動画は、通常約1分で完了します。2Kと参照動画付きのタスクは、より時間がかかります。クライアント側の全体のタイムアウトは30分にしてください。動画をダウンロードする
task.status が succeeded になったら、task.content.url からMP4をダウンロードします。リンクは7日間利用でき、Authorization ヘッダーは不要です。準備
cURLの例では、レスポンスのフィールドを読み取るためにjq を使います(macOSでは brew install jq でインストールできます)。先にキーとベースURLを設定します。
テキストから動画を生成する
ratio を固定の値にする必要があります。画像がない場合、adaptive は受け付けられません。
先頭フレーム、または先頭と末尾のフレームから動かす
first_frame で最初のショットを指定し、last_frame を加えると最後のショットも指定できます。ratio を adaptive にすると、出力は先頭フレームのアスペクト比に従います。
data:image/jpeg;base64,... のようなBase64のデータURLで渡します。先頭フレームだけを使うときは、last_frame の項目を外してください。
参照画像・動画・音声から生成する
参照を使うと、特定のキャラクターやオブジェクトをシーンに登場させたり、クリップの動きとカメラワークを再利用したり、音声のリズムに合わせたりできます。プロンプトでは、種類と順番で参照を指します。最初の参照画像は<Picture 1>、最初の参照動画は <Video 1>、最初の参照音声は <Audio 1> です。
- 参照画像・動画・音声は自由に組み合わせられますが、音声だけを参照にはできません。参照画像か参照動画を少なくとも1つ加えてください。
- 先頭・末尾フレームは、参照と同じリクエストでは使えません。
- 動画と音声の入力は、サービスが直接ダウンロードできる公開のHTTPSリンクにしてください。
- 参照動画は秒数に応じて課金されます。「料金」を参照してください。
ポーリングとダウンロード
タスクを取得する
task.status が succeeded か failed になるまで、10秒おきに実行します。成功時のレスポンスは次のようになります。
usage には、タスクで課金される秒数が入ります。input_seconds は参照動画、output_seconds は生成された動画の秒数です。
動画をダウンロードする
最小のPythonクライアント
このスクリプトはPythonの標準ライブラリだけを使います。実行する前にLAOZHANG_API_KEY を設定してください。10秒おきにポーリングし、全体のタイムアウトは30分で、結果を h3-output.mp4 として保存します。
APIリファレンス
リクエストの基本
リクエスト本文
adaptive は画像のアスペクト比に従い、テキストのみ、または音声のみのリクエストでは使えません。16:9のとき、768Pの出力は1344×768、2Kの出力は2560×1440です。
content[] の入力
role を省略でき、先頭フレームとして扱われます。画像が2枚以上のときは、それぞれに role を指定してください。
タスクの状態
queued のままになることがあります。送信した順に自動で開始されます。30分たっても開始されないタスクは failed になり、返金されます。
エラー
task_id と、最終的なタスクの詳細を保存しておいてください。連絡先は hi@laozhang.ai です。
よくある質問
5秒の動画はいくらですか?
768Pは$0.25、2Kは$0.40です。費用は長さに比例するため、768Pの15秒なら$0.75です。参照動画はその秒数が同じ単価で加算され、6枚目以降の参照画像は1枚あたり$0.03が加算されます。「料金」を参照してください。768Pと2Kのどちらを使うべきですか?
プロンプトと構図は、4〜5秒のクリップを768Pで試して調整し、最終版を2Kまたはより長い尺で生成してください。2Kは1秒あたり$0.03高く、生成にも時間がかかるため、大画面向けの映像や、さらに編集する素材に使うのが向いています。OpenAI形式の /v1/videos で使えますか?
いいえ。先頭・末尾フレーム、複数の参照画像、参照動画、参照音声は、いずれも content[] の構造に依存します。そのためLaoZhang APIは、MiniMax H3をネイティブの /hailuo/v2 エンドポイントでのみ提供しています。/v1/videos や /v1/video/generations へのリクエストは、課金されずに拒否されます。
動画に音声は付きますか? オフにできますか?
どの動画にもステレオ音声が付き、BGMと効果音はプロンプトと参照音声に沿って作られます。無効にするパラメーターはありません。音声が不要なときは、ダウンロードしたあとで音声トラックを取り除いてください。タイムアウト後に再送してよいですか?
先にタスクを確認してください。クライアント側のタイムアウトは、タスクの失敗を意味しません。同じtask_id のポーリングを続けてください。再送すると新しいタスクが作成され、再び課金されます。task.status が failed になったあとだけ、リクエストを作り直してください。失敗したタスクはすでに返金されています。