Análisis de MiniMax H3 (Hailuo 03): audio nativo, salida 2K y lo que cuesta de verdad una generación
Publicado 2026-08-12 · Datos medidos 2026-08-12
MiniMax H3, que también se distribuye como Hailuo 03, costó $0.76 por una generación de texto a vídeo de 10 segundos a 768p en la ruta A el 2026-08-12. Lo medimos antes de añadir el modelo a nuestro servicio de vídeo multi-modelo, donde cada generación genera un cargo en nuestra cuenta. El hallazgo más útil fue cómo mide las referencias. A lo largo de las generaciones del 2026-08-10 y del 2026-08-12, los segundos de vídeo de referencia se sumaban al tiempo facturado, mientras que una generación de 10 segundos a 2K con dos imágenes, el 2026-08-12, costó lo mismo que texto a vídeo.
TL;DR
- La ruta A cobró $0.76 por 10 segundos a 768p, es decir $0.076 por segundo de salida, el 2026-08-12.
- Con el mismo vídeo de referencia de 12.67s, una salida de 5 segundos costó $1.368 y una de 10 segundos $1.748, entre el 2026-08-10 y el 2026-08-12. La comprobación de la tarifa unitaria difería en un 0.4% cuando el tiempo facturado incluía la salida más el vídeo de referencia.
- Pedir 2K produjo 2560×1440, mientras que pedir 768p produjo 1344×768, verificado con ffprobe el 2026-08-12.
- Elige Seedance 2.5 cuando necesites una salida de 30 segundos, un conjunto de referencias 30/10/10 o un nivel 480p. MiniMax H3 se detenía en 15 segundos y 9/3/3 referencias, y su nivel más bajo es 768p sin opción de 480p, según la comprobación del 2026-08-12.
Resumen del método
El 2026-08-08 registramos tres generaciones cronometradas de texto a vídeo de 5 segundos a 768p, con 137 / 150 / 243 segundos, y confirmamos que un archivo de audio podía ser la única referencia. El 2026-08-12 registramos una generación de cada uno de estos casos: texto a vídeo de 10 segundos a 2K, texto a vídeo de 10 segundos a 768p y un trabajo de referencia de 10 segundos a 2K con dos imágenes. La prueba de medición de referencias usó el mismo clip de 12.67s con salidas de 5 y 10 segundos entre el 2026-08-10 y el 2026-08-12. No usamos un único prompt en todas las configuraciones, así que esto no es una comparación controlada de calidad visual.
Resultados medidos: coste y latencia
Coste por generación en la ruta A
Estos son los cargos a la cuenta que la ruta A declara en USD, verificados el 2026-08-12. Las tarifas normalizadas mantienen visible la resolución original.
| Configuración | Cargo a la cuenta | Resultado normalizado |
|---|---|---|
| t2v, 10s, 768p | $0.76 | $0.076 por segundo de salida |
| t2v, 10s, 2K | $1.235 | $0.1235 por segundo de salida; factor 2K de 1.625 en la comprobación de dos puntos |
| r2v, 10s, 2K, dos referencias de imagen y ningún vídeo de referencia | $1.235 | Igual que la generación t2v de 10s a 2K |
| r2v, 5s, 768p, más un vídeo de referencia de 12.67s | $1.368 | $0.0774 por segundo facturado |
| r2v, 10s, 768p, más el mismo vídeo de referencia de 12.67s | $1.748 | Diferencia de tarifa unitaria del 0.4% en el par de medición |
La generación de 10 segundos a 2K con referencia de imagen y la de 10 segundos a 2K en texto a vídeo cobraron ambas $1.235 el 2026-08-12. Ese es el recibo directo que sostiene el resultado sobre la referencia de imagen. No es una estimación sacada de una tarifa pública.
Latencia cronometrada por generación
Conservamos cada generación medida en lugar de publicar solo una media.
| Configuración | Tiempo real | Fecha de medición |
|---|---|---|
| t2v, 5s, 768p | 137 / 150 / 243 segundos | 2026-08-08 |
| t2v, 10s, 2K | 359 segundos | 2026-08-12 |
| t2v, 10s, 768p | 264 segundos | 2026-08-12 |
| r2v, 10s, 2K, dos referencias de imagen | 497 segundos | 2026-08-12 |
La fila de latencia del 2026-08-08 tiene tres generaciones. Cada fila del 2026-08-12 tiene una. Los datos muestran la dispersión observada y resultados individuales, no una garantía de nivel de servicio.
Especificaciones verificables y el límite con Seedance 2.5
Las especificaciones se comprobaron el 2026-08-12. La comparación con Seedance 2.5 usa los datos medidos previamente el 2026-08-08 en lugar de una generación nueva.
| Variable de decisión | MiniMax H3 | Seedance 2.5 |
|---|---|---|
| Duración de salida | De 5 a 15 segundos, valores enteros | Hasta 30 segundos |
| Opciones de resolución | 768p o 2K | Incluye un nivel de 480p |
| Capacidad de referencia | 9 imágenes, 3 vídeos, 3 archivos de audio | 30 imágenes, 10 vídeos, 10 archivos de audio |
| Coste normalizado medido | $0.076/s a 768p el 2026-08-12 | $0.0968/s a 480p el 2026-08-08 |
La fila de coste no es una comparación a igual resolución. Describe el nivel de entrada medido de cada modelo, dejando la resolución a la vista para que los números no se confundan con un banco de pruebas de precios controlado.
MiniMax H3 también generó audio sincronizado nativo. Dos salidas inspeccionadas llevaban una pista de audio AAC al comprobarlas con ffprobe el 2026-08-12. Además, un archivo de audio funcionó como única referencia en una petición de creación el 2026-08-08.
Para la integración con la API, el parámetro de resolución es quality, con 768p y 2k como valores aceptados. Enviar resolution devolvió HTTP 400 el 2026-08-12. El audio de referencia va en audio_urls; enviar reference_audio_urls devolvió HTTP 400 el 2026-08-12.
Experimento exclusivo: qué mide realmente el modo referencia
La pregunta clave era si la ruta A facturaba solo el tiempo de salida o también las entradas de referencia. Usamos el mismo vídeo de referencia de 12.67s y pedimos una salida de 5 segundos y otra de 10 segundos entre el 2026-08-10 y el 2026-08-12.
| Salida pedida | Vídeo de referencia | Cargo | Comprobación de medición |
|---|---|---|---|
| 5s a 768p | 12.67s | $1.368 | $0.0774 por segundo facturado |
| 10s a 768p | 12.67s | $1.748 | La tarifa unitaria difirió un 0.4% |
Los dos cargos cuadran cuando los segundos facturados son segundos de salida más segundos de vídeo de referencia. El trabajo aparte de 10 segundos a 2K con dos imágenes cobró $1.235 el 2026-08-12, exactamente lo mismo que el cargo por texto a vídeo de 10 segundos a 2K de esa misma fecha.
El tiempo de vídeo de referencia se mide; las referencias de imagen no añadieron tiempo facturado en esta prueba de la ruta A. El registro de enrutado que recibimos dice que la misma regla limitada a la salida se aplica cuando el audio es la única referencia, pero no incluye un recibo en USD separado para ese trabajo solo de audio, así que no publicamos un precio específico de audio hasta que exista ese recibo.
La resolución y el audio se comprobaron desde el archivo de salida
La ruta A devolvió 2560×1440 tras una petición en 2K y 1344×768 tras una petición en 768p el 2026-08-12. La resolución pedida estaba presente en el medio entregado, y no solo en los metadatos de la petición. Dos salidas inspeccionadas también contenían un flujo AAC el 2026-08-12.
Este comando reproduce la inspección de la salida sin depender de la respuesta de la ruta:
ffprobe -v error -show_entries stream=codec_type,codec_name,width,height -of json output.mp4
La página de producción de MiniMax H3 también aloja nuestras muestras de macro de miel, lluvia con audio sincronizado y referencia de violonchelo con dos imágenes, todas medidas para este lanzamiento.
Las salidas en sí, adjuntas
Las tablas de costes no enseñan lo que produce el modelo. Estas son las tres muestras de lanzamiento medidas para este artículo, alojadas por nosotros, con las afirmaciones comprobables que carga cada una.
2K nativo, verificado en el archivo entregado
Esta macro de 10 segundos se pidió a 2K y el archivo entregado mide 2560×1440 según ffprobe (2026-08-12), la misma comprobación descrita en la sección de resolución. La afirmación que carga este clip es simple: la resolución que pagas está presente en el archivo, y el nivel de microdetalle (burbujas, cristales de azúcar, poros de la miga) es lo que compra esa resolución.
Audio sincronizado, publicado para tus propios oídos
El prompt guionizaba tres eventos sonoros con tiempo marcado: lluvia sobre el cristal durante todo el clip, un tranvía que pasa y crece cerca de los 4s, y una taza que se posa cerca de los 7s. El archivo entregado lleva una pista de audio AAC (verificado el 2026-08-12). No vamos a puntuar nosotros mismos nuestra sincronía de audio; el clip está aquí para que juzgues si los eventos guionizados caen donde la imagen dice que caen.
Dos referencias de imagen compuestas en una sola escena
Entradas: un fijo de personaje de una violonchelista y una placa de localización de una sala inundada y vacía. La salida tenía que meter lo uno dentro de lo otro y mantener ambos coherentes.
En nuestra revisión de esta generación: el vestido, el peinado y el instrumento siguen al fijo de personaje; la geometría de las columnas, el haz del lucernario y el reflejo del agua siguen a la placa de localización; el reflejo acompaña su movimiento. La parte de facturación de esta misma generación está en la tabla de medición de arriba: dos referencias de imagen, 10 segundos a 2K, cobradas igual que texto a vídeo. Una generación, publicada como prueba y no como banco de pruebas.
Cuándo MiniMax H3 no es la elección correcta
Usa Seedance 2.5 para un plano de 30 segundos. MiniMax H3 se detenía en 15 segundos en la especificación comprobada el 2026-08-12.
Usa Seedance 2.5 cuando el encargo necesite más de 9 imágenes, 3 vídeos o 3 archivos de audio. Su envolvente de referencias llega a 30 imágenes, 10 vídeos y 10 archivos de audio, mientras que MiniMax H3 usa la envolvente menor 9/3/3 comprobada el 2026-08-12.
Usa Seedance 2.5 cuando importe un nivel barato de 480p. MiniMax H3 arrancaba en 768p según la comprobación del 2026-08-12.
Las observaciones de precio disponibles también usan resoluciones distintas: MiniMax H3 se midió a $0.076/s a 768p el 2026-08-12, mientras que la medición existente de Seedance 2.5 es de $0.0968/s a 480p el 2026-08-08. No trates eso como una comparación de calidad o de precio a igual resolución.
Limitaciones
- La fila de latencia de 5 segundos a 768p tiene tres generaciones del 2026-08-08. Las demás filas de latencia tienen una cada una, del 2026-08-12.
- La conclusión sobre la medición usa dos duraciones de salida con el mismo vídeo de referencia de 12.67s, medidas entre el 2026-08-10 y el 2026-08-12. No establece todas las combinaciones posibles de referencias.
- El factor de precio de 2K de 1.625 es una comprobación de dos puntos del 2026-08-12, no una curva de precios amplia.
- Los precios de los proveedores pueden cambiar. Cada cifra en USD de este artículo es un cargo a la cuenta en la ruta A verificado el 2026-08-12.
- No hicimos una comparación controlada de calidad visual. No se recogió una muestra de fallos, así que no se informa de ningún porcentaje de fallo.
Método
Los valores de coste salieron de recibos de proveedor de la ruta A declarados en USD y verificados el 2026-08-12. Conservamos el importe cobrado de cada generación y lo normalizamos por los segundos facturados que indica el traspaso. Las etiquetas de ruta se mantienen anónimas porque el canal de compra no forma parte del resultado del modelo.
La latencia es el tiempo real de cada generación registrada. Publicamos por separado la secuencia de tres generaciones del 2026-08-08 y cada generación única del 2026-08-12. No las convertimos en una media.
Para la prueba de medición de referencias se usó el mismo vídeo de referencia de 12.67s con salidas de 5 y 10 segundos entre el 2026-08-10 y el 2026-08-12. Como control sin vídeo de referencia, el trabajo de 10 segundos a 2K con dos imágenes se comparó con el trabajo de texto a vídeo de 10 segundos a 2K el 2026-08-12. Ambos cobraron $1.235.
La resolución y el audio se comprobaron en los archivos entregados con ffprobe. Las dimensiones observadas fueron 2560×1440 para una petición 2K y 1344×768 para una petición 768p el 2026-08-12. Dos salidas inspeccionadas contenían audio AAC.
Inspecciona las muestras de lanzamiento y los ajustes en MiniMax H3. Reproduce el flujo multi-referencia en Referencia a vídeo.