Análise do MiniMax H3 (Hailuo 03): áudio nativo, saída em 2K e quanto custa de verdade uma geração

O MiniMax H3, também distribuído como Hailuo 03, custou $0.76 por uma geração de texto para vídeo de 10 segundos em 768p na rota A em 2026-08-12. Medimos antes de colocar o modelo no nosso serviço de vídeo com vários modelos, onde cada geração vira uma cobrança na nossa conta. O achado mais útil foi a forma como ele mede as referências. Nas execuções de 2026-08-10 e 2026-08-12, os segundos do vídeo de referência entravam no tempo cobrado, enquanto uma geração de 10 segundos em 2K com duas imagens, em 2026-08-12, custou o mesmo que texto para vídeo.

TL;DR

• Em 2026-08-12, a rota A cobrou $0.76 por 10 segundos em 768p, ou seja $0.076 por segundo de saída.
• Com o mesmo vídeo de referência de 12.67s, uma saída de 5 segundos custou $1.368 e uma de 10 segundos custou $1.748, entre 2026-08-10 e 2026-08-12. A conferência da tarifa unitária divergiu em 0.4% quando o tempo cobrado incluiu a saída mais o vídeo de referência.
• Pedir 2K produziu 2560×1440, e pedir 768p produziu 1344×768, verificado com ffprobe em 2026-08-12.
• Escolha o Seedance 2.5 quando precisar de uma saída de 30 segundos, de um conjunto de referências 30/10/10 ou de um nível 480p. O MiniMax H3 parava em 15 segundos e 9/3/3 referências, e o nível mais baixo dele é 768p, sem opção de 480p, na verificação de 2026-08-12.

Resumo do método

Em 2026-08-08 registramos três execuções cronometradas de texto para vídeo de 5 segundos em 768p, com 137 / 150 / 243 segundos, e confirmamos que um arquivo de áudio podia ser a única referência. Em 2026-08-12 registramos uma execução de cada um destes casos: texto para vídeo de 10 segundos em 2K, texto para vídeo de 10 segundos em 768p e um trabalho de referência de 10 segundos em 2K com duas imagens. O teste de medição de referência usou o mesmo clipe de 12.67s com saídas de 5 e 10 segundos, entre 2026-08-10 e 2026-08-12. Não usamos um único prompt em todas as configurações, então isto não é uma comparação controlada de qualidade visual.

Resultados medidos: custo e latência

Custo por execução na rota A

Estas são as cobranças na conta que a rota A declara em USD, verificadas em 2026-08-12. As tarifas normalizadas mantêm a resolução original à vista.

A execução de 10 segundos em 2K com referência de imagem e a de 10 segundos em 2K com texto para vídeo cobraram $1.235 em 2026-08-12. É esse o recibo direto por trás do resultado sobre referência de imagem. Não é estimativa tirada de tabela pública de preços.

Latência cronometrada por execução

Preservamos cada execução medida em vez de publicar só uma média.

A linha de latência de 2026-08-08 tem três execuções. Cada linha de 2026-08-12 tem uma. Os dados mostram a dispersão observada e resultados individuais, não uma garantia de nível de serviço.

Especificações verificáveis e o limite com o Seedance 2.5

As especificações foram verificadas em 2026-08-12. A comparação com o Seedance 2.5 usa os dados medidos antes, em 2026-08-08, em vez de uma execução nova.

A linha de custo não é uma comparação na mesma resolução. Ela descreve o nível de entrada medido de cada modelo, com a resolução deixada à vista para que os números não sejam confundidos com um benchmark controlado de preço.

O MiniMax H3 também gerou áudio sincronizado nativo. Duas saídas inspecionadas traziam faixa de áudio AAC na conferência com ffprobe em 2026-08-12. Um arquivo de áudio também funcionou como única referência em uma requisição de criação em 2026-08-08.

Para integração com a API, o parâmetro de resolução é quality, e os valores aceitos são 768p e 2k. Enviar resolution retornou HTTP 400 em 2026-08-12. O áudio de referência vai em audio_urls; enviar reference_audio_urls retornou HTTP 400 em 2026-08-12.

Experimento exclusivo: o que o modo de referência realmente mede

A pergunta central era se a rota A cobrava só o tempo de saída ou também as entradas de referência. Usamos o mesmo vídeo de referência de 12.67s e pedimos uma saída de 5 segundos e outra de 10 segundos, entre 2026-08-10 e 2026-08-12.

As duas cobranças fecham quando os segundos cobrados são segundos de saída mais segundos de vídeo de referência. O trabalho separado de 10 segundos em 2K com duas imagens cobrou $1.235 em 2026-08-12, batendo exatamente com a cobrança de texto para vídeo de 10 segundos em 2K da mesma data.

O tempo de vídeo de referência é medido; referências de imagem não somaram tempo cobrado neste teste da rota A. O registro de roteamento recebido diz que a mesma regra restrita à saída vale quando o áudio é a única referência, mas ele não traz um recibo em USD separado para esse trabalho só de áudio, então não publicamos um preço específico de áudio enquanto esse recibo não existir.

Resolução e áudio foram conferidos no arquivo de saída

A rota A devolveu 2560×1440 depois de um pedido em 2K e 1344×768 depois de um pedido em 768p, em 2026-08-12. A resolução pedida estava presente na mídia entregue, e não só nos metadados da requisição. Duas saídas inspecionadas também continham um fluxo AAC em 2026-08-12.

Este comando reproduz a inspeção da saída sem depender da resposta da rota:

ffprobe -v error -show_entries stream=codec_type,codec_name,width,height -of json output.mp4

A página de produção do MiniMax H3 também hospeda nossas amostras de macro de mel, chuva com áudio sincronizado e referência de violoncelo com duas imagens, todas medidas para este lançamento.

As saídas em si, anexadas

Tabela de custo não mostra o que o modelo produz. Estas são as três amostras de lançamento medidas para este artigo, hospedadas por nós, com as afirmações verificáveis que cada uma carrega.

2K nativo, verificado no arquivo entregue

Esta macro de 10 segundos foi pedida em 2K e o arquivo entregue mede 2560×1440 pelo ffprobe (2026-08-12), a mesma conferência descrita na seção de resolução. A afirmação que este clipe carrega é simples: a resolução que você paga está no arquivo, e o nível de microdetalhe (bolhas, cristais de açúcar, poros do miolo) é o que essa resolução compra.

Áudio sincronizado, publicado para os seus próprios ouvidos

O prompt roteirizou três eventos sonoros com tempo marcado: chuva no vidro do início ao fim, um bonde passando e crescendo perto dos 4s, e uma xícara pousada perto dos 7s. O arquivo entregue traz faixa de áudio AAC (verificado em 2026-08-12). Não vamos dar nota ao nosso próprio sincronismo de áudio; o clipe está aqui para você julgar se os eventos roteirizados caem onde a imagem diz que caem.

Duas referências de imagem compostas em uma cena

Entradas: um still de personagem de uma violoncelista e uma placa de locação de um salão alagado e vazio. A saída tinha que colocar uma dentro da outra e manter as duas coerentes.

Na nossa revisão desta execução: o vestido, o penteado e o instrumento seguem o still de personagem; a geometria das colunas, o feixe da claraboia e o reflexo na água seguem a placa de locação; o reflexo acompanha o movimento dela. O lado do faturamento desta mesma execução está na tabela de medição acima: duas referências de imagem, 10 segundos em 2K, cobradas igual a texto para vídeo. Uma execução, publicada como prova e não como benchmark.

Quando o MiniMax H3 não é a escolha certa

Use o Seedance 2.5 para um plano de 30 segundos. O MiniMax H3 parava em 15 segundos na especificação verificada em 2026-08-12.

Use o Seedance 2.5 quando o briefing precisar de mais de 9 imagens, 3 vídeos ou 3 arquivos de áudio. O envelope de referências dele chega a 30 imagens, 10 vídeos e 10 arquivos de áudio, enquanto o MiniMax H3 usa o envelope menor 9/3/3 verificado em 2026-08-12.

Use o Seedance 2.5 quando um nível barato de 480p importar. O MiniMax H3 começava em 768p na verificação de 2026-08-12.

As observações de preço disponíveis também usam resoluções diferentes: o MiniMax H3 mediu $0.076/s em 768p em 2026-08-12, enquanto a medição existente do Seedance 2.5 é de $0.0968/s em 480p em 2026-08-08. Não trate isso como comparação de qualidade ou de preço na mesma resolução.

Limites

• A linha de latência de 5 segundos em 768p tem três execuções de 2026-08-08. As demais linhas de latência têm uma cada, de 2026-08-12.
• A conclusão sobre a medição usa duas durações de saída com o mesmo vídeo de referência de 12.67s, medidas entre 2026-08-10 e 2026-08-12. Ela não estabelece todas as combinações possíveis de referência.
• O fator de preço 2K de 1.625 é uma conferência de dois pontos de 2026-08-12, não uma curva ampla de preços.
• Preços de fornecedores podem mudar. Todo valor em USD deste artigo é uma cobrança na conta pela rota A verificada em 2026-08-12.
• Não rodamos uma comparação controlada de qualidade visual. Não coletamos amostra de contagem de falhas, então nenhuma taxa de falha é reportada.

Método

Os valores de custo vieram de recibos do fornecedor da rota A declarados em USD e verificados em 2026-08-12. Guardamos o valor cobrado de cada execução e normalizamos pelos segundos cobrados especificados no repasse. Os rótulos de rota permanecem anônimos porque o canal de compra não faz parte do resultado do modelo.

Latência é o tempo real de cada execução registrada. Reportamos a sequência de três execuções de 2026-08-08 e cada execução única de 2026-08-12 separadamente. Não transformamos isso em média.

No teste de medição de referência, o mesmo vídeo de referência de 12.67s foi usado com saídas de 5 e 10 segundos, entre 2026-08-10 e 2026-08-12. Como controle sem vídeo de referência, o trabalho de 10 segundos em 2K com duas imagens foi comparado com o trabalho de texto para vídeo de 10 segundos em 2K em 2026-08-12. Os dois cobraram $1.235.

Resolução e áudio foram conferidos nos arquivos entregues com ffprobe. As dimensões observadas foram 2560×1440 para um pedido em 2K e 1344×768 para um pedido em 768p, em 2026-08-12. Duas saídas inspecionadas continham áudio AAC.

Veja as amostras de lançamento e as configurações em MiniMax H3. Reproduza o fluxo com várias referências em Referência para vídeo.