Kurze Videos mit MiniMax Hailuo: Modelle und Prompt-Tipps

Kurz gesagt: Hailuo ist die Familie der Videoerzeugungsmodelle des chinesischen KI-Unternehmens MiniMax. Hailuo 02 wurde im Juni 2025 angekündigt, Hailuo 2.3 im Oktober 2025; im Juli 2026 folgte „H3“, ein universelles multimodales Modell. Es erzeugt kurze Clips aus Text oder aus einem Foto, und mit H3 können auch Referenzbilder, Videos und Audio als Eingaben dienen. Dieser Artikel beschreibt nur, was in den offiziellen Ankündigungen und der API-Dokumentation von MiniMax steht, und erklärt danach, wie du Prompts für kurze Clips schreibst.

Was ist Hailuo und welche Versionen gibt es?

Hailuo ist die Sammlung von Videomodellen von MiniMax, angeboten über die eigene Website, die mobile App und die API-Plattform. Die Versionsgeschichte aus offiziellen Quellen sieht so aus:

Version	Ankündigung	Highlights in der offiziellen Ankündigung
Hailuo 02	18. Juni 2025	Nativ 1080p; bei 768p 6 oder 10 Sekunden, bei 1080p 6 Sekunden; Schwerpunkt auf Befolgung von Anweisungen und Physik
Hailuo 2.3 und 2.3 Fast	28. Oktober 2025	Realistischere Körperbewegung, Licht und Schatten, breitere Stilunterstützung, natürliche Mikromimik im Gesicht
H3 und H3 Max	31. Juli 2026	Text-, Bild-, Video- und Audioeingabe; nativer Stereoton; Video bis 15 Sekunden; standardmäßig 2K

Die Ankündigung zu Hailuo 02 sagt, das Modell sei mit der dreifachen Parameterzahl und der vierfachen Trainingsdatenmenge von Hailuo 01 entstanden. Die Ankündigung zu Hailuo 2.3 erklärt, 2.3 baue auf Hailuo 02 auf, und die Version „Fast“ sei eine schnellere und günstigere Option für die Stapelerzeugung. Die Ankündigung nennt keine Dauer und Auflösung, und auch die Modellliste der MiniMax-API liefert diese Angaben für 2.3 nicht. Deshalb schreiben wir die Grenzen von 2.3 hier nicht auf.

Was kann Hailuo 2.3?

Laut der Ankündigung von MiniMax verbessert 2.3 vor allem folgende Bereiche: auch bei dynamischen Kamerabewegungen realistischere Körperbewegung, bessere Physik und Befolgung von Befehlen, fotorealistische Licht-, Schatten- und Farbtöne, Stile wie Anime, Illustration, Tuschemalerei und Spielegrafik sowie natürlichere Gesichtsausdrücke in Inhalten im Stil von Realfilmaufnahmen. Die Ankündigung sagt außerdem, dass Objekte besser auf Bewegungsbefehle reagieren.

Laut der Modellliste in der API-Dokumentation funktioniert MiniMax-Hailuo-2.3 sowohl für Text-zu-Video als auch für Bild-zu-Video, während MiniMax-Hailuo-2.3-Fast nur im Modus Bild-zu-Video verfügbar ist. Mit der Fast-Version kannst du also nicht aus Text erzeugen; du brauchst zuerst ein Foto.

Was hat sich mit H3 geändert?

MiniMax stellte H3 als „ein offenes Modell vor, das die Grenzen zwischen Aufgaben und Modalitäten aufhebt“. Laut dem offiziellen Blogbeitrag versteht das Modell Text, Bilder, Video und Audio in einem gemeinsamen Kontext; als Ausgabe entsteht Video mit nativem Stereoton, bis zu 15 Sekunden lang, standardmäßig in 2K. Auf der Audioseite werden Sprache, Soundeffekte und Musik nicht getrennt, sondern gemeinsam modelliert. Der Blog nennt referenzbasierte Erzeugung und Bearbeitungsaufgaben wie Bild-zu-Bild, Bild-zu-Video, Audio-zu-Audio und insbesondere die Übertragung von Bewegung von Video zu Video. In einer Investorenmitteilung vom 3. August 2026 erklärte MiniMax, H3 offiziell als Open Source zu veröffentlichen.

Die API-Dokumentation liefert die Details:

Modell	Auflösung	Dauer	Modi
MiniMax-H3	768P oder 2K	4 bis 15 Sekunden	Text-zu-Video, Bild-zu-Video (erstes und/oder letztes Bild), referenzbasierte Erzeugung
MiniMax-H3-Max	480P oder 768P	5 bis 15 Sekunden	Text-zu-Video, Bild-zu-Video (erstes/letztes Bild); von H3 für schnellere Erzeugung nachtrainiert

Im Referenzmodus kannst du laut Dokumentation höchstens 9 Bilder, 3 Videos und 3 Audiodateien angeben, insgesamt maximal 12 Dateien. Das Ziel ist, einen Charakter, eine Bewegung, die Kamera, den Stil oder eine Stimme konsistent zu halten. Eingabebilder müssen ein Seitenverhältnis zwischen 2:5 und 5:2 haben. Die Dokumentation setzt Grenzen von 50 MB pro Video, 30 MB pro Bild und 15 MB pro Audiodatei.

Wie schreibt man einen guten Hailuo-Prompt?

Die Dokumentation empfiehlt, Kamerabefehle in eckigen Klammern zu schreiben: Befehle wie [pan], [zoom] oder [static] setzt du direkt hinter die passende Beschreibung. Bei H3 kann der Prompt bis zu 7.000 Zeichen umfassen, es ist also Platz für eine lange und detaillierte Beschreibung. Für einen kurzen Clip funktioniert jedoch ein knapper, klarer Plan besser.

Ein praktisches Grundgerüst für kurze Clips:

1. Motiv und Handlung: Wähle eine einzige Hauptbewegung.
2. Umgebung und Licht: Wo, zu welcher Tageszeit und woher das Licht kommt.
3. Kamera: Ein Kamerabefehl, direkt neben der Beschreibung.
4. Ton (bei H3): Umgebungsgeräusche, Musik oder eine kurze Textzeile.

A small paper boat sails across a rain puddle on a cobblestone street, droplets ripple outward, soft overcast light, shallow depth of field. [Zoom in] slowly toward the boat. Gentle rain sounds and a distant tram bell.

Bei Bild-zu-Video wird das Foto zum ersten Bild. Beschreibe im Prompt nicht noch einmal das Bild, sondern nur, was sich bewegen wird und was die Kamera tut:

The woman lifts her cup and smiles toward the street, steam rises, leaves sway in the breeze. [Static] shot.

Du kannst Start- und Endbild getrennt angeben (0 bis 2 Bilder). Das hilft, wenn du festlegen willst, wie der Clip beginnt und endet. Im Referenzmodus von H3 solltest du im Prompt klar angeben, was jede Datei ist, etwa „der Charakter im ersten Bild“ oder „die Kamerabewegung des Referenzvideos“.

Wie wählst du Dauer und Auflösung?

Die Dokumentation lässt dir bei H3 die Wahl zwischen 768P und 2K; H3 Max bietet 480P und 768P und ist auf Geschwindigkeit ausgelegt. Wenn du eine Idee testest, sind niedrige Auflösung und kurze Dauer sinnvoll. Wechsle zu einer höheren Auflösung, sobald der Prompt ausgereift ist. MiniMax bietet außerdem eine eigene Neuerzeugung an, mit der sich ein H3-Video in 768P auf 2K hochskalieren lässt.

Welche bekannten Grenzen gibt es?

• Eigene Hinweise von MiniMax: Die H3-Ankündigung sagt, das multimodale Verständnis sei noch ausbaufähig, die visuelle Detailtreue könne in manchen Szenarien besser werden, und die aktuelle Modellgröße lasse bei mehreren Fähigkeiten Spielraum.
• Sprache: Für Türkisch gibt es in den Quellen keine Leistungszusage; bei wichtigen Arbeiten ist ein englischer Prompt besser vorhersagbar.
• Zugangsunterschiede: Dauer- und Auflösungsoptionen können sich zwischen der Web-App, der API und dem lokalen Betrieb der offenen Gewichte unterscheiden. Laut Dokumentation arbeitet die H3-API derzeit nach einem nutzungsabhängigen Bezahlmodell.
• Ältere Versionen können veraltet sein: Hailuo 02 und 2.3 stehen noch in der API-Modellliste, die neueren Fähigkeiten (Ton, referenzbasierte Erzeugung) kamen aber mit H3.

Wenn du Fotos oder Stimmen echter Personen als Referenz verwendest, hole dir vorher die Erlaubnis und kennzeichne das erzeugte Video als KI-Produkt.

Eine kurze Checkliste für deinen ersten Clip

Wenn du bei deinem ersten Versuch mit Hailuo diese Reihenfolge einhältst, sparst du Zeit. Entscheide zuerst, in welchem Modus du arbeitest: Text-zu-Video, wenn du nur eine Idee hast, Bild-zu-Video, wenn du ein Foto hast, referenzbasierte Erzeugung, wenn du mehrere Dateien hast. Wähle dann eine kurze Dauer und niedrige Auflösung. In dieser Phase geht es nicht um ein schönes Ergebnis, sondern darum zu sehen, ob der Prompt richtig verstanden wird.

• Modus: Text, ein einzelnes Foto oder Referenzdateien.
• Dauer und Auflösung: Kurz und niedrig für einen Entwurf, länger und höher für die finale Fassung.
• Prompt: Eine Handlung, ein Kamerabefehl, klares Licht.
• Kontrolle: Sieh dir das Ergebnis an, ändere nur ein einziges Detail und versuche es erneut.
• Festhalten: Lade den Clip, der dir gefällt, sofort herunter und notiere die Einstellungen, die du verwendet hast.

Häufige Fehler

• Zu viele Ereignisse in einen kurzen Clip packen: Wähle eine Hauptbewegung; baue die Geschichte Clip für Clip auf.
• Mehrere Kamerabefehle schreiben: Beginne mit einem, statt [pan] und [zoom] zu stapeln.
• Bei der Fast-Version Text-zu-Video erwarten: 2.3 Fast funktioniert nur für Bild-zu-Video.
• Referenzen keine Rolle geben: Wenn du viele Dateien angibst, sag im Prompt, was jede davon ist.
• Mit der höchsten Auflösung anfangen: Reife den Prompt zuerst bei 768P oder darunter aus.
• Das Bildformat nicht bedenken: Eingabebilder müssen zwischen 2:5 und 5:2 bleiben.

Zusammenfassung

• Hailuo ist die Videomodell-Familie von MiniMax: 02 (Juni 2025), 2.3 (Oktober 2025), H3 (Juli 2026).
• H3 verbindet Text-, Bild-, Video- und Audioeingabe und erzeugt Video mit Stereoton bis zu 15 Sekunden.
• Laut API-Dokumentation ist H3 768P oder 2K, 4-15 Sekunden; H3 Max 480P-768P, 5-15 Sekunden.
• Schreibe Kamerabefehle in eckige Klammern, direkt neben die Beschreibung.
• Für einen kurzen Clip gilt: eine Handlung, ein Kamerabefehl, klares Licht.
• Hole dir für Material echter Personen eine Erlaubnis und kennzeichne das Video.