Vídeo corto con MiniMax Hailuo: modelos y consejos de prompt

Respuesta corta: Hailuo es la familia de modelos de generación de vídeo de MiniMax, una empresa china de inteligencia artificial. En junio de 2025 se anunció Hailuo 02, en octubre de 2025 Hailuo 2.3, y en julio de 2026 llegó H3, un modelo general multimodal. Genera clips cortos a partir de texto o de una foto; con H3, también pueden entrar como datos de entrada imágenes de referencia, vídeo y audio. En este artículo solo recogemos lo que dicen los anuncios oficiales y la documentación de la API de MiniMax, y después explicamos cómo escribir prompts para clips cortos.

¿Qué es Hailuo y qué versiones hay?

Hailuo es el conjunto de modelos de vídeo que MiniMax ofrece a través de su sitio web, su aplicación móvil y su plataforma de API. El historial de versiones según las fuentes oficiales es este:

Versión	Anuncio	Puntos destacados en el anuncio oficial
Hailuo 02	18 de junio de 2025	1080p nativo; 6 o 10 segundos en 768p, 6 segundos en 1080p; seguimiento de instrucciones y énfasis en la física
Hailuo 2.3 y 2.3 Fast	28 de octubre de 2025	Movimiento corporal más realista, luz y sombra, mayor soporte de estilos, microexpresiones faciales más naturales
H3 y H3 Max	31 de julio de 2026	Entrada de texto, imagen, vídeo y audio; audio estéreo nativo; vídeo de hasta 15 segundos; 2K por defecto

El anuncio de Hailuo 02 indica que el modelo llegó con tres veces más parámetros y cuatro veces más datos de entrenamiento que Hailuo 01. El anuncio de Hailuo 2.3 señala que 2.3 se basa en Hailuo 02 y que la versión «Fast» es una opción más rápida y económica para la producción en lote. El anuncio no especifica la duración ni la resolución, y la lista de modelos de la API de MiniMax tampoco da esos datos para 2.3. Por eso no escribimos aquí los límites de 2.3.

¿Qué hace Hailuo 2.3?

Según el anuncio de MiniMax, 2.3 avanza sobre todo en estos aspectos: movimiento corporal más realista incluso con movimientos de cámara dinámicos, mejor física y seguimiento de instrucciones, tonos de luz, sombra y color más parecidos a los reales, estilos como anime, ilustración, pintura a tinta y gráficos de videojuego, y expresiones faciales más naturales en contenidos de estilo filmado. El anuncio también indica que los objetos responden mejor a las instrucciones de movimiento.

La lista de modelos de la documentación de la API indica que MiniMax-Hailuo-2.3 funciona tanto de texto a vídeo como de imagen a vídeo, y que MiniMax-Hailuo-2.3-Fast solo funciona en el modo de imagen a vídeo. Es decir, con la versión Fast no puedes generar desde texto: necesitas antes una fotografía.

¿Qué cambia con H3?

MiniMax presentó H3 como «un modelo abierto que elimina los límites entre tareas y modalidades». Según la entrada oficial del blog, el modelo entiende texto, imagen, vídeo y audio en un mismo contexto; como salida genera vídeo de hasta 15 segundos con audio estéreo nativo, y la resolución por defecto es 2K. En el audio, la conversación, los efectos sonoros y la música no se tratan por separado, sino que se modelan juntos. El blog enumera tareas de generación con referencias y de edición, como la transferencia de imagen a imagen, de imagen a vídeo, de audio a audio y, en especial, el traslado de movimiento de vídeo a vídeo. El 3 de agosto de 2026, en un comunicado para inversores, MiniMax informó de que H3 se publicó oficialmente como código abierto.

La documentación de la API concreta los detalles:

Modelo	Resolución	Duración	Modos
MiniMax-H3	768P o 2K	De 4 a 15 segundos	Texto a vídeo, imagen a vídeo (primer y/o último fotograma), generación con referencias
MiniMax-H3-Max	480P o 768P	De 5 a 15 segundos	Texto a vídeo, imagen a vídeo (primer/último fotograma); reentrenado a partir de H3 para una generación más rápida

En el modo de generación con referencias, según la documentación, puedes dar hasta 9 imágenes, 3 vídeos y 3 archivos de audio, con un máximo de 12 archivos en total; el objetivo es mantener constante un personaje, un movimiento, la cámara, el estilo o el sonido. La proporción de las imágenes de entrada debe estar entre 2:5 y 5:2. La documentación fija además límites de 50 MB por vídeo, 30 MB por imagen y 15 MB por audio.

¿Cómo se escribe un buen prompt para Hailuo?

La documentación recomienda escribir los comandos de cámara entre corchetes, como [pan], [zoom] o [static], justo después de la descripción correspondiente. Para H3, el prompt puede tener hasta 7.000 caracteres, así que hay espacio para descripciones detalladas. Para un clip corto, en cambio, funciona mejor un plan breve y claro.

Un esquema práctico para clips cortos:

1. Sujeto y acción: elige un solo movimiento principal.
2. Entorno y luz: dónde está, a qué hora del día y de dónde viene la luz.
3. Cámara: un comando de cámara, justo al lado de la descripción.
4. Sonido (en H3): sonido ambiente, música o una breve réplica.

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.

En el vídeo a partir de imagen, la foto es el primer fotograma; en el prompt no vuelvas a describir la imagen, sino escribe solo lo que se va a mover y lo que hará la cámara:

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

Puedes dar por separado el fotograma inicial y el final (de 0 a 2 imágenes), lo que sirve para fijar cómo empieza y termina el clip. En el modo con referencias de H3, indica claramente en el prompt qué es cada archivo, por ejemplo «el personaje de la primera imagen» o «el movimiento de cámara del vídeo de referencia».

¿Cómo elegir la duración y la resolución?

La documentación deja elegir entre 768P y 2K en H3, mientras que H3 Max trabaja en 480P y 768P y está pensado para la velocidad. Para probar una idea, la baja resolución y la duración corta tienen sentido: cuando el prompt madure, pasa a la alta resolución. MiniMax también ofrece una tarea de regeneración para pasar un vídeo de H3 de 768P a 2K.

¿Cuáles son los límites conocidos?

• La advertencia de MiniMax: el anuncio de H3 reconoce que la comprensión multimodal todavía puede mejorar, que en algunos escenarios el detalle visual puede pulirse más y que el tamaño del modelo limita algunas capacidades.
• Idioma: las fuentes no incluyen una garantía de rendimiento para el turco; en trabajos importantes, un prompt en inglés es más predecible.
• Diferencias de acceso: las opciones de duración y resolución pueden variar entre la aplicación web, la API y la ejecución local de pesos abiertos. Según la documentación, la API de H3 funciona de momento con un plan de pago por uso.
• Las versiones anteriores pueden quedar atrás: Hailuo 02 y 2.3 siguen en la lista de modelos de la API, pero las nuevas capacidades de audio y de generación con referencias llegaron con H3.

Si vas a usar fotos o voces de personas reales como referencia, pide permiso y marca el vídeo como generado con IA.

Lista de control para tu primer clip

Si haces tu primera prueba con Hailuo, sigue este orden y ahorrarás tiempo. Primero decide el modo: si solo tienes una idea, texto a vídeo; si tienes una fotografía, imagen a vídeo; si tienes varios archivos, generación con referencias. Después elige una duración corta y una resolución baja; en esta fase el objetivo no es un resultado bonito, sino comprobar que el prompt se entiende bien.

• Modo: texto, una sola foto o archivos de referencia.
• Duración y resolución: para el borrador, corta y baja; para el resultado final, larga y alta.
• Prompt: una sola acción, un solo comando de cámara, luz clara.
• Revisión: mira el resultado y cambia solo un detalle antes de volver a probar.
• Registro: descarga el clip que te guste en el momento y anota los ajustes que usaste.

Errores frecuentes

• Meter muchos sucesos en un clip corto: elige una acción principal y cuenta la historia en varios clips.
• Escribir varios comandos de cámara: en lugar de apilar [pan] y [zoom], empieza con un solo comando.
• Esperar texto a vídeo con la versión Fast: 2.3 Fast solo funciona de imagen a vídeo.
• No asignar un papel a las referencias: si das varios archivos, indica en el prompt qué es cada uno.
• Empezar con la máxima resolución: primero madura el prompt en 768P o menos.
• Ignorar la proporción de la imagen: las imágenes de entrada deben tener una proporción entre 2:5 y 5:2.

Resumen

• Hailuo es la familia de modelos de vídeo de MiniMax: 02 (junio de 2025), 2.3 (octubre de 2025) y H3 (julio de 2026).
• H3 combina texto, imagen, vídeo y audio; genera vídeo estéreo de hasta 15 segundos.
• Según la documentación de la API, H3 admite de 768P a 2K y de 4 a 15 segundos; H3 Max, de 480P a 768P y de 5 a 15 segundos.
• Escribe los comandos de cámara entre corchetes, junto a la descripción.
• En un clip corto, una sola acción, un solo comando de cámara y una luz clara.
• Pide permiso para las personas reales que aparezcan y etiqueta el vídeo.