Vídeos curtos com MiniMax Hailuo: modelos e dicas de prompt

Resposta curta: Hailuo é a família de modelos de geração de vídeo da MiniMax, empresa chinesa de inteligência artificial. O Hailuo 02 foi anunciado em junho de 2025, o Hailuo 2.3 em outubro de 2025, e em julho de 2026 chegou o H3, um modelo multimodal de uso geral. Ele cria clipes curtos a partir de texto ou de foto; com o H3, imagens de referência, vídeos e áudio também podem ser usados como entrada. Neste texto, reunimos apenas o que consta nos anúncios oficiais da MiniMax e na documentação da API, além de explicar como escrever prompts para clipes curtos.

O que é o Hailuo e quais versões existem?

O Hailuo são os modelos de vídeo que a MiniMax oferece pelo próprio site, pelo aplicativo móvel e pela plataforma de API. O histórico de versões, segundo as fontes oficiais, é este:

Versão	Anúncio	Destaques no anúncio oficial
Hailuo 02	18 de junho de 2025	1080p nativo; 6 ou 10 segundos em 768p, 6 segundos em 1080p; ênfase em seguir instruções e em física
Hailuo 2.3 e 2.3 Fast	28 de outubro de 2025	Movimento corporal mais realista, luz e sombra, mais estilos, expressões faciais mais naturais
H3 e H3 Max	31 de julho de 2026	Entrada de texto, imagem, vídeo e áudio; áudio estéreo nativo; vídeo de até 15 segundos; 2K por padrão

O anúncio do Hailuo 02 diz que o modelo foi treinado com três vezes mais parâmetros e quatro vezes mais dados de treinamento que o Hailuo 01. O anúncio do Hailuo 2.3 afirma que ele é construído sobre o Hailuo 02 e que a versão “Fast” é a opção mais rápida e barata para produção em lote. O anúncio não informa duração nem resolução, e a lista de modelos da API também não traz esses dados para o 2.3. Por isso, não listamos aqui os limites do 2.3.

O que o Hailuo 2.3 faz?

Segundo o anúncio da MiniMax, o 2.3 avança sobretudo nestas áreas: movimento corporal mais realista mesmo em movimentos de câmera dinâmicos, física e obediência aos comandos melhores, tons de luz, sombra e cor próximos do real, estilos como anime, ilustração, pintura a nanquim e arte de jogos, e expressões faciais mais naturais em conteúdos de estilo filmagem ao vivo. O anúncio também diz que objetos respondem melhor a comandos de movimento.

De acordo com a lista de modelos da documentação da API, o MiniMax-Hailuo-2.3 funciona tanto de texto para vídeo quanto de imagem para vídeo, enquanto o MiniMax-Hailuo-2.3-Fast trabalha apenas com imagem para vídeo. Ou seja, com a versão Fast você não gera vídeo a partir de texto: é preciso ter uma foto.

O que o H3 mudou?

A MiniMax apresentou o H3 como “um modelo aberto que elimina as fronteiras entre tarefas e modos”. Segundo o blog oficial, o modelo entende texto, imagem, vídeo e áudio em um mesmo contexto; como saída, gera vídeo de até 15 segundos com áudio estéreo nativo, e a resolução padrão é 2K. No áudio, fala, efeitos sonoros e música não são tratados separadamente: são modelados juntos. O blog cita tarefas de geração com referências e de edição, como imagem para imagem, imagem para vídeo, áudio para áudio e, em especial, transferência de movimento de vídeo para vídeo. A MiniMax também informou, em comunicado a investidores de 3 de agosto de 2026, que liberou o H3 como código aberto.

A documentação da API traz os detalhes:

Modelo	Resolução	Duração	Modos
MiniMax-H3	768P ou 2K	4 a 15 segundos	Texto para vídeo, imagem para vídeo (primeiro e/ou último quadro), geração com referências
MiniMax-H3-Max	480P ou 768P	5 a 15 segundos	Texto para vídeo, imagem para vídeo (primeiro/último quadro); ajustado a partir do H3 para gerar mais rápido

No modo de geração com referências, a documentação permite até 9 imagens, 3 vídeos e 3 arquivos de áudio, com no máximo 12 arquivos no total; a ideia é manter um personagem, um movimento, a câmera, o estilo ou o som consistentes. As imagens de entrada devem ter proporção entre 2:5 e 5:2. A documentação estabelece limites de 50 MB por vídeo, 30 MB por imagem e 15 MB por áudio.

Como escrever um bom prompt para o Hailuo?

A documentação recomenda escrever os comandos de câmera entre colchetes: [pan], [zoom] ou [static], logo depois da descrição a que se referem. O prompt do H3 pode ter até 7.000 caracteres, ou seja, há espaço para descrições longas e detalhadas. Para um clipe curto, porém, um plano enxuto e claro costuma dar melhor resultado.

Uma estrutura prática para clipes curtos:

1. Sujeito e ação: Escolha um único movimento principal.
2. Ambiente e luz: Onde está, qual é a hora do dia, de onde vem a luz.
3. Câmera: Um comando de câmera, logo depois da descrição a que se refere.
4. Som (no H3): Som ambiente, música ou uma fala curta.

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.

Na imagem para vídeo, a foto vira o primeiro quadro; no prompt, não descreva a imagem de novo: escreva apenas o que vai se mover e o que a câmera fará.

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

Você pode enviar o primeiro e/ou o último quadro (de 0 a 2 imagens), o que ajuda a definir como o clipe começa e como termina. No modo de referências do H3, escreva claramente no prompt qual arquivo é o quê: “o personagem da primeira imagem”, “o movimento de câmera do vídeo de referência”, e assim por diante.

Como escolher duração e resolução?

A documentação deixa a escolha entre 768P e 2K para o H3, enquanto o H3 Max trabalha com 480P e 768P, pensado para velocidade. Ao testar uma ideia, resolução baixa e duração curta fazem sentido: quando o prompt estiver maduro, passe para uma resolução maior. A MiniMax também oferece uma tarefa separada de reprocessamento para ampliar um vídeo de 768P para 2K.

Quais são os limites conhecidos?

• Aviso da própria MiniMax: O anúncio do H3 reconhece que a compreensão multimodal ainda pode evoluir, que alguns cenários podem ter ganho de detalhe visual e que o tamanho do modelo deixa espaço para melhorias em várias capacidades.
• Idioma: As fontes não trazem nenhuma garantia de desempenho para o português; em trabalhos importantes, o prompt em inglês é mais previsível.
• Diferenças de acesso: Duração e resolução podem variar entre o aplicativo web, a API e a execução local de modelos abertos. Segundo a documentação, a API do H3 funciona, por enquanto, no plano de pagamento por uso.
• Versões antigas: Hailuo 02 e 2.3 continuam na lista de modelos da API, mas os recursos novos (áudio, geração com referências) chegaram com o H3.

Se você for usar fotos ou vozes de pessoas reais como referência, peça autorização antes e identifique o vídeo como produzido com inteligência artificial.

Checklist para o seu primeiro clipe

Ao fazer o primeiro teste com o Hailuo, siga esta ordem e economize tempo. Primeiro, decida o modo: se você tem só a ideia, use texto para vídeo; se tem uma foto, use imagem para vídeo; se tem vários arquivos, use geração com referências. Em seguida, escolha uma duração curta e uma resolução baixa; nesta etapa, o objetivo não é um resultado bonito, e sim verificar se o prompt foi bem entendido.

• Modo: Texto, uma foto ou arquivos de referência.
• Duração e resolução: Rascunho com valores curtos e baixos; versão final com valores longos e altos.
• Prompt: Uma ação, um comando de câmera, luz clara.
• Revisão: Assista ao resultado e altere apenas um detalhe antes de gerar de novo.
• Registro: Baixe logo o clipe de que você gostou e anote as configurações usadas.

Erros comuns

• Colocar muitos eventos em um clipe curto: Escolha um único movimento principal e monte a história clipe por clipe.
• Escrever vários comandos de câmera: Em vez de empilhar [pan] e [zoom], comece com um único comando.
• Esperar texto para vídeo no modo Fast: O 2.3 Fast funciona apenas com imagem para vídeo.
• Não atribuir papéis às referências: Ao enviar vários arquivos, diga no prompt o que cada um representa.
• Começar na maior resolução: Refine o prompt em 768P ou menos antes de partir para a resolução final.
• Ignorar a proporção: As imagens de entrada precisam ficar entre 2:5 e 5:2.

Resumo

• Hailuo é a família de vídeo da MiniMax: 02 (junho de 2025), 2.3 (outubro de 2025) e H3 (julho de 2026).
• O H3 aceita texto, imagem, vídeo e áudio, e gera vídeo de até 15 segundos com áudio estéreo.
• Segundo a documentação da API, o H3 trabalha em 768P ou 2K, de 4 a 15 segundos; o H3 Max, em 480P ou 768P, de 5 a 15 segundos.
• Escreva os comandos de câmera entre colchetes, logo após a descrição a que se referem.
• Em um clipe curto, use uma ação, um comando de câmera e uma luz clara.
• Peça autorização para pessoas reais e identifique o vídeo como produzido com IA.