MiniMax Hailuo: короткие видео - модели и советы по промптам

Короткий ответ: Hailuo - семейство моделей создания видео китайской компании ИИ MiniMax. В июне 2025 года была объявлена Hailuo 02, в октябре 2025 года - Hailuo 2.3, а в июле 2026 года появилась универсальная мультимодальная модель «H3». Модель создает короткие клипы по тексту или фотографии; в H3 входными данными также могут быть референсные изображения, видео и звук. В этой статье мы рассказываем только о том, что написано в официальных объявлениях и API-документации MiniMax, а затем объясняем, как писать промпт для коротких клипов.

Что такое Hailuo и какие версии существуют?

Hailuo - видеомодели, которые MiniMax предлагает через собственный сайт, мобильное приложение и API-платформу. История версий по официальным источникам выглядит так:

Версия	Объявление	Главное в официальном объявлении
Hailuo 02	18 июня 2025	Нативное 1080p; 6 или 10 секунд для 768p, 6 секунд для 1080p; упор на следование инструкциям и физику
Hailuo 2.3 и 2.3 Fast	28 октября 2025	Более реалистичные движения тела, свет и тени, более широкая поддержка стилей, естественная микромимика лица
H3 и H3 Max	31 июля 2026	Вход в виде текста, изображения, видео и звука; нативный стереозвук; видео до 15 секунд; по умолчанию 2K

В объявлении Hailuo 02 говорится, что модель построена с втрое большим числом параметров и вчетверо большим объемом обучающих данных по сравнению с Hailuo 01. В объявлении Hailuo 2.3 сообщается, что версия 2.3 построена на основе Hailuo 02, а вариант «Fast» - более быстрый и дешевый вариант для пакетной генерации. В объявлении не указаны длительность и разрешение, не дает этих данных и список моделей API MiniMax для версии 2.3. Поэтому ограничения 2.3 здесь мы не приводим.

Что умеет Hailuo 2.3?

По объявлению MiniMax, версия 2.3 заметно продвинулась в следующих областях: более реалистичные движения тела даже при динамичных движениях камеры, лучшая физика и следование командам, реалистичные сочетания света, тени и цвета, стили вроде аниме, иллюстрации, туши и игровой графики, а также более естественная мимика в съемке с живыми людьми. В объявлении также говорится, что объекты лучше реагируют на команды движения.

По списку моделей в API-документации, MiniMax-Hailuo-2.3 работает и в режиме текст в видео, и в режиме изображение в видео; а MiniMax-Hailuo-2.3-Fast - только в режиме изображение в видео. То есть с версией Fast нельзя создать видео только по тексту; сначала нужна фотография.

Что изменила H3?

MiniMax представила H3 как «открытую модель, которая убирает границы между задачами и режимами». По официальной записи в блоге, модель одновременно понимает текст, изображение, видео и звук в одном контексте; на выходе она создает видео до 15 секунд со стереозвуком, а по умолчанию разрешение 2K. В звуке речь, звуковые эффекты и музыка моделируются не отдельно, а совместно. В блоге перечислены задачи референсной генерации и редактирования: из изображения в изображение, из изображения в видео, из звука в звук и, в частности, перенос движения из видео в видео. 3 августа 2026 года в инвестиционном объявлении MiniMax сообщила, что официально открыла исходный код H3.

API-документация дает подробности:

Модель	Разрешение	Длительность	Режимы
MiniMax-H3	768P или 2K	От 4 до 15 секунд	Текст в видео, изображение в видео (первый и/или последний кадр), генерация по референсам
MiniMax-H3-Max	480P или 768P	От 5 до 15 секунд	Текст в видео, изображение в видео (первый/последний кадр); дообучена на основе H3 для более быстрой генерации

В режиме генерации по референсам, согласно документации, можно передать не более 9 изображений, 3 видео и 3 аудиофайлов, всего не более 12 файлов; цель - сохранить согласованность персонажа, движения, камеры, стиля или звука. Соотношение сторон входных изображений должно быть в диапазоне от 2:5 до 5:2. Документация устанавливает ограничения: 50 МБ на видео, 30 МБ на изображение и 15 МБ на аудиофайл.

Как написать хороший промпт для Hailuo?

В документации рекомендуется писать команды камеры в квадратных скобках: например, [pan], [zoom] или [static], и ставить их сразу после описания, к которому они относятся. Для H3 промпт может содержать до 7 000 символов, поэтому для подробного описания места хватит. Для короткого клипа, однако, лучше работает небольшой и четкий план.

Практический каркас для коротких клипов:

1. Объект и действие: выберите одно главное движение.
2. Окружение и свет: где это происходит, в какое время суток, откуда падает свет.
3. Камера: одна команда камеры рядом с описанием.
4. Звук (в H3): фоновый звук, музыка или короткая реплика.

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.

При генерации из изображения в видео фотография становится первым кадром; в промпте не нужно заново описывать картинку, достаточно написать, что будет двигаться и что сделает камера:

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

Можно передать начальный и конечный кадр по отдельности (от 0 до 2 изображений); это помогает точно задать начало и конец клипа. В режиме генерации по референсам H3 в промпте нужно явно написать, что представляет каждый файл: «персонаж с первого изображения», «движение камеры из референсного видео» и т. п.

Как выбрать длительность и разрешение?

Документация оставляет выбор между 768P и 2K для H3, а H3 Max рассчитана на 480P и 768P, она предназначена для скорости. При первом знакомстве с идеей разумно выбрать низкое разрешение и короткую длительность: когда промпт станет устойчивым, переходите к высокому разрешению. MiniMax предлагает отдельную задачу повторной генерации, чтобы увеличить 768P-видео H3 до 2K.

Какие известные ограничения?

• Предупреждение MiniMax: в объявлении H3 сказано, что мультимодальное понимание еще развивается, в некоторых сценариях можно улучшить визуальные детали, а размер модели ограничивает ряд возможностей.
• Язык: в источниках нет обещания качества работы с турецким языком; для важных задач промпт на английском дает более предсказуемый результат.
• Разница в доступе: варианты длительности и разрешения могут отличаться в веб-приложении, в API и при локальном запуске открытой модели. По документации, API H3 пока работает по модели оплаты за использование.
• Старые версии: Hailuo 02 и 2.3 все еще есть в списке моделей API, но новые возможности (звук, генерация по референсам) появились с H3.

Если вы будете использовать для референса фотографию или голос реального человека, получите его разрешение и помечайте созданное видео как сделанное с помощью ИИ.

Контрольный список для первого клипа

Если вы делаете первую попытку с Hailuo, следующий порядок поможет сэкономить время. Сначала решите, в каком режиме работать: если есть только идея, выбирайте генерацию из текста; если есть фотография, - из изображения в видео; если есть несколько файлов, - генерацию по референсам. Затем выберите короткую длительность и низкое разрешение; на этом этапе важно не получить красивый результат, а проверить, правильно ли модель понимает промпт.

• Режим: текст, одна фотография или файлы-референсы.
• Длительность и разрешение: для черновика короткая и низкая, для финала длинная и высокая.
• Промпт: одно действие, одна команда камеры, четкий свет.
• Проверка: посмотрите результат и меняйте только одну деталь за раз.
• Сохранение: сразу скачайте понравившийся клип и запишите использованные настройки.

Типичные ошибки

• Слишком много событий в коротком клипе: выберите одно главное движение; историю собирайте из нескольких клипов.
• Несколько команд камеры сразу: вместо того чтобы складывать [pan] и [zoom], начните с одной команды.
• Ждать текст-в-видео от версии Fast: 2.3 Fast работает только в режиме изображение в видео.
• Не назначать роли референсам: если файлов несколько, укажите в промпте, что есть что.
• Сразу начинать с максимального разрешения: сначала доработайте промпт в 768P или ниже.
• Не учитывать соотношение сторон: входные изображения должны быть в диапазоне от 2:5 до 5:2.

Итоги

• Hailuo - семейство видеомоделей MiniMax: 02 (июнь 2025), 2.3 (октябрь 2025) и H3 (июль 2026).
• H3 принимает текст, изображение, видео и звук и создает видео до 15 секунд со стереозвуком.
• По API-документации, H3 создает видео 768P или 2K длительностью от 4 до 15 секунд; H3 Max - 480P или 768P, от 5 до 15 секунд.
• Команды камеры пишите в квадратных скобках сразу после описания.
• Для короткого клипа нужны одно действие, одна команда камеры и четкий свет.
• Для референсов получайте разрешение, а созданное видео помечайте как сделанное с помощью ИИ.