Картинка в видео нейросеть: ключ-кадр MiniMax H3-Image

11 ноября MiniMax открыла веса H3-Image: кадр 4096 на 4096 меньше чем за десять секунд и до 16 референсов на входе. Мне она нужна как поставщик ключ-кадра для image-to-video, поэтому ниже про то, как из картинки получается клип, где проходит граница применимости и где лицензия ставит забор.

Квадратный кадр-картинка превращается в ленту кадров видео: движение продолжает позу героя
01

Что вышло 11 ноября

MiniMax H3-Image вышла 11 ноября 2026 года с открытыми весами и построена на H3. Умеет три вещи: генерацию из текста, генерацию по референсным картинкам и редактирование готового изображения. Кадр 4K это 4096 на 4096 пикселей, около 16 мегапикселей, и собирается он меньше чем за десять секунд. Компания обещает «до 5 раз быстрее основных альтернатив»; цифра её, проверять на своём железе.

Мне в этой новости важнее темп, чем абсолютная скорость. Скорость нужна, когда кадры идут десятками: пять вариантов позы, три варианта фона, два варианта света. Тогда десять секунд на кадр дают рабочую смену вместо красивого демо.

02

Почему картинка в видео нейросеть начинается с первого кадра

В пайплайне картинка в видео нейросеть приходит первым кадром, и от него зависит всё дальше: поза героя, направление света, композиция, куда поедет камера. Модели image-to-video продолжают готовое изображение, сцену с нуля они не строят. Ошибка в стартовой картинке размножается на весь клип, и переделывать приходится сцену целиком.

Отсюда моё правило: время, сэкономленное на кадре, возвращается переделками в видео. Порядок такой: кадр, движение, монтаж. Как именно картинка становится движением, у нас разобрано отдельно, там про шаги генерации и согласованность соседних кадров.

Схема пайплайна: 4K-кадр режется под вертикаль, референсы держат продукт, кадры уходят в видео
03

4K как запас под кроп

Кадр 4096 на 4096 спокойно режется в 9:16 без апскейла: из квадрата на 16 мегапикселей вертикаль 1080 на 1920 забирает часть, а детали продукта остаются резкими. Запас по разрешению экономит отдельный проход апскейла, а вертикальная реклама выходит десятками роликов.

Второй плюс это референсы: до 16 картинок на входе. Точность следования промпту компания называет лучшей среди открытых моделей, и это снова её слова. На практике 16 референсов полезны, когда один продукт надо удержать в разных ракурсах: бутылка, коробка, кроссовок остаются собой, фон меняется.

04

Как нейросеть картинку в видео превращает: три модели на входе

Дальше кадр уходит в видеомодель, и первое, что важно, сколько картинок она принимает. Kling 4.0 по официальному гайду берёт до 10 ключевых кадров. Gemini Omni 1.2 Flash по документации Google Cloud работает в режиме первого и последнего кадра, клип в этом режиме 3-10 секунд. Seedance 2.5 flash принимает до 10 картинок на входе.

Разница практическая. Один кадр задаёт старт, дальше модель импровизирует. Два кадра задают старт и финал, свет держится ровнее. Десять кадров дают почти раскадровку, и тогда герой не меняет лицо между шотами.

Отдельный текст про ключевые кадры внутри одной сцены разбирает, как ставить их так, чтобы модель не рвала движение.

05

Порядок работы: один герой, чистый фон, финал той же моделью

Порядок, по которому я собираю ключ-кадр под видео.

Первое: один герой в кадре и чистый фон. Продолжать простую сцену модели легче, лишний предмет в стартовой картинке даёт лишнее движение.

Второе: без текста в кадре. Надписи видеомодель переписывает по-своему, буквы плывут на первом же движении.

Третье: финальный кадр делать той же моделью. Тогда свет и цвет совпадают, и склейка не читается как склейка.

Четвёртое: 4K держать до монтажа. Кроп, зум и стабилизация делаются из полного кадра, из ужатого они дают мыло.

06

Скорость, режимы и цена

По обещанию платформы режим Standard идёт в 1,5-2 раза быстрее альтернатив, Highspeed в 3-4 раза. Цена 50-70 процентов от сопоставимых предложений, в первую неделю после запуска скидка 50 процентов на 4K и выше. Проценты чужие, поэтому я считаю на своей нагрузке: сто кадров на пробу, дальше решение.

Доступ широкий: Hugging Face с репозиторием MiniMaxAI/MiniMax-H3-Image, MiniMax API Platform, MiniMax Code и Hailuo AI. Локальный запуск и API решают разные задачи. Локально материал остаётся внутри студии, API снимает возню с видеокартой.

07

Лицензия: где открытые веса закрыты

Лицензия MiniMax H3 (Community) исключает США, ЕС, Великобританию и Южную Корею: для использования там нужно разрешение MiniMax. AdGraam 10 ноября написал прямо: «US excluded». Карточку весов H3-Image стоит открыть отдельно, потому что условия для весов и для API могут разойтись. Для студии в России это не забор, для клиента из Европы уже разговор.

08

Мой вывод

Открытая картиночная модель полезна видеопродакшну в одном месте: она быстро делает стартовый кадр, который пойдёт в видео. Обзором картиночного генератора я это не считаю, потому что конечный продукт здесь клип.

В работе я ставлю H3-Image на этап подготовки. Дальше видео нейросетями собирается по обычной схеме: кадр, движение, монтаж, звук. Для серии вертикальных роликов такой темп важен, версий много и каждая начинается с кадра.

Последнее. Обещания про «до 5 раз быстрее» и «50-70 процентов цены» проверяются на своём проекте за один вечер. Совпал счёт, модель остаётся в пайплайне надолго. Не совпал, она остаётся инструментом для черновиков.

частые вопросы

01Можно ли отдать кадр из H3-Image в Kling
Да. Кадр 4096 на 4096 сохраняется, режется под 9:16 или 16:9 и уходит в Kling 4.0 одним из ключевых кадров. Kling по официальному гайду принимает до 10 кадров, так что старт, середина и финал собираются из одной серии картинок.
02Сколько времени занимает один кадр
Меньше десяти секунд на 4K по данным компании. На своём железе время зависит от видеокарты, в API от очереди.
03Что мешает работать с моделью в США и Европе
Лицензия Community: США, ЕС, Великобритания и Южная Корея требуют разрешения MiniMax. Условия для открытых весов смотреть в карточке модели на Hugging Face.
04Зачем референсы, если промпт описывает кадр
Референсов можно дать до 16. Они нужны, когда продукт или герой должен остаться собой между кадрами. Для одного чистого кадра с ровным светом хватает текста.