scenario-minimax-video

Scenario MiniMax Video

概要

Scenario における MiniMax の Hailuo 動画ファミリーには、3 種類のメンバーがあります。H3（Hailuo 3.0）は、テキスト、キーフレーム、参照による条件付けを 1 つのモデルに統合し、同じパスでステレオ音声も生成します。H3 Max ラインはこれを単一モードのメンバー（テキスト、画像、参照、リップシンク）に分けており、最初の 2 つにはより高速な Turbo の姉妹モデルがあります。3 つの Max メンバーは、動画を生成する代わりに、すでにあるクリップを編集します。Extend Video（Turbo の姉妹モデルあり）、Insert Video、Recast です。旧式の Hailuo 2.3 の 2 つのメンバーには、執筆時点で後継として H3 を示す deprecated タグが付いていました。search でメンバーを見つけ、model_schema_get を仕様として扱ってください。解像度の表記さえ含め、これらに共通する点はほとんどありません。

接続と基本的な流れについては、このリポジトリの scenario スキルを参照してください。モデルに依存しない動画関連の作業については、scenario-video スキルを参照してください。ここで名前を挙げた関連スキルが利用可能なスキルに見当たらない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で実行する場合は、ツールのスキーマに従って作業を進め、不足していることを明記してください。

クイックリファレンス

H3 のモードは入力に応じて決まります（名前は現在のスキーマに基づきます）。

モード	入力	動作
テキスト	prompt	aspectRatio が適用されます（21:9 から 9:16 まで、デフォルトは adaptive）
最初のフレーム	firstFrameImage（＋prompt）	画像に合わせて形状が決まり、aspectRatio は無視されます
最初＋最後	firstFrameImage ＋ lastFrameImage	lastFrameImage は firstFrameImage と併用する場合のみ有効です
参照	referenceImages、referenceVideos、referenceAudio	被写体、スタイル、動き、音声のガイドとして使われます。フレームの指定ではありません。aspectRatio は引き続き適用されます

キーフレームと参照は相互に排他的です。どのフレームも、参照配列と組み合わせることはできません。referenceAudio だけを指定することはできず、少なくとも 1 つの画像または動画の参照が必要です。参照パラメーターは、アセットが 1 つの場合でも配列です。執筆時点で H3 は、9 枚の参照画像、3 本の動画、3 つの音声ファイル（動画と音声はそれぞれ 2～15 秒で、合計も 2～15 秒）、5～15 秒の出力を 768P または 2K で受け付けていました。

2.3 のメンバーが受け付けるのは prompt と firstFrameImage のみで、さらに連動する組み合わせがあります。執筆時点では、10 秒の duration を指定できるのは 768p の場合だけで、1080p は 6 秒の場合のみでした。promptOptimizer（デフォルトは true）は生成前にプロンプトを書き換えます。簡素なプロンプトではオンのままにし、調整した文言をそのまま維持する必要がある場合はオフにしてください。H3 にはこの切り替え機能がなく、H3 も 2.3 も seed を受け付けません。

メンバーの選び方

H3 は、1 回の呼び出しで複数のモードを組み合わせられる唯一のメンバーであり、リップシンクを除けば 2K に対応する唯一の生成モデルです。一方、処理は遅く、コストも高く、参照メディアを追加するとさらにコストがかかります（参照動画はアップロードした映像の秒数ごとに課金されます）。Max のテキストと画像のメンバーは 768P が上限で、seed と promptExpansionMode（disabled、balanced、quality）を受け付けます。調整した文言をそのまま維持する必要がある場合は、disabled に設定してください。それらの Turbo の姉妹モデルは同じ入力を受け付け、反復作業向けの層です。まず Turbo の 480P で下書きを作り、採用するテイクに高コストのメンバーを使ってください。下書きで確認できるのは構図と動きであり、最終ピクセルのプレビューではありません。同じ seed を使っても、別のメンバーや解像度を指定すれば新たな生成になります。バッチ処理の前に、下書きと最終ペイロードを dry_run で確認してください。新しい作業で 2.3 を指定する前に、メンバーを再確認してください。非推奨のメンバーはカタログから削除されることがあります。

すでにあるクリップを編集する

これらのメンバーは既存の動画をvideoとして受け取り（生成またはアップロードされた任意の動画アセット ID）、生成または編集した分だけ課金されます。そのため、実際のソースを使ってdry_runで料金を確認してください。

メンバー	機能	作成時の主な入力と上限
Extend (+Turbo)	ソースの後に1～15秒追加します	ソースは1.625～60秒、最大50 MB、アスペクト比0.4～2.5です。outputがextendedの場合はソースと新しい映像を返し、continuationの場合はソースの一部をリードインとしてコピーした後に新しい映像を続けます（「よくある間違い」を参照）。referenceAudioはソースのサウンドトラックを置き換え、音声ガイドとして使用します。aspectRatioをauto以外にするとクロップされます。480P～2K
Insert Video	新しい5～13秒のシーンを挿入し、その後、元の映像に戻ります	ソース内の秒数で指定するstartTimeとresumeTimeが必須です。durationは新しいシーンのみの長さです。最大9個のreferenceImagesと3個のreferenceVideosを指定でき、参照トークンに基づいて課金されます。colorMatchはデフォルトでオンです。480pまたは768p（小文字）
Recast	最大4人を写真の新しい人物に置き換えます	ソースは5～30秒で、1つのショットは最大15秒です。ソースの秒数ごとに課金されます。人物1人につき写真1枚のreferenceImagesが必須で、デフォルトでは左から右に対応付けられます。promptは任意で、誰を誰に置き換えるかを指定します。動き、カメラワーク、カット、音声は維持されます。768Pまたは1080P

Extend のプロンプトには、ソースの説明ではなく、その後に何が起きるかを書いてください。モデルはすでにソースを見ており、デフォルトでオンのenablePromptExpansionがソースに基づいてプロンプトを書き換え、続きに一貫性を持たせます。Recast は、同じ演技を別の人物で再撮影する場合に使います。その他の要素はすべて維持されるため、新しい場所やスタイルにする用途には適していません。

カメラワークは角括弧で指定し、動きは控えめに

このファミリーでは、プロンプト内に角括弧で囲んだカメラコマンドを記述します。例：[Push in]、[Pull out]、[Pan left]、[Tilt up]、[Truck right]、[Pedestal up]、[Zoom out]、[Shake]、[Tracking shot]、[Static shot]。1つの角括弧内で最大3つの動きを組み合わせられます（[Pan left, Pedestal up]）。角括弧を分けると、指定した順に動きます。ショット全体で動きの指示は2～3個に抑えてください。動きを詰め込みすぎると、背景の揺れやテクスチャのちらつきが起きやすくなります。画像から動画を生成する場合、プロンプトで指示しなくても動きがずれがちなので、静止させるときは「Static camera, locked shot, tripod mounted」のように明示してください。

それ以外は、カメラ、被写体、動作、シーン、照明と雰囲気、スタイルの順で自然な文章にしてください。H3では音声もプロンプトに記述します。セリフ、効果音、環境音を動作に合わせて文章内に記述し、同期させてください。代わりに切り替えるための音声パラメーターはありません。

実践例：参照画像からキャラクターのクリップを作成する

1. target="models"、query="minimax hailuo"、public=true を指定して search します。非推奨ではない最新の結果を優先します。たとえば model_minimax-h3 です（執筆時点で有効な結果です。セッションごとに再検索してください）。
2. その ID で model_schema_get を実行し、ほかの操作を行う前にモード、機能、許可されている値を確認します。
3. 明るさを均一にしたキャラクターの静止画を 2 枚（scenario スキルを参照）upload_asset でアップロードし、アセット ID を取得します。
4. コストを見積もるため、その model_id、dry_run=true、正確な以下の parameters={"prompt": "[Tracking shot] The scout from the reference images sprints across a rooftop at dusk, coat snapping in the wind, warm rim light, footsteps and distant traffic in the audio, cinematic realism.", "referenceImages": ["asset_a", "asset_b"], "duration": 8, "resolution": "2K", "aspectRatio": "16:9"} を指定して model_run を実行します。再生時間、解像度、参照画像の数を変更した場合は、再見積もりしてください。
5. wait=false を指定して model_run を再度実行し、返されたジョブ ID を使って jobs_wait を実行します。タイムアウトした場合は、pending_job_ids を指定して再呼び出ししてください。model_run を 2 回目に実行してはいけません。H3 の 2K 生成には、通常数分かかります。
6. 出力に asset_display を実行し、音声をオンにして確認します。会話と効果音の同期も、料金に含まれる成果の一部です。

よくある間違い

• firstFrameImage と参照画像の配列を組み合わせること：キーフレームと参照画像は併用できません。
• referenceAudio だけを渡すこと：少なくとも 1 つの画像または動画の参照が必要です。
• firstFrameImage なしで lastFrameImage を渡すこと：両端のフレームを指定するか、どちらも指定しないでください。
• aspectRatio が最初のフレームより優先されると考えること：アスペクト比は画像に従います。
• あるモデルの値を別のモデルにそのまま使うこと：H3 の解像度表記は 768P と 2K です。リップシンク以外の Max ジェネレーターは 768P まで、Insert は小文字の 480p と 768p、Recast は 768P と 1080P のみです。
• 1 ショットが 15 秒を超える、または 5 秒未満のクリップを Recast に渡すこと：先に編集してください（scenario-video-editing スキル）。
• 出力時間を基準に Recast の料金を計算すること：ソースの全秒数に課金されるため、新しい人物が必要な部分だけにソースをトリミングしてください。
• どちらの Extend の出力も新しい映像のみだと考えること：extended はソースに続きの映像を加えたものを返します。continuation はソースの最後の 1.625 秒（執筆時点での 2 回の実行では、24 fps で 39 フレーム）のコピーから始まり、その後に新しい映像が続きます。新しい映像はリクエストより少し長くなりました（2 秒のリクエストでは 2.1 秒、3 秒では 3.5 秒。それぞれリクエストどおりの時間で課金）。後でつなぎ合わせるクリップ（scenario-video-assembly スキル）では、continuation を使い、startTime 1.7 からカットしてください。カットツールは 0.1 秒単位で進み、1.6 ではソースのフレームが残ります（scenario-video-editing スキル）。
• カメラの動きを重ねすぎること：2、3 個を超える指示を重ねると、背景が揺れ、テクスチャがちらつきます。