MiniMax H3 Ref2V en 2026, respuesta directa: Ref2V es el modo donde tus archivos de referencia —imágenes, un clip corto, un take de voz opcional— fijan el plano: el movimiento, el ritmo, la cámara y la entrega se transfieren de algo que vos viste, no de adjetivos que escribiste. La página del modo reference-to-video es la casa del modo en Moosky; acá abajo está la guía de prompts paso a paso: armá la hoja de referencias, dirigí la transferencia de movimiento y de cámara con etiquetas, iterá con ediciones delta y exportá un plano actuado.

La mayoría descubre reference-to-video por las caras: subís una cara, se mantiene la cara. Pero la palanca real del modo aparece cuando le apuntás un clip al modelo —un video de referencia para el movimiento de cámara, la caminata, el ritmo de corte que querés— y H3 ejecuta una escena nueva en ese lenguaje en vez de adivinar desde adjetivos. Este es el flujo MiniMax H3 Ref2V de punta a punta en Moosky: armá una hoja de referencias, dirigila con etiquetas, ajustá la transferencia de movimiento y cámara, iterá barato y exportá.

Si todavía estás decidiendo qué es Ref2V y en qué se diferencia de imagen-a-video, el explainer de reference-to-video cubre el lado conceptual. Y si la pregunta es si H3 justifica la cuenta de créditos antes de abrir el composer, la guía de compra ¿Vale la pena MiniMax H3 en 2026? corre la matemática de créditos por clip y los casos honestos de no-compra. ¿Lector angloparlante? La guía de compra en inglés vive en Is MiniMax H3 worth it in 2026? y el flujo original en inglés en la guía de prompts MiniMax H3 Ref2V. Este artículo es el lado del hacer: la secuencia de decisiones que convierte un manojo de archivos en un plano consistente y actuado dentro del composer H3 Ref2V.

Un prompt de texto puede decir "dolly-in lento mientras ella se gira hacia la ventana". Si el modelo renderiza tu idea de dolly-in es una moneda en el aire. Un clip de referencia de seis segundos saca la moneda: el movimiento, el ritmo, el encuadre y la sensación de montaje se transfieren de algo que vos viste, no de algo que describiste. H3 trata sus ranuras de referencia como un bundle ordenado —hasta 9 imágenes, 3 clips de video y 3 audios sueltos, 12 archivos en total— y tus etiquetas (Image 1, Video 1, Audio 1) le asignan un trabajo a cada uno: identidad, vestuario, estilo, movimiento, cámara o voz. Esa asignación de roles es lo que hace la iteración predecible: cuando una toma sale mal, cambiás un archivo o una etiqueta en vez de reescribir un párrafo de modificadores y cruzar los dedos. La visión general del modo vive acá mismo — el resto del artículo es el flujo en sí.

Respuestas rápidas

¿Qué es MiniMax H3 Ref2V? El modo de archivos de referencia: tus archivos —imágenes, un clip corto, un take de voz opcional, hasta 9 imágenes, 3 clips y 3 audios, 12 archivos en total— fijan el plano, así que el movimiento, el ritmo, la cámara y la entrega salen de material que vos viste y no de adjetivos que escribiste, con cada etiqueta (Image 1, Video 1, Audio 1) asignándole a un archivo su trabajo.

¿Cómo se escribe un prompt de MiniMax H3 Ref2V? Como un brief de plano que cita tus archivos por nombre: dale a cada archivo un trabajo explícito ("Image 2 es el vestuario"), nombrá el movimiento de cámara en el vocabulario del modelo (Push In, Pan, Truck, Arc) más una velocidad, poné el diálogo entre comillas literal y describí el sonido por capas. Esa asignación de roles es lo que hace la iteración predecible — una toma mala mapea a un archivo o una etiqueta, no a un párrafo de modificadores reescrito.

¿Cómo funciona la transferencia de movimiento en MiniMax H3 Ref2V? Un clip corto de referencia demuestra el movimiento — el follow en mano, el push de steadicam, la caminata del actor— y H3 le transfiere su movimiento, ritmo, encuadre y sensación de montaje a una escena nueva. Promptear un verbo de cámara junto con él confirma la transferencia en vez de reemplazarla: el clip muestra la amplitud y la velocidad, la oración nombra el movimiento.

¿Cuánto cuesta un clip de MiniMax H3 Ref2V en Moosky? Créditos, no una suscripción, a 100 por US$1: los borradores en 768P corren unos 10 créditos por segundo de salida y los finales en 2K unos 18, y los segundos de video de entrada se cobran contra la resolución de salida que elijas. El composer muestra la cotización exacta de tu bundle antes de que nada corra, y las corridas fallidas se reintegran.

¿Se puede arreglar una toma de Ref2V sin re-renderizar toda la escena? Sí — edición delta: adjuntá el clip aprobado como tu Video 1 y pedí solo el cambio ("misma escena, misma entrega, la campera ahora azul"). La actuación se conserva, la edición se aplica, y pagás segundos de salida en vez de un render nuevo completo; se vuelve a arrancar desde las referencias solo cuando la idea de la escena estaba mal.

¿Se pueden descargar los clips de Ref2V y qué te llevás? Sí — cada clip terminado aterriza en tu cola de Moosky como un MP4 descargable en la resolución 768P o 2K que elegiste, sin paso de exportación separado y sin marca de agua. Las corridas fallidas se reintegran, así que los créditos se van solo en clips que conservás.

Paso 1 — Armá una hoja de referencias que sobreviva la iteración

La hoja es el activo. Diez minutos acá y cada paso siguiente se acorta.

  • Cara: dos o tres ángulos del personaje — frente, tres cuartos, y el perfil que tu storyboard necesite. Un solo retrato frontal sostiene la línea de mirada pero deriva en los giros.
  • Vestuario y utilería: tomas cenitales o aisladas. Un Image 2 separado para la campera deja que la referencia de cara haga solo trabajo de cara.
  • Movimiento: un clip corto (2–15 segundos) del movimiento que querés — un follow en mano, un push de steadicam, la caminata de un actor. Mantené el total de video de referencia debajo de 15 segundos; H3 cobra los segundos de video de entrada, así que recortá al movimiento, no a la toma entera.
  • Voz: un take de audio opcional de 2–15 segundos. Adjuntalo y la línea actuada conserva ese timbre — en cualquiera de los 11 idiomas de diálogo de H3, con el lip-sync horneado en la misma pasada.

Subí todo en orden deliberado. Las etiquetas siguen el orden: la primera imagen es Image 1, el primer video es Video 1. Una hoja que mezcla "cualquier" orden es una hoja con la que vas a pelear después.

Paso 2 — Abrí el composer y definí el marco del trabajo

Abrí el composer H3 Ref2V (sin suscripción; corre con créditos de Moosky, 100 por US$1). Cargá los activos de referencia y tomá las tres decisiones estructurales antes de escribir prosa:

  1. Duración: 4–15 segundos por clip. Las pasadas cortas son baratas; los planos hero pueden escalar después.
  2. Resolución: 768P para borradores (unos 10 créditos por segundo de salida), 2K para finales (unos 18). La cotización exacta de tu bundle aparece en el composer antes de que nada corra.
  3. Relación de aspecto: 16:9 para embebidos y YouTube, 9:16 para feeds y Shorts.

Tomar estas primero importa porque el composer cotiza las referencias contra ellas: los segundos de video de entrada se cobran a tarifas distintas para salida 768P versus 2K, así que una referencia de movimiento que sobrevive hasta el final debe ser tan corta como el movimiento lo permita.

Paso 3 — Dirigí con etiquetas, no con adjetivos

Escribí el prompt como un brief de plano que cita tus archivos por nombre:

Image 1 (face) and Image 2 (green jacket) stand behind the pass counter at closing time, warm tungsten light. The camera slowly pushes in as Image 1 looks up and says: "Last call, then we lock up." Video 1 sets the handheld feel. Audio 1 is the voice.

El brief se queda en inglés a propósito: el vocabulario de cámara y de luz es la variante con la que el modelo está entrenado, y traducirlo baratearía la toma. El resto de tu operación, en español.

Unas reglas que separan las tomas que se sostienen de las que se dispersan:

  • Dale a cada archivo un trabajo explícito. "Usá las referencias" es un deseo; "Image 2 es el vestuario" es una instrucción.
  • Nombrá el movimiento de cámara en el vocabulario propio del modelo: Push In, Pull Out, Pan, Truck, Tilt, Pedestal, Arc, Tracking, Static, Shake, POV, Zoom, Roll — más una velocidad cuando importa ("slow", "whip"). Con una referencia de movimiento adjunta, el verbo confirma la transferencia en vez de reemplazarla.
  • Poné el diálogo entre comillas, literal. No resumas una línea que necesitás palabra por palabra; H3 actúa el discurso citado con lip-sync en vez de parafrasearlo.
  • Describí el sonido por capas: cómo suena el ambiente, y si Audio 1 se copia (su voz real) o se referencia (el estilo de su voz, palabras nuevas).

Paso 4 — Primera pasada, después ajustá la transferencia de movimiento y cámara

Generá en 768P y leé el resultado como editor, no como fan. Cuatro modos de falla y sus correcciones cubren la mayor parte del ajuste:

  • El movimiento es demasiado fuerte o demasiado débil. El clip de referencia contiene más movimiento del que el plano necesita (o contiene un movimiento distinto). Recortá el clip a los dos segundos que sostienen el movimiento, o cambiá el Video 1 por una toma más limpia. La selección de cuadro en la subida ayuda: elegí el segmento en vez de meter el archivo entero.
  • La identidad deriva en los giros. Agregá el ángulo que falta a la hoja — suele ser un tres cuartos o un perfil— y mantené Image 1 como el único archivo de cara para que su trabajo quede sin ambigüedad.
  • El estilo aplasta la referencia. La estilización pesada ("anime", "óleo") es donde las caras derivan más. Una oración de estilo sobria ("live-action cinematic, 35mm look") antes de la descripción del plano sostiene la identidad mucho mejor.
  • La voz no es la suya. Verificá que Audio 1 acompañara al menos a un visual (el audio no puede ser la única entrada) y que el prompt diga que la voz se copia de él, y mantené la línea hablada lo bastante corta para el largo del clip.

Cada una de estas es un cambio de un archivo. Ese es el punto del flujo: el diagnóstico mapea a una ranura, y un cambio de ranura cuesta una regeneración.

Paso 5 — Iterá con ediciones delta en vez de reinicios

Cuando una toma está 90% bien — la actuación aterrizó pero la campera está mal, o falta un utilería— no reconstruyas la escena desde cero. El modo Ref2VA de H3 soporta ediciones delta: adjuntá el clip aprobado como tu Video 1 y pedí solo el cambio ("same scene, same delivery, jacket now navy"). La actuación se conserva, la edición se aplica, y estás pagando segundos de salida, no un render nuevo completo. Se vuelve a arrancar desde las referencias solo cuando la idea de la escena estaba equivocada.

Una cadencia práctica que mantiene los presupuestos honestos: una pasada exploratoria por concepto, una pasada de ajuste en 768P, la toma aceptada re-ejecutada o editada en delta en 2K solo para los planos que entran al corte. El composer muestra la cotización de créditos antes de cada corrida, y las corridas fallidas se reintegran.

Paso 6 — Exportá y ensamblá

Como la identidad vive en tu hoja y no en un render afortunado, el mismo bundle maneja cada panel de una secuencia: mantené los roles de los archivos congelados, reescribí ambientación, blocking y la línea, y renderizá el panel siguiente. Cada clip vuelve ya actuado — diálogo estéreo con lip-sync, ambiente y cues de partitura que dirigiste en el prompt— así que un editor puede montar la secuencia de una sin costura de TTS ni pasada de doblaje. Para una escena con varios personajes, dale a cada rol su propia ranura de imagen y mantené los turnos de hablante explícitos en el prompt.

Escenarios de flujo para creadores que trabajan con referencias

El conductor recurrente. Un creador de canal faceless arma un presentador —cara digital, una campera, un take de voz— y produce aperturas en frío semanales. La hoja se hace una vez; cada semana cambia solo la oración de ambientación y la línea citada (cuando la premisa de la semana nace como prosa en vez de un plan, el flujo de guion a video es el carril de primer borrador más rápido de escena escrita a clip tosco antes de que las referencias entren en juego). Cuando un chiste necesita un respiro de timing, adjunta la apertura aprobada de la semana pasada como Video 1 y pide el mismo ritmo con el remate nuevo.

El corredor de variantes de anuncio. Un equipo de e-commerce carga un producto desde dos lados más una referencia lifestyle, y genera variantes de escena — mesada de cocina, gimnasio, playa— manteniendo los píxeles del packaging estables porque la referencia, no el prompt, los posee. Un clip de referencia de una mano rotando resuelve el momento de "tomalo" en todas las variantes.

La pasada de localización. Un creador con un clip 9:16 que funcionó lo re-renderiza con las mismas referencias de cara y voz pero la línea en español o en japonés — Ref2VA actúa diálogo nuevo sincronizado en el idioma en vez de doblar sobre bocas viejas.

El caminante de storyboard. Un storyboardista de cortometraje posea keyframes en una herramienta de imagen fija (si un cuadro vuelve suave, la guía del upscaler de imágenes SeedVR2 lo restaura antes de que se convierta en referencia — todavía no tiene versión en español), carga el último cuadro de cada escena como la referencia de apertura de la siguiente, y corta uniones que de otra forma se notarían — la continuidad estira más allá del límite de 15 segundos por clip porque la referencia viaja a través de las generaciones.

Preguntas frecuentes

¿Tengo que usar un video de referencia, o alcanzan las imágenes? Las imágenes alcanzan para la identidad — cara, vestuario, producto. El video de referencia gana su ranura solo cuando el plano depende de un movimiento, un ritmo o una sensación de montaje concretos. Para planos estáticos o de habla pausada, imágenes más un verbo de cámara nombrado le ganan a un clip ruidoso adjunto.

¿En qué se diferencia "ajustar la transferencia de cámara" de simplemente promptear un movimiento de cámara? Promptear un verbo le dice al modelo tu género de movimiento; una referencia de movimiento le muestra la amplitud y la velocidad reales. Los mejores resultados salen de emparejarlos — el clip demuestra el movimiento, la oración lo confirma ("slow Push In, matching Video 1")— porque una referencia de clip a secas a veces se interpreta suelta cuando el contenido de la escena cambió mucho.

¿Por qué mi referencia de voz cambió las palabras que pedí? Si el prompt no dice para qué es Audio 1, el modelo puede tratarla como contenido a reproducir. Declará el trabajo explícitamente — "voice timbre copied from Audio 1; new line:"— y citá la línea literal dentro del presupuesto de segundos del clip.

¿Cómo evito que la luz o el fondo del clip de referencia se filtren a mi escena nueva? Recortá el clip a los segundos donde el movimiento queda aislado, y describí tu propia iluminación en el brief de la escena. La transferencia por referencia es un voto, no una orden — una oración de ambientación fuerte ("cold blue morning light") le gana al ruido de fondo que quedó en la referencia.

¿Cuál es la forma más barata de converger a un final? Borrador en 768P, 4–6 segundos, cinco imágenes de entrada gratis incluidas; una vez aprobada la toma, editá en delta el clip aprobado mismo como Video 1 en 2K para el final en vez de re-renderizar desde las referencias. Pagás segundos de salida a tarifa plena exactamente una vez.

¿Dónde encuentro la estructura de prompt de seis secciones lista para copiar? La guía comercial de prompts MiniMax H3 Ref2V en Moosky convierte el método de este artículo en una página de receta lista para correr: el brief de seis secciones como plantilla para completar, los trabajos de las etiquetas Image/Video/Audio/Subject, y la cotización de créditos que el composer muestra antes de correr. Leé el flujo acá, corré la receta allá.