MiniMax H3 Ref2V em 2026, resposta direta: Ref2V é o modo em que os seus arquivos de referência — imagens, um clipe curto, um take de voz opcional — travam o plano: movimento, ritmo, câmera e entrega vêm de material que você assistiu, não de adjetivos que você escreveu. A página do modo reference-to-video é a casa do modo na Moosky; abaixo está o guia de prompts passo a passo: monte a folha de referências, dirija a transferência de movimento e de câmera com rótulos, itere com edições delta e exporte um take atuado.

A maioria descobre reference-to-video pelas caras: você sobe um rosto, o rosto se mantém. Mas a alavanca real do modo aparece quando você aponta um clipe para o modelo — um vídeo de referência para o movimento de câmera, o caminhar, o ritmo de corte que você quer — e o H3 executa uma cena nova nessa linguagem em vez de adivinhar a partir de adjetivos. Este é o fluxo MiniMax H3 Ref2V de ponta a ponta na Moosky: monte uma folha de referências, dirija-a com rótulos, ajuste a transferência de movimento e câmera, itere barato e exporte.

Se você ainda está decidindo o que é Ref2V e em que ele difere de imagem-para-vídeo, o explicador de reference-to-video cobre o lado do conceito. E se a pergunta é se o H3 paga a conta de créditos antes de você abrir o composer, o guia de compra Vale a pena o MiniMax H3 em 2026? roda a matemática de créditos por clipe e os casos honestos de não-compra. Leitor anglófono? O guia de compra em inglês mora em Is MiniMax H3 worth it in 2026? e o fluxo original em inglês no guia de prompts MiniMax H3 Ref2V. Este artigo é o lado do fazer: a sequência de escolhas que transforma um punhado de arquivos num take consistente e atuado dentro do composer H3 Ref2V.

Um prompt de texto pode dizer "dolly-in lento enquanto ela se vira para a janela". Se o modelo renderiza a sua ideia de dolly-in é cara ou coroa. Um clipe de referência de seis segundos tira a moeda da mesa: movimento, ritmo, enquadramento e feeling de montagem vêm de algo que você assistiu, não de algo que você descreveu. O H3 trata suas ranuras de referência como um bundle ordenado — até 9 imagens, 3 clipes de vídeo e 3 áudios soltos, 12 arquivos no total — e seus rótulos (Image 1, Video 1, Audio 1) dão um ofício a cada arquivo: identidade, figurino, estilo, movimento, câmera ou voz. É essa atribuição de papéis que torna a iteração previsível: quando um take sai errado, você troca um arquivo ou um rótulo em vez de reescrever um parágrafo de modificadores e torcer. A visão geral do modo mora aqui mesmo — o resto do artigo é o fluxo.

Perguntas rápidas

O que é MiniMax H3 Ref2V? O modo de arquivos de referência: os seus arquivos — imagens, um clipe curto, um take de voz opcional, até 9 imagens, 3 clipes e 3 áudios, 12 arquivos no total — travam o plano, então movimento, ritmo, câmera e entrega vêm de material que você assistiu e não de adjetivos que você escreveu, com cada rótulo (Image 1, Video 1, Audio 1) dando a um arquivo o seu ofício.

Como se escreve um prompt de MiniMax H3 Ref2V? Como um briefing de plano que cita os seus arquivos pelo nome: dê a cada arquivo um ofício explícito ("Image 2 é o figurino"), nomeie o movimento de câmera no vocabulário do próprio modelo (Push In, Pan, Truck, Arc) mais uma velocidade, coloque a fala entre aspas literal e descreva o som em camadas. Essa atribuição de papéis é o que torna a iteração previsível — um take ruim mapeia a um arquivo ou um rótulo, não a um parágrafo de modificadores reescrito.

Como funciona a transferência de movimento no MiniMax H3 Ref2V? Um clipe curto de referência demonstra o movimento — o follow na mão, o push de steadicam, o caminhar do ator — e o H3 transfere o movimento, o ritmo, o enquadramento e o feeling de montagem para uma cena nova. Promptear um verbo de câmera junto com ele confirma a transferência em vez de substituí-la: o clipe mostra a amplitude e a velocidade, a frase nomeia o movimento.

Quanto custa um clipe de MiniMax H3 Ref2V na Moosky? Créditos, não assinatura, a 100 por US$ 1: rascunhos em 768P giram em torno de 10 créditos por segundo de saída e finais em 2K perto de 18, e os segundos de vídeo de entrada são cobrados contra a resolução de saída que você escolher. O composer mostra a cotação exata do seu bundle antes de qualquer coisa rodar, e corrida que falha é reembolsada.

Dá para consertar um take de Ref2V sem re-renderizar a cena inteira? Sim — edição delta: anexe o clipe aprovado como o seu Video 1 e peça só a mudança ("mesma cena, mesma entrega, o casaco agora é azul"). A atuação se mantém, a edição se aplica, e você paga segundos de saída em vez de um render novo do zero; recomeça a partir das referências só quando a própria ideia da cena estava errada.

Dá para baixar os clipes de Ref2V e o que você leva? Sim — cada clipe pronto cai na sua fila da Moosky como um MP4 baixável na resolução 768P ou 2K que você escolheu, sem etapa de exportação separada e sem marca d'água. Corridas que falham são reembolsadas, então os créditos só vão para clipes que você fica.

Passo 1 — Monte uma folha de referências que sobreviva à iteração

A folha é o ativo. Dez minutos aqui e cada passo seguinte encurta.

  • Rosto: dois ou três ângulos do personagem — frente, três quartos, e o perfil que o seu storyboard pedir. Um único retrato frontal segura a linha de olhar mas deriva nas viradas.
  • Figurino e adereço: fotos cenitais ou isoladas. Um Image 2 separado para o casaco deixa a referência de rosto fazer só trabalho de rosto.
  • Movimento: um clipe curto (2–15 segundos) do movimento que você quer — um follow na mão, um push de steadicam, o caminhar de um ator. Mantenha o total de vídeo de referência abaixo de 15 segundos; o H3 cobra os segundos de vídeo de entrada, então apare no movimento, não no take inteiro.
  • Voz: um take de áudio opcional de 2–15 segundos. Anexe-o e a fala atuada mantém aquele timbre — em qualquer um dos 11 idiomas de diálogo do H3, com o lip-sync assado na mesma passada.

Suba tudo em ordem deliberada. Os rótulos seguem a ordem: a primeira imagem é Image 1, o primeiro vídeo é Video 1. Uma folha que mistura ordem "tanto faz" é uma folha com a qual você vai brigar depois.

Passo 2 — Abra o composer e defina a moldura do trabalho

Abra o composer H3 Ref2V (sem assinatura; roda com créditos da Moosky, 100 por US$ 1). Carregue os ativos de referência e tome as três decisões estruturais antes de escrever prosa:

  1. Duração: 4–15 segundos por clipe. Passadas curtas são baratas; os planos hero escalam depois.
  2. Resolução: 768P para rascunhos (uns 10 créditos por segundo de saída), 2K para finais (uns 18). A cotação exata do seu bundle aparece no composer antes de qualquer coisa rodar.
  3. Proporção: 16:9 para embed e YouTube, 9:16 para feeds e Shorts.

Tomar estas primeiro importa porque o composer precifica as referências contra elas: os segundos de vídeo de entrada cobram tarifas diferentes para saída 768P versus 2K, então uma referência de movimento que sobrevive até o final deve ser curta o quanto o movimento permitir.

Passo 3 — Dirija com rótulos, não com adjetivos

Escreva o prompt como um briefing de plano que cita os seus arquivos pelo nome:

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.

O briefing fica em inglês de propósito: o vocabulário de câmera e de luz é a variante com que o modelo foi treinado, e traduzi-lo encareceria o take. O resto da sua operação, em português.

Algumas regras que separam takes que se seguram de takes que se perdem:

  • Dê a cada arquivo um ofício explícito. "Use as referências" é um desejo; "Image 2 é o figurino" é uma instrução.
  • Nomeie o movimento de câmera no vocabulário do próprio modelo: Push In, Pull Out, Pan, Truck, Tilt, Pedestal, Arc, Tracking, Static, Shake, POV, Zoom, Roll — mais uma velocidade quando importa ("slow", "whip"). Com uma referência de movimento anexa, o verbo confirma a transferência em vez de substituí-la.
  • Coloque a fala entre aspas, literal. Não resuma uma linha que você precisa palavra por palavra; o H3 atua a fala citada com lip-sync em vez de parafraseá-la.
  • Descreva o som em camadas: como a sala soa, e se Audio 1 é copiado (a voz real) ou referenciado (o estilo da voz, palavras novas).

Passo 4 — Primeira passada, depois ajuste a transferência de movimento e câmera

Gere em 768P e leia o resultado como editor, não como fã. Quatro modos de falha e suas correções cobrem a maior parte do ajuste:

  • O movimento é forte ou fraco demais. O clipe de referência contém mais movimento do que o plano precisa (ou contém um movimento diferente). Apare o clipe para os dois segundos que seguram o movimento, ou troque o Video 1 por um take mais limpo. A seleção de quadro no upload ajuda: escolha o segmento em vez de mandar o arquivo inteiro.
  • A identidade deriva nas viradas. Acrescente o ângulo que falta à folha — costuma ser um três quartos ou um perfil — e mantenha Image 1 como o único arquivo de rosto para que o ofício dele fique sem ambiguidade.
  • O estilo sufoca a referência. Estilização pesada ("anime", "óleo") é onde os rostos mais derivam. Uma frase de estilo sóbrio ("live-action cinematic, 35mm look") antes da descrição do plano segura a identidade muito melhor.
  • A voz não é a dele. Confira se Audio 1 acompanhou pelo menos um visual (áudio não pode ser a única entrada) e se o prompt diz que a voz é copiada dele, e mantenha a fala curta o bastante para o comprimento do clipe.

Cada uma dessas é uma mudança de um arquivo. Esse é o ponto do fluxo: o diagnóstico mapeia para uma ranura, e uma troca de ranura custa uma regeneração.

Passo 5 — Itere com edições delta em vez de recomeços

Quando um take está 90% certo — a atuação aterrissou mas o casaco está errado, ou falta um adereço — não reconstrua a cena do zero. O modo Ref2VA do H3 suporta edições delta: anexe o clipe aprovado como o seu Video 1 e peça só a mudança ("same scene, same delivery, jacket now navy"). A atuação se mantém, a edição se aplica, e você está pagando segundos de saída, não um render novo inteiro. Recomeça a partir das referências só quando a própria ideia da cena estava errada.

Uma cadência prática que mantém os orçamentos honestos: uma passada exploratória por conceito, uma passada de ajuste em 768P, o take aceito re-executado ou editado em delta em 2K só para os planos que entram no corte. O composer mostra a cotação de créditos antes de cada corrida, e corrida que falha é reembolsada.

Passo 6 — Exporte e monte

Como a identidade mora na sua folha e não num render de sorte, o mesmo bundle dirige cada painel de uma sequência: congele os ofícios dos arquivos, reescreva cenário, blocking e a fala, e renderize o próximo painel. Cada clipe volta já atuado — fala estéreo com lip-sync, ambiência e cues de trilha que você dirigiu no prompt — então um editor corta a sequência direto, sem emenda de TTS nem passada de dublagem. Para uma cena com vários personagens, dê a cada papel a sua própria ranura de imagem e mantenha as viradas de falante explícitas no prompt.

Cenários de fluxo para criadores que trabalham com referências

O apresentador recorrente. Um criador de canal faceless constrói um apresentador — rosto digital, um casaco, um take de voz — e produz aberturas frias semanais. A folha é feita uma vez; cada semana muda só a frase de cenário e a fala citada (quando a premissa da semana nasce como prosa em vez de um plano, o fluxo de roteiro a vídeo é a raia de primeiro rascunho mais rápida de cena escrita a clipe bruto antes de as referências entrarem em jogo). Quando uma piada precisa de uma respirada de timing, ele anexa a abertura aprovada da semana passada como Video 1 e pede o mesmo ritmo com a nova punchline.

O corredor de variantes de anúncio. Um time de e-commerce carrega um produto por dois lados mais uma referência lifestyle, e gera variantes de cena — bancada de cozinha, academia, praia — mantendo os pixels da embalagem estáveis porque a referência, não o prompt, é quem os possui. Um clipe de referência de uma mão girando resolve o momento de "pegar" em toda variante.

A passada de localização. Um criador com um clipe 9:16 que funcionou o re-renderiza com as mesmas referências de rosto e voz mas a fala em espanhol ou em japonês — o Ref2VA atua fala nova sincronizada no idioma em vez de dobrar sobre bocas velhas.

O caminhante de storyboard. Um storyboarista de curta-metragem posa keyframes numa ferramenta de imagem fixa (se um quadro voltar mole, o guia do upscaler de imagens SeedVR2 o restaura antes de virar referência — ainda sem versão em português), carrega o último quadro de cada cena como a referência de abertura da próxima, e corta emendas que apareceriam de outro jeito — a continuidade estica além do limite de 15 segundos por clipe porque a referência viaja através das gerações.

Perguntas frequentes

Preciso usar um vídeo de referência, ou as imagens bastam? As imagens bastam para a identidade — rosto, figurino, produto. O vídeo de referência ganha a sua ranura só quando o plano depende de um movimento, um ritmo ou um feeling de montagem específicos. Para planos estáticos ou de fala pausada, imagens mais um verbo de câmera nomeado batem um clipe ruidoso anexado.

Em que "ajustar a transferência de câmera" difere de simplesmente promptear um movimento de câmera? Promptear um verbo diz ao modelo o seu gênero de movimento; uma referência de movimento mostra a ele a amplitude e a velocidade reais. Os melhores resultados vêm de parear os dois — o clipe demonstra o movimento, a frase o confirma ("slow Push In, matching Video 1") — porque uma referência de clipe sozinha às vezes é interpretada com folga quando o conteúdo da cena mudou bastante.

Por que a minha referência de voz mudou as palavras que pedi? Se o prompt não diz para que é Audio 1, o modelo pode tratá-la como conteúdo a reproduzir. Declare o ofício explicitamente — "voice timbre copied from Audio 1; new line:" — e cite a fala literal dentro do orçamento de segundos do clipe.

Como impeço a luz ou o fundo do clipe de referência de vazarem para a minha cena nova? Apare o clipe para os segundos em que o movimento fica isolado, e descreva a sua própria iluminação no briefing da cena. A transferência por referência é um voto, não uma ordem — uma frase de cenário forte ("cold blue morning light") vence o ruído de fundo que ficou na referência.

Qual é a forma mais barata de convergir para um final? Rascunho em 768P, 4–6 segundos, cinco imagens de entrada grátis inclusas; uma vez aprovado o take, edite em delta o próprio clipe aprovado como Video 1 em 2K para o final em vez de re-renderizar a partir das referências. Você paga segundos de saída a tarifa cheia exatamente uma vez.

Onde encontro a estrutura de prompt de seis seções pronta para copiar? O guia comercial de prompts MiniMax H3 Ref2V na Moosky transforma o método deste artigo numa página de receita pronta para rodar: o briefing de seis seções como modelo para preencher, os ofícios dos rótulos Image/Video/Audio/Subject, e a cotação de créditos que o composer mostra antes de você rodar. Leia o fluxo aqui, rode a receita ali.