Les mêmes 10 prompts, deux modèles — Wan 3.0 via l'API contre MiniMax H3 sur un GPU local

Dans Des visuels clés avec Wan 3.0 (1), nous avons transformé une photo de trophée en 10 vidéos teaser avec des prompts rédigés comme le recommande le guide officiel d'Alibaba Cloud. Cette fois, nous avons transmis la même photo et les mêmes 10 prompts à MiniMax H3, exécuté en local dans ComfyUI sur un seul GPU de 20 Go, et comparé les résultats côte à côte.
En bref : H3 est celui qui préserve le logo et le texte, et il anime hardiment le drap et la lumière. Wan est celui qui suit les indications de caméra, et il est environ 3 fois plus rapide.
Ils diffèrent aussi par ce qu'il faut pour les faire tourner. Wan sur l'AICU API ne demande qu'une clé : pas de GPU, trois clips à la fois, et vous pouvez quand même finir un clip sur votre logo intact en le passant en last_frame. H3 demande un GPU d'environ 20 Go de mémoire et environ 8 minutes par clip, et sa licence exclut l'UE, le Royaume-Uni, la Corée du Sud et les États-Unis.
Configuration
| Wan 3.0 | MiniMax H3 | |
|---|---|---|
| Où il tourne | AICU API (wan3.0-video) | ComfyUI sur notre propre GPU (NVIDIA RTX 4000 Ada, 20 Go) |
| Entrée | La photo du trophée (1671×941) en first_frame | La même photo recadrée en 1088×608, en first_frame uniquement (pas de dernière image) |
| Résolution et durée | 720p, 5 secondes (10 secondes pour le n° 10) | 1088×608, 124 images = 5,2 secondes (243 images = 10,1 secondes pour le n° 10), 24 fps |
| Réglages | Par défaut | 20 étapes, sampler res_multistep, seed 20261113 |
| Son | Généré | Généré |
| Temps par vidéo | 111 à 204 secondes, jusqu'à 3 en parallèle | 481 à 501 secondes (5 s), 1 342 secondes (10 s), une à la fois |
| Coût | 1 400 AP par seconde en 720p : 7 000 AP pour un clip de 5 secondes, 77 000 AP pour les 10. Aucun GPU nécessaire | Pas d'AP, mais il faut un GPU d'environ 20 Go de mémoire (nous avons utilisé le nôtre) |
| Échecs | 0 | 0 |
Le paramètre length de H3 doit valoir 5 + 17n images : 5 secondes deviennent donc 124 images (5,17 s) et 10 secondes deviennent 243 images (10,1 s). La VRAM a culminé à 17–19 Go pour 5 secondes. La vidéo de 10 secondes s'est terminée sans manquer de mémoire.
Les prompts sont exactement ceux de l'article sur Wan. Ils suivent la formule du guide officiel « image vers vidéo = mouvement + mouvement de caméra » : ils ne sont donc pas optimisés pour H3.
Le workflow ComfyUI
H3 fonctionne avec les nœuds intégrés de ComfyUI (ComfyUI 0.30.0 ou ultérieur). Le workflow est court : charger les quatre fichiers de modèle, puis MiniMaxH3ImageToVideo → sampler → décodage de la vidéo et du son → enregistrement. Téléchargez ici le JSON au format API et modifiez le prompt et le nom de l'image : h3-i2v-api.json
| Nœud | Réglage |
|---|---|
UNETLoader | minimax_h3_fl2va_pruned_int8_convrot.safetensors |
CLIPLoader | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors, type minimax |
VAELoader × 2 | minimax_h3_video_vae_fp16.safetensors, minimax_h3_audio_vae_fp32.safetensors |
MiniMaxH3ImageToVideo | prompt, width 1088, height 608, length 124, first_frame |
CreateVideo | 24 fps, avec le son décodé |
Les fichiers de modèle sont sur Hugging Face, à l'adresse Comfy-Org/MiniMax-H3. H3 est publié sous la MiniMax H3 Community License Agreement, qui exclut certains territoires (l'UE, le Royaume-Uni, la Corée du Sud et les États-Unis). Lisez la licence avant de l'utiliser.
Les 10 résultats
Dans chaque comparaison, la ligne du haut est Wan 3.0 et la ligne du bas MiniMax H3, une image par seconde de gauche à droite. La vidéo sous chaque comparaison est celle de H3. Les vidéos de Wan se trouvent dans l'article d'origine.
01 La demande telle quelle
A teaser video that evokes shimmering radiance, wind, influence, intelligence, history,
authority, creativity, and contribution to the community.

Wan a découpé les plans de lui-même (large → rapproché → large). H3 est resté sur un seul plan : le drap ondule et un halo s'allume à la pointe. Avec seulement des mots abstraits, H3 se replie sur « la photo, qui bouge doucement ».
02 La formule de base (mouvement + caméra)
Sunlight shimmers across the facets of the crystal trophy, and the white cloth ripples gently
in the breeze. The camera slowly pushes in.

Wan s'approche nettement. H3 ne s'approche que légèrement. Sa lumière sur le drap et les facettes bouge davantage que celle de Wan.
03 Éclat scintillant
Golden caustic light dances and ripples across the white cloth around the trophy, and a soft
lens flare pulses at its tip. Backlight, rim light, warm tones. Fixed camera.

Avec une caméra fixe, les deux se ressemblent beaucoup. Le halo de H3 à la pointe pulse et grandit comme le dit le prompt, et la vidéo se termine sur un doux halo d'objectif qui traverse le cadre. Les deux sont de bons candidats pour une boucle vidéo.
04 Le vent
A gust of wind sweeps across the scene: the white cloth billows in slow waves, the leaves behind
sway, and dappled light flickers over the crystal. The camera moves slowly to the left.

Le meilleur résultat de H3. Le drap ondule en grandes vagues et la caméra glisse vers la gauche. Wan anime aussi le drap, mais le mouvement de H3 se lit plus clairement comme « une rafale de vent ». Le trophée et son texte restent intacts du début à la fin.
05 L'autorité (contre-plongée)
The trophy stands still and solemn as the light grows stronger along its edges. Low-angle shot,
the camera slowly pushes in and tilts up toward the glowing tip. Side light, high contrast.

La plus grande différence. Wan s'approche et lève la caméra, pour finir sur la pointe lumineuse. H3 bouge à peine la caméra ; seul le halo à la pointe s'intensifie. Si vous avez besoin d'un mouvement de caméra précis, c'est Wan qui le réalise.
06 L'histoire (time-lapse)
Time-lapse photography: the shadow of the trophy sweeps slowly across the white cloth as the
light shifts from bright morning white to deep sunset gold. Fixed camera.

Les deux passent de la lumière blanche à l'or du soir. Wan dessine une ombre en forme de bande qui ne correspond pas à la forme du trophée. H3 vire à l'or vers la fin et l'ombrage du drap change, mais on ne voit pas nettement une ombre balayer le drap.
07 L'intelligence (circuit de lumière)
Inside the crystal, fine lines of light trace and branch like a network, rising slowly from the
base to the tip, while refracted light glints across its facets. Orbiting camera movement, a slow
arc of less than 30 degrees.

Wan emplit le trophée de lignes de lumière depuis la base, exactement comme écrit. H3 ne montre ces lignes que faiblement, dans les une ou deux dernières secondes. H3 a tendance à ne pas ajouter ce qui n'est pas dans la photo ; en contrepartie, le texte reste lisible.
08 La communauté (lumière qui se propage)
Small sparks of golden light spread outward from the base of the trophy across the cloth like
ripples, multiplying as they travel toward the edges of the frame. The camera slowly pulls out
to reveal the whole scene.

Les deux interprètent le prompt différemment. Wan dessine des anneaux concentriques et fait reculer la caméra loin, si bien que le texte devient illisible. H3 répand des traînées de lumière rayonnantes sur le drap, vers les bords du cadre, et garde le trophée en grand. La version de H3 est plus proche de « se propager vers l'extérieur ».
09 La formule du son (effets sonores + musique)
The white cloth ripples in the wind and light shimmers across the crystal trophy. Sound: wind
rustling through the leaves, a clear crystal chime as a flare passes the tip, and a slow, rising
orchestral score with strings and soft brass. No dialogue.

Comme Wan, H3 génère du son pour chaque vidéo, même quand le prompt ne dit rien du son (01 à 08). Écoutez le son de la 09 et jugez par vous-même. Comme avec Wan, si vous prévoyez d'ajouter une narration ou une musique, partez du principe que vous remplacerez le son généré.
10 Multi-plans (10 secondes)
A teaser for an international award, in three shots. Shot 1 [0-3 s]: close-up, light glides
along the crystal edge of the trophy, fixed camera. Shot 2 [3-6 s]: medium shot, the white cloth
ripples in the wind and golden caustics dance around the base, the camera moves left. Shot 3
[6-10 s]: the camera pulls out and rises to reveal the trophy standing in sunlight against the
green trees, and a lens flare blooms at its tip. Sound: soft wind, a crystal chime, an orchestral
swell. No dialogue.

Les deux suivent la structure en trois plans, mais ils traitent la première image différemment. Wan part du cadrage large de la photo : le Shot 1 n'est donc pas un gros plan. H3 montre la photo pendant une seule image, puis coupe directement sur un gros plan de l'arête de cristal, comme le demande le Shot 1. Les Shots 2 et 3 suivent le prompt. Si vous voulez une vidéo multi-plans qui s'ouvre sur un gros plan, H3 est plus fidèle au script ; si vous voulez qu'elle s'ouvre sur votre image, c'est Wan.
La génération de cette vidéo a pris 1 342 secondes (environ 22 minutes).
Ce que nous avons appris
| Wan 3.0 (API) | MiniMax H3 (local) | |
|---|---|---|
| Préserver le logo et le texte | Bien, mais perdus quand la caméra s'approche ou recule | Le meilleur. Lisibles du début à la fin dans presque toutes les vidéos |
| Suivre les indications de caméra (s'approcher, lever, reculer) | Les suit | Les ignore le plus souvent ; petits mouvements tout au plus |
| Mouvement physique (drap, vent, lumière) | Bon | Ample (04, 08) |
| Ajouter ce qui n'est pas dans la photo (07) | Le dessine | Le dessine faiblement |
| Ouverture multi-plans | Part de votre première image | Montre votre première image pendant 1 image, puis suit le script |
| Vitesse | 2 à 3 minutes, en parallèle | Environ 8 minutes pour 5 s, 22 minutes pour 10 s, une à la fois |
| Ce qu'il faut | Une clé d'API | Un GPU d'environ 20 Go de mémoire, ComfyUI, et un pays couvert par la licence |
Comment choisir :
- Plans de logo, plans produit et contenus où le texte doit rester lisible, sans urgence : H3.
- Teasers qui reposent sur des mouvements de caméra, effets qui ajoutent quelque chose de nouveau, ou tout ce dont vous avez besoin aujourd'hui : Wan sur l'AICU API.
- Mouvements de caméra et logo lisible dans le même clip : Wan, avec l'image d'origine en
last_frame. Dans Des visuels clés avec Wan 3.0 (2), la dernière image d'une transition vers le logo correspondait à l'original à 37,8 dB de PSNR, et nous avons tout de même inséré l'image fixe d'origine au raccord. - Les deux produisent du son par défaut. Prévoyez de le remplacer pour les projections.
Essayer sur l'AICU API
Passez votre photo en first_frame et, si le clip doit finir sur votre logo, le logo en last_frame :
curl -X POST https://api.aicu.ai/v1/video/generate \
-H "Authorization: Bearer $AICU_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "wan3.0-video",
"first_frame": "<base64 de votre photo>",
"last_frame": "<base64 de votre logo>",
"prompt": "the camera slowly pushes in as light sweeps across the trophy",
"resolution": "720p",
"seconds": 5
}'
L'appel répond tout de suite avec une status_url à consulter. Les AP sont réservés au lancement et rendus en totalité en cas d'échec. Jusqu'à trois tâches tournent en même temps par clé. Obtenez une clé sur le tableau de bord, et consultez le guide Video API pour tous les paramètres.
Articles liés
- Des visuels clés avec Wan 3.0 (1) — À partir d'une seule photo de trophée, 10 teasers avec le guide officiel de prompts — l'article d'origine et les vidéos de Wan
- Video API — comment appeler
wan3.0-videosur l'AICU API - Comfy-Org/MiniMax-H3 — fichiers de modèle pour ComfyUI
- MiniMaxAI/MiniMax-H3 — la publication d'origine et la licence
⭐︎ Les prix sont ceux en vigueur à la publication. Les tarifs actuels peuvent être vérifiés dans Tarifs et avec GET /v1/models.
MiniMax H3 is licensed under the MiniMax H3 Community License Agreement, Copyright © 2026 MiniMax. All Rights Reserved.
