# MiniMax H3 Reference to Video LoRA Trainer API

> အစောပိုင်း LoRA မှ နွေးထွေး စတင် ဖြင့် reference-conditioned ဗီဒီယိုအတွက် LoRA trainer

ရည်ညွှန်းထည့်သွင်းချက်များက ဗီဒီယိုဖန်တီးမှုကို ထိန်းညှိနိုင်ရန် အကြောင်းအရာဗီဒီယိုကလစ်များ၏ zip မှ LoRA ကို လေ့ကျင့်ပေးသည်။ `reference_conditioning_p` သည် လေ့ကျင့်စဉ် ရည်ညွှန်းချက်များ အသုံးပြုသည့် အကြိမ်နှုန်းကို သတ်မှတ်ပြီး `resume_from_lora_url` သည် ယခင်လေ့ကျင့်ထားသော LoRA မှ ဆက်လက်လုပ်ဆောင်သည်။ ထပ်မံချိန်ညှိနိုင်သည်များမှာ `rank`၊ `number_of_steps`၊ `number_of_frames`၊ `frame_rate` နှင့် `aspect_ratio` တို့ဖြစ်သည်။ အလေးချိန်များနှင့် config ဖိုင်ကို ပြန်ပေးသည်။

- Model id: `minimax/h3/ref2va/trainer`
- Made by: MiniMax
- Category: Training
- Output: file
- Price: $0.015 / step (cheapest run $30.00 (30000 API credits))
- Run: `POST https://api.doitong.com/v1/run/minimax/h3/ref2va/trainer`
- Quote: `POST https://api.doitong.com/v1/quote/minimax/h3/ref2va/trainer`
- Docs page: https://doitong.com/my/developers/models/minimax/h3/ref2va/trainer

## Pricing

Price: **$0.015 / step**. Billed per training step (`number_of_steps`).

The full example input below costs $30.00 = 30000 API credits (2000 steps × 15 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/minimax/h3/ref2va/trainer` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `training_data_url` |  | string | yes |  |  | အကြောင်းအရာလေ့ကျင့်ရေးဗီဒီယိုများပါ ZIP အတွက် URL။ ပုံသီးသန့် dataset များနှင့် ပုံ/ဗီဒီယို ရောစပ်ထားသော လေ့ကျင့်ရေး archive များကို ပယ်ချသဖြင့် ပုံများကို reference sidecar အဖြစ် သီးခြားထည့်ရမည်။ ရွေးချယ်နိုင်သော အပိုဖိုင်များသည် clip တစ်ခုစီ၏ base name ကို မျှဝေသည်။ `clip01.txt` ကဲ့သို့ caption တစ်ခုနှင့် `ref_1` မှ `ref_4` အထိ အစဉ်လိုက် reference များကို `clip01.ref_1.<ext>` မှ `clip01.ref_4.<ext>` အထိ အမည်ပေးရသည်။ reference sidecar မရှိပါက clip ထဲမှ ဖရိမ်တစ်ခုကို ၎င်း၏ကိုယ်ပိုင် reference အဖြစ် အသုံးပြုသည်။ `<ext>` သည် reference မီဒီယာအမျိုးအစားကို သတ်မှတ်သည်။ ပုံများ (.png/.jpg/.jpeg)၊ အသံ (.wav/.mp3/.flac/.m4a/.ogg/.aac) သို့မဟုတ် ဗီဒီယိုများ (.mp4/.mov/.avi/.mkv/.webm) ဖြစ်ပြီး ၎င်းတို့၏ soundtrack များကိုလည်း အသံ reference အဖြစ် အသုံးပြုသည်။ လေ့ကျင့်ရေး clip များသည် .mp4, .mov, .avi နှင့် .mkv ကို ပံ့ပိုးပြီး အနည်းဆုံး clip 10 ခု ရှိရန်၊ ပိုများလေ ပိုကောင်းလေ ဖြစ်သည်။ |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | LoRA adaptation rank။ ဆက်တင်မြင့်လာသည်နှင့် မှတ်ဉာဏ်သုံးစွဲမှု တိုးလာသော်လည်း စွမ်းရည်ပိုမိုမြင့်မားလာသည်။ |
| `number_of_steps` |  | integer | no | `2000` | 1 – 15,000 | လေ့ကျင့်ရေးအဆင့် စုစုပေါင်းအရေအတွက်။ |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Optimization learning rate။ တိုးမြှင့်သည့်အခါ လေ့ကျင့်မှုမြန်ဆန်လာနိုင်ခြင်းနှင့် overfitting ဖြစ်နိုင်ခြေတို့ကို ချိန်ညှိသည်။ |
| `number_of_frames` |  | integer | no | `73` | 22 – 124 | လေ့ကျင့်ရေးနမူနာတစ်ခုစီအတွက် ဖရိမ်အရေအတွက်။ 17 ဖြင့်စားသောအခါ အကြွင်း 5 ကျန်ရမည်။ ဥပမာများမှာ 22, 39, 56, 73, 90, 107 နှင့် 124 ဖြစ်သည်။ |
| `frame_rate` |  | integer | no | `24` | 8 – 60 | ပစ်မှတ်ဗီဒီယို ဖရိမ် rate၊ ဖရိမ်များ per စက္ကန့် ဖြင့် တိုင်းတာသည်။ |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | လေ့ကျင့်ရေး ရုပ်ထွက်အရည်အသွေး။ ရုပ်ထွက်အရည်အသွေး မြှင့်တင်ခြင်းက မှတ်ဉာဏ်လိုအပ်ချက်ကို တိုးစေသည်။ |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `21:9`, `16:9`, `4:3`, `1:1`, `3:4`, `9:16` | MiniMax H3 API မှတစ်ဆင့် ရရှိနိုင်သော set တစ်ခုတည်းထဲမှ လေ့ကျင့်ရေး aspect ratio ကို ရွေးပါ။ |
| `trigger_phrase` |  | string | no | `` |  | လေ့ကျင့်ရေးအတွင်း caption များ၏ အစတွင် ထည့်သွင်းသည့် LoRA style activation စကားစု။ |
| `reference_conditioning_p` |  | number | no | `0.9` | 0 – 1 | လေ့ကျင့်ရေးတွင် reference-image conditioning နှင့် conditioning မပါသော text-to-video-audio လေ့ကျင့်ရေးကို မည်မျှအကြိမ်နှုန်းဖြင့် အသုံးပြုမည်ကို သတ်မှတ်ပါ။ ကျန်ရှိသော ဖြစ်နိုင်ခြေအားလုံးသည် ပရောမ့်သီးသန့် ဖန်တီးမှု တည်ငြိမ်စေရန် conditioning မပါသော ရည်ရွယ်ချက်သို့ သွားသည်။ |
| `resume_from_lora_url` |  | string \| null | no |  |  | ဤ trainer ဖြင့် ယခင်ဖန်တီးထားသော .safetensors LoRA ဖြင့် warm-start လေ့ကျင့်ရန် URL၊ ထို့နောက် number_of_steps ထပ်ဆောင်းလေ့ကျင့်ရေးအဆင့်များ။ adapter weights မှလွဲ၍ မည်သည့်အရာမျှ ပြန်လည်ရယူမည်မဟုတ်ပါ။ optimization နှင့် learning-rate scheduling နှစ်ခုစလုံးသည် အသစ်ပြန်စသည်။ |
| `auto_scale_input` |  | boolean | no | `false` |  | အလိုအလျောက်ဗီဒီယို scaling ဖြင့် ရည်မှန်းထားသော fps နှင့် ဖရိမ်အရေအတွက်ကို ကိုက်ညီစေမည်၊ true သည် ဤချိန်ညှိမှုကို ဖွင့်ပေးသည်။ |
| `split_input_into_scenes` |  | boolean | no | `true` |  | ကြာချိန်သတ်မှတ်ချက်ထက် ပိုရှည်သော ဗီဒီယိုများအတွက် scene splitting ကို ဖွင့်ပြီး ခွဲထားသော clip များထဲမှ reference sidecar များကို ဖယ်ရှားသည်။ |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | စက္ကန့်ဖြင့် ဖော်ပြသော scene ခွဲခြားမှု အစပျိုးတန်ဖိုး။ သတ်မှတ်ချက်ထက် ပိုရှည်သော ဗီဒီယိုများကိုသာ ခွဲသည်။ |
| `debug_dataset` |  | boolean | no | `false` |  | အပြည့်အဝလေ့ကျင့်ရေး မစတင်မီ preprocessing ကို စစ်ဆေးရန် archive ဒေါင်းလုဒ်လုပ်နိုင်သည့် ရွေးချယ်မှု။ ဖွင့်ထားပါက trainer သည် ပြုပြင်ပြီး dataset ကို package ပြုလုပ်ပေးသဖြင့် caption များ၊ reference ပုံများ၊ ဗီဒီယိုများနှင့် ပုံများ မှန်ကန်မှုရှိမရှိ ကိုယ်တိုင်စစ်ဆေးနိုင်သည်။ |
| `strict_dataset` |  | boolean | no | `false` |  | မှတ်တမ်းတင်ပြီး မှတ်တမ်းတင်ထားသော fallback ဖြင့် ဖြေရှင်းမည့် preprocessing ပြဿနာများကို တင်းကျပ်စွာ ကိုင်တွယ်ခြင်း။ ဖွင့်ထားပါက blank ပရောမ့်လိုအပ်သော caption များ၊ ပျောက်ဆုံးနေသော reference sidecar များနှင့် ဖတ်မရသောအသံပါ ဗီဒီယိုများကို fallback ခွင့်ပြုမည့်အစား ပယ်ချမည်။ |

## Example input

Required parameters only:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

A fuller example:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/minimax/h3/ref2va/trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/minimax/h3/ref2va/trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "training_data_url": "https://example.com/your-file.zip"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.com/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "training_data_url": "https://example.com/your-file.zip",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/minimax/h3/ref2va/trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.com/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "minimax/h3/ref2va/trainer",
      "input": {
        "training_data_url": "https://example.com/your-file.zip"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3/ref2va/trainer",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 30000,
    "usd": "30.00",
    "charged": 30000,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "debug_dataset": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `lora_file` | object {url, content_type, file_name, file_size} | .safetensors ဖော်မတ်ရှိ လေ့ကျင့်ပြီး LoRA weights များ၏ URL။ |
| `config_file` | object {url, content_type, file_name, file_size} | Inference Endpoint တည်ဆောက်မှုအတွက် configuration။ |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | `debug_dataset` ဖွင့်ထားသော တောင်းဆိုချက်များအတွက်သာ ရရှိနိုင်ပြီး ဤဒေါင်းလုဒ်လုပ်နိုင်သော archive တွင် preprocessing ပြီးနောက် လေ့ကျင့်ရေးဒေတာ ပါဝင်သည်။ |

## Related models

- [MiniMax H3 First Last Frame LoRA Trainer](https://doitong.com/developers/models/minimax/h3/flf2v/trainer.md) (`minimax/h3/flf2v/trainer`): $0.01 / step
- [MiniMax H3 Image to Video Audio LoRA Trainer](https://doitong.com/developers/models/minimax/h3/i2v/trainer.md) (`minimax/h3/i2v/trainer`): $0.01 / step
- [MiniMax H3 Text to Video LoRA Trainer](https://doitong.com/developers/models/minimax/h3/t2v/trainer.md) (`minimax/h3/t2v/trainer`): $0.005 / step
- [ERNIE-Image Trainer](https://doitong.com/developers/models/ernie-image-trainer.md) (`ernie-image-trainer`): $0.0012 / step
- [FLUX 2 \[klein\] 9b Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer.md) (`flux-2-klein-9b-base-trainer`): $0.0043 / step
- [Flux 2 Klein 9B Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer/edit.md) (`flux-2-klein-9b-base-trainer/edit`): $0.0139 / step
- [FLUX 2 Trainer](https://doitong.com/developers/models/flux-2-trainer.md) (`flux-2-trainer`): $0.0064 / step
- [FLUX 2 Trainer Edit](https://doitong.com/developers/models/flux-2-trainer/edit.md) (`flux-2-trainer/edit`): $0.0389 / step

## Links

- HTML page: https://doitong.com/developers/models/minimax/h3/ref2va/trainer
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=minimax/h3/ref2va/trainer
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.com/v1/models/minimax/h3/ref2va/trainer