minimax-multimodal

name	minimax-multimodal
description	MiniMax 多模态内容生成工具箱，通过 mmx CLI 统一调用。 使用场景：生成图片、视频、语音、音乐、图像理解、文本对话、网页搜索。 触发词：生成图片、生成视频、文字转语音、TTS、生成音乐、图像识别、看图说话、 图片描述、OCR、UI 审查、chart 数据提取、object detection、 image generation、video generation、text to speech、music generation。 前置条件：npm install -g mmx-cli && mmx auth login --api-key sk-xxxxx
available	true

MiniMax Multimodal Toolkit — Agent Skill Guide

通过 mmx CLI 生成图片、视频、语音、音乐，进行图像理解和网页搜索。

前置条件

# 安装
npm install -g mmx-cli

# 认证（持久化到 ~/.mmx/credentials.json）
mmx auth login --api-key sk-xxxxx

# 或每次调用时传入
mmx text chat --api-key sk-xxxxx --message "Hello"

区域自动检测，可覆盖：--region global 或 --region cn。

---

Agent 调用标志

非交互（agent/CI）场景始终使用：

标志	用途
--non-interactive	缺少参数时直接失败，不进入交互
--quiet	抑制进度条，stdout 只输出纯数据
--output json	机器可读 JSON 输出
--async	异步任务立即返回 task ID（视频生成）
--dry-run	预览 API 请求但不执行
--yes	跳过确认提示

---

命令参考

文本对话 — text chat

mmx text chat --message <text> [flags]

标志	类型	说明
--message <text>	string, 必填, 可重复	消息文本。加 role: 前缀设置角色
--system <text>	string	系统提示
--model <model>	string	模型 ID（默认 MiniMax-M2.7）
--max-tokens <n>	number	最大 token 数
--temperature <n>	number	采样温度 (0.0, 1.0]
--stream	boolean	流式输出

# 单轮
mmx text chat --message "user:什么是 MiniMax?" --output json --quiet

# 多轮
mmx text chat \
  --system "You are a coding assistant." \
  --message "user:用 Python 写 fizzbuzz" \
  --output json

---

图片生成 — image generate

模型：image-01。

mmx image generate --prompt <text> [flags]

标志	类型	说明
--prompt <text>	string, 必填	图片描述
--aspect-ratio <ratio>	string	宽高比，如 16:9、1:1
--n <count>	number	生成数量（默认 1）
--subject-ref <params>	string	角色参考：type=character,image=path-or-url
--out-dir <dir>	string	下载到指定目录
--out-prefix <prefix>	string	文件名前缀（默认 image）

mmx image generate --prompt "穿宇航服的猫" --output json --quiet

mmx image generate --prompt "Logo" --n 3 --out-dir ./gen/ --quiet

---

视频生成 — video generate

默认模型：MiniMax-Hailuo-2.3。异步任务，默认轮询直到完成。

mmx video generate --prompt <text> [flags]

标志	类型	说明
--prompt <text>	string, 必填	视频描述
--model <model>	string	MiniMax-Hailuo-2.3 或 MiniMax-Hailuo-2.3-Fast
--first-frame <path-or-url>	string	首帧图片
--download <path>	string	保存视频到指定文件
--async	boolean	立即返回 task ID
--poll-interval <seconds>	number	轮询间隔（默认 5）

# 异步：获取 task ID
mmx video generate --prompt "一个机器人。" --async --quiet

# 同步：等待并下载
mmx video generate --prompt "海浪。" --download ocean.mp4 --quiet

查询状态：

mmx video task get --task-id <id> --output json

---

语音合成 — speech synthesize

默认模型：speech-2.8-hd。最大 1 万字符。

mmx speech synthesize --text <text> [flags]

标志	类型	说明
--text <text>	string	待合成文本
--text-file <path>	string	从文件读取文本，- 表示 stdin
--model <model>	string	speech-2.8-hd、speech-2.6、speech-02
--voice <id>	string	音色 ID（默认 English_expressive_narrator）
--speed <n>	number	语速倍率
--format <fmt>	string	音频格式（默认 mp3）
--out <path>	string	保存到文件

mmx speech synthesize --text "你好世界" --out hello.mp3 --quiet

---

音乐生成 — music generate

模型：music-2.5。支持丰富的结构化描述。

mmx music generate --prompt <text> [--lyrics <text>] [flags]

标志	类型	说明
--prompt <text>	string	音乐风格描述
--lyrics <text>	string	歌词（含结构标签）
--lyrics-file <path>	string	从文件读取歌词
--vocals <text>	string	人声风格，如 "温暖男中音"
--genre <text>	string	流派：pop、jazz、folk 等
--mood <text>	string	情绪：warm、uplifting、melancholic
--instruments <text>	string	乐器："吉他, 钢琴"
--bpm <number>	number	精确 BPM
--instrumental	boolean	纯音乐（无人声）
--out <path>	string	保存到文件

至少提供 --prompt 或 --lyrics 之一。

# 带歌词
mmx music generate --prompt "轻快流行" --lyrics "啦啦啦..." --out song.mp3 --quiet

# 纯音乐
mmx music generate --prompt "电影配乐，紧张感递增" --instrumental --out bgm.mp3

---

图像理解 — vision describe

通过 VLM 分析图片。

mmx vision describe (--image <path-or-url> | --file-id <id>) [flags]

标志	类型	说明
--image <path-or-url>	string	本地路径或 URL（自动 base64）
--file-id <id>	string	已上传文件 ID
--prompt <text>	string	关于图片的问题（默认 "描述这张图片"）

mmx vision describe --image photo.jpg --prompt "这是什么品种？" --output json

分析模式提示词

模式	prompt 策略
描述	详细描述图片内容、主体、背景、色彩、构图
OCR	逐字提取所有文本，保留原始结构和格式
UI 审查	以 UI/UX 设计师角度分析：优点、问题、改进建议
图表提取	提取所有数据点、坐标轴标签、趋势摘要
物体检测	列出所有可识别的物体、人物、活动及位置

---

网页搜索 — search query

mmx search query --q <query>

mmx search query --q "MiniMax AI" --output json --quiet

---

配额查询 — quota show

mmx quota show --output json

---

工作流示例

# 图片生成 → 图像理解
URL=$(mmx image generate --prompt "日落" --quiet)
mmx vision describe --image "$URL" --quiet

# 异步视频工作流
TASK=$(mmx video generate --prompt "机器人" --async --quiet | jq -r '.taskId')
sleep 30
mmx video task get --task-id "$TASK" --output json
mmx video download --task-id "$TASK" --out robot.mp4

# 语音 + 音乐组合
mmx speech synthesize --text "旁白" --out narration.mp3 --quiet
mmx music generate --prompt "背景音乐" --instrumental --out bgm.mp3 --quiet

退出码

码	含义
0	成功
1	一般错误
2	参数错误
3	认证错误
4	配额不足
5	超时
10	内容过滤

参考来源

基于 MiniMax-AI/skills/minimax-multimodal-toolkit（MIT License）。